Uncertainty and robustness in house price prediction models

Precise valuation of real estate assets is of high importance to banks, insurance companies and real estate agents. Valuation can either be done by physical inspection by an appraiser or real estate agent, or by use of an Automated Valuation Model (AVM). An AVM is a statistical model that estimates the value of a property based on the location, its physical attributes and previous sale price. While machine learning models tend to give more precise estimates than traditional regression models, the uncertainty in the estimates is hard to control. This project aims to develop new methods to quantify uncertainty of machine learning models applied to house price prediction. Uncertainty models are important for commercial users of AVM, as deviant or uncertain estimates should be identified and in many cases be treated manually. We expect the project to improve the awareness of the uncertainty involved in AVM?s. This will make it easier for mortgage lenders to make precise and quick valuations. The project will be conducted in cooperation with the Department of Mathematics at University of Oslo. The results of the project will be published in scientific journals and at scientific conferences. As of November 2021 there has been produced one scientific article that is under review for publication in a real estate journal. This article presents a novel way to train a specific machine learning algorithm for house price prediction, and demonstrates that this particular method leads to slightly more precise estimates on a data set consisting of Norwegian dwellings.

Eiendomsverdi leverer informasjon om det norske boligmarkedet til banker, eiendomsmeglere, forsikringsselskap, eiendomsutviklere, inkassoselskaper og offentlige virksomheter. En av de viktigste produktene til Eiendomsverdi er en automatisert verdsettelsesmodell (AVM), som verdivurderer samtlige boliger i Norge. Eiendomsverdis AVM består blant annet av en maskinlæringsmodell som estimerer prisen på en bolig basert på boligens lokasjon, boligtype og attributter. Formålet med dette PhD-prosjektet er å forbedre Eiendomsverdis forståelse av usikkerhet og ekstremverdier i AVM. De seneste tiårene har det vært en kraftig utvikling av nye maskinlæringsmetoder. Mange av disse metodene har vist seg å være svært treffsikre, men ofte er det vanskelig å tolke og evaluere usikkerheten i disse metodene. Eiendomsverdi er pålagt å presentere en usikkerhetsgrad ved alle sine prediksjoner, og det første temaet for PhD-avhandlingen blir å utvikle et rammeverk for å evaluere usikkerheten i et estimat. En annen sentral utfordring er hvordan Eiendomsverdi skal behandle ekstremverdier, det vil si boliger som skiller seg tydelig fra normale boliger. Identifisering og håndtering av ekstremverdier er det andre temaet for PhD-avhandlingen. Prosjektet vil gjennomføres i samarbeid med førsteamanuensis Johan Pensar (hovedveileder) og førsteamanuensis Ida Scheel (biveileder) ved Matematisk institutt på Universitetet i Oslo. Begge er en del av forskergruppen for Statistikk og Data Science. I tillegg vil kandidaten få støtte i Eiendomsverdi fra modellsjef Terje Eggum, spesialrådgiver Dag Einar Sommervoll (PhD) og modell- og analysesjef Anders Francke Lund.