Prognozowanie kwartalnych zmian cen transakcyjnych mieszkań na rynku wtórnym w Warszawie z wykorzystaniem danych historycznych, społeczno-ekonomicznych i danych z Google Trends

Niniejsza praca dotyczy prognozowania kwartalnych cen transakcyjnych mieszkań na rynku wtórnym w Warszawie z wykorzystaniem danych historycznych, społeczno-ekonomicznych i informacyjnych. Celem badania była ocena, czy model wykorzystujący wybrane predyktory pozwala poprawić trafność prognoz krótkookresowych względem wybranych modeli bazowych. Analizowany zbiór danych obejmował 56 obserwacji. Zmienną prognozowaną była kwartalna zmiana logarytmiczna średniej ceny transakcyjnej 1 m² mieszkań. Porównano model naiwny, regresję OLS oraz regresję Ridge, a ich jakość oceniono na podstawie 32 prognoz poza próbą sporządzonych w schemacie walk-forward z rozszerzającym się oknem uczącym. Oceniono trafność modeli za pomocą MAE i RMSE. Najlepsze wyniki uzyskała regresja Ridge. Wyniki wskazują, że w przyjętej próbie połączenie wyżej wymienionych wskaźników z regularyzacją Ridge poprawiło trafność prognoz cen mieszkań.

This thesis concerns forecasting quarterly transaction prices of apartments on the secondary housing market in Warsaw using historical, socio-economic, and informational data. The aim of the study was to assess whether a model using selected predictors can improve the accuracy of short-term forecasts compared with selected benchmark models. The analysed dataset comprised 56 observations. The forecast variable was the quarterly logarithmic change in the average transaction price per square metre of apartments. A naïve model, OLS regression, and Ridge regression were compared, and their performance was evaluated on the basis of 32 out-of-sample forecasts generated using a walk-forward approach with an expanding training window. Model accuracy was assessed using MAE and RMSE. Ridge regression achieved the best results. The findings indicate that, within the adopted sample, combining the above-mentioned indicators with Ridge regularisation improved the accuracy of apartment price forecasts.