Predicción de precios en el mercado inmobiliario mediante modelos predictivos basados en datos históricos- González García, Carolina.

Abstract

La predicción del precio de la vivienda a corto plazo se ha consolidado como un componente importante en el análisis económico y la toma de decisiones tanto para inversores individuales como para instituciones públicas y privadas. Su importancia radica en la capacidad de anticipar tendencias del mercado, gestionar riesgos financieros y formular políticas de acceso a la vivienda en contextos urbanos dinámicos. Tradicionalmente, esta tarea se ha abordado mediante modelos estadísticos lineales, como ARIMA o SARIMA, efectivos en contextos estacionarios y con baja volatilidad. Sin embargo, diversos estudios han reportado algunas limitaciones en escenarios reales, donde las series de precios presentan patrones no lineales, dependencias de largo plazo y alta heterogeneidad espacial. La revisión de la literatura muestra una creciente adopción de técnicas de Machine Learning y Deep Learning, especialmente, arquitecturas neuronales como LSTM, GRU y BiLSTM. Estas últimas han demostrado una notable capacidad para capturar relaciones complejas en secuencias temporales, mejorando la precisión predictiva en múltiples contextos, aunque su aplicación en el ámbito inmobiliario español continúa siendo incipiente, especialmente a nivel provincial o municipal. Este trabajo aborda la predicción del precio de la vivienda en España mediante la implementación y evaluación comparativa de diversas arquitecturas de redes neuronales recurrentes: RNN simple, LSTM, GRU y BiLSTM. Para ello, se utilizaron datos mensuales históricos extraídos del portal Idealista para cinco provincias españolas. Las predicciones se realizaron a corto plazo (un mes adelante), experimentando con tres ventanas temporales (12, 24 y 36 meses) y tres tamaños de capa (16, 32 y 64 neuronas). Además, se incorporó como entrada una codificación one-hot encoding de la provincia correspondiente, lo que permitió al modelo distinguir entre dinámicas geográficas distintas sin introducir sesgos numéricos. La evaluación se realizó utilizando las métricas MAE, RMSE, MSE y MAPE. Los resultados muestran que una RNN simple con ventana de 24 meses y 16 neuronas obtiene el menor error en el conjunto de prueba (RMSE = 39.2742), superando levemente a configuraciones más complejas. Aunque las arquitecturas LSTM y GRU mostraron buen rendimiento con ventanas más cortas, y la BiLSTM alcanzó resultados similares, esta última no es aplicable en contextos de predicción en tiempo real. En conjunto, los resultados sugieren que, bajo condiciones de estabilidad relativa en las series de precios, los modelos de menor complejidad bien ajustados pueden ser tan efectivos como las redes avanzadas, destacando la importancia de una adecuada selección de hiperparámetros y del horizonte temporal considerado.

Short-term housing price prediction has become a key component in economic analysis and decision-making for both individual investors and public and private institutions. Its importance lies in the ability to anticipate market trends, manage financial risks, and formulate housing access policies in dynamic urban contexts. Traditionally, this task has been approached using linear statistical models such as ARIMA or SARIMA, which are effective in stationary contexts with low volatility. However, various studies have reported some limitations in real-world scenarios, where price series exhibit nonlinear patterns, long-term dependencies, and high spatial heterogeneity. A review of the literature reveals a growing adoption of Machine Learning and Deep Learning techniques, especially neural architectures such as LSTM, GRU, and BiLSTM. These models have demonstrated a remarkable ability to capture complex relationships in time sequences, improving predictive accuracy in multiple contexts, although their application in the Spanish real estate sector remains incipient, particularly at the provincial or municipal level. This study addresses housing price prediction in Spain through the implementation and comparative evaluation of several recurrent neural network architectures: simple RNN, LSTM, GRU, and BiLSTM. To this end, monthly historical data were extracted from the Idealista portal for five Spanish provinces. Short-term predictions (one month ahead) were performed, experimenting with three time windows (12, 24, and 36 months) and three layer sizes (16, 32, and 64 neurons). Additionally, a one-hot encoding of the corresponding province was included as input, allowing the model to distinguish between different geographic dynamics without introducing numerical bias. Evaluation was conducted using the MAE, RMSE, MSE, and MAPE metrics. The results show that a simple RNN with a 24-month window and 16 neurons achieved the lowest error on the test set (RMSE = 39.2742), slightly outperforming more complex configurations. Although LSTM and GRU architectures showed good performance with shorter windows, and BiLSTM achieved similar results, the latter is not applicable in real-time prediction contexts. Overall, the results suggest that, under conditions of relative stability in price series, well-tuned lower-complexity models can be as effective as advanced networks, highlighting the importance of proper hyperparameter selection and the considered time horizon.