Desarrollo de un sistema de análisis estadístico y predictivo del mercado inmobiliario en Madrid mediante técnicas estadísticas y de machine learning

Abstract

Este trabajo presenta el desarrollo de un sistema analítico y predictivo para el mercado inmobiliario de Madrid, diseñado para superar las limitaciones de los modelos tradicionales de tasación basados únicamente en datos tabulares.

Para lograrlo, el autor utiliza un conjunto de datos extraído de Idealista con más de 10.000 registros, los cuales son depurados antes de inyectarlos en los diferentes modelos algorítmicos: Regresión Lineal Múltiple, Random Forest y XGBoost. La principal innovación de la metodología radica en la hibridación de algoritmos basados en árboles con Inteligencia Artificial Generativa. Específicamente, se emplea un Modelo de Lenguaje de Gran Tamaño (LLM Gemma 4) para procesar el texto libre de los anuncios, extrayendo características cualitativas e intangibles (como el estado "Reformado" o el nivel de exclusividad) y convirtiéndolas en variables estructuradas mediante Procesamiento de Lenguaje Natural (NLP).

Los resultados demuestran que el modelo híbrido definitivo (XGBoost + LLM) supera de manera notable el "techo de información" de los modelos clásicos. Este modelo optimizado alcanza un coeficiente de determinación del 73,38% y reduce el Error Absoluto Medio (MAE) hasta los 1.246,26 €/m², mejorando significativamente las predicciones.

Adicionalmente, el proyecto implementa valores SHAP para garantizar la transparencia y la interpretabilidad del sistema matemático. Este análisis de interpretabilidad revela empíricamente que, tras la variable de ubicación correspondiente al Barrio de Salamanca, la característica cualitativa de exclusividad extraída artificialmente por el LLM es la segunda variable con mayor impacto positivo en el precio final de la tasación.

En conclusión, el estudio confirma que la integración de algoritmos predictivos avanzados con LLMs logra transformar la información desordenada en datos cuantificables, proporcionando tasaciones mucho más transparentes y coherentes para reducir la incertidumbre en el sector inmobiliario.

This project presents the development of an analytical and predictive system for the real estate market in Madrid, designed to overcome the limitations of traditional valuation models based solely on tabular data.

To achieve this, the author uses a dataset extracted from Idealista with over 10,000 records, which are cleaned before being injected into the different algorithmic models: Multiple Linear Regression, Random Forest, and XGBoost. The main innovation of the methodology lies in the hybridization of tree-based algorithms with Generative Artificial Intelligence. Specifically, a Large Language Model (LLM Gemma 4) is employed to process the free text of the listings, extracting qualitative and intangible features (such as the "Renovated" status or the level of exclusivity) and converting them into structured variables using Natural Language Processing (NLP).

The results demonstrate that the definitive hybrid model (XGBoost + LLM) notably surpasses the "information ceiling" of classical models. This optimized model achieves a coefficient of determination of 73.38% and reduces the Mean Absolute Error (MAE) to 1,246.26 €/m², significantly improving the predictions.

Additionally, the project implements SHAP values to ensure the transparency and interpretability of the mathematical system. This interpretability analysis empirically reveals that, after the location variable corresponding to the Salamanca neighborhood, the qualitative feature of exclusivity artificially extracted by the LLM is the second variable with the greatest positive impact on the final valuation price.

In conclusion, the study confirms that the integration of advanced predictive algorithms with LLMs succeeds in transforming unstructured information into quantifiable data, providing much more transparent and coherent valuations to reduce uncertainty in the real estate sector.