Ocenenie

Čo je automatizovaný model oceňovania nehnuteľností a ako ho využívajú poisťovne a banky

Automatizovaný model oceňovania nehnuteľností (AVM) je štatistický model, ktorý odhaduje trhovú hodnotu nehnuteľnosti na základe jej zaznamenaných vlastností a polohy, a to bez fyzickej obhliadky. Banky ho využívajú na monitorovanie zabezpečenia a poisťovne na kontrolu poistných súm. Podľa usmernenia EBA/GL/2020/06 môže byť nápomocný znalcovi pri poskytnutí úveru, ale nemôže ho nahradiť.

§ 210
Odsek v usmernení EBA/GL/2020/06, ktorý povoľuje ocenenie na diaľku podporené štatistickým modelom, za ktoré zodpovedá znalec: 7,6 %
mediánová absolútna percentuálna chyba modelu pre byty (gradient boosting) na testovacej vzorke 16 037 nehnuteľností, oproti 14,5 % pri hedonickom modeli: 20 %
miera nepresnosti pre rozptyl AVM najčastejšie uvádzaná v štandardoch European AVM Alliance, keďže neistota modelu aj referenčnej hodnoty je asi 10 %: 3 roky
maximálny interval medzi prehodnocovaním hodnoty zabezpečenia nehnuteľnosťou na bývanie podľa článku 208 ods. 3 nariadenia CRR; jeden rok pri komerčných nehnuteľnostiach: ~250
počet nespracovaných vstupných premenných jedného produkčného modelu pre byty, približne 800 po tzv. one-hot encodingu

Čo je AVM a čo ním nie je

Automatizovaný model oceňovania nehnuteľností (AVM) je štatistický model, ktorý premieňa opis nehnuteľnosti (jej polohu, veľkosť, typ a stav) na odhad jej trhovej hodnoty, a to bez fyzickej obhliadky a bez ľudského posúdenia konkrétneho prípadu. Organizácia European AVM Alliance (EAA), ktorej štandardy v treťom vydaní nadobudli účinnosť 1. marca 2022, zaraďuje AVM na vrchol rebríčka štyroch štatistických metód oceňovania: jednoparametrové ocenenia (cena za meter štvorcový pre danú oblasť), indexy cien nehnuteľností (zmena aplikovaná na predchádzajúcu hodnotu), hedonické modely (hodnota ako funkcia vlastností) a AVM založené na porovnateľných nehnuteľnostiach, ktoré pre každý oceňovaný objekt vyberajú a upravujú podobné nedávne predaje. Výstup sa považuje za AVM preto, lebo je špecifický pre danú nehnuteľnosť, reprodukovateľný a vytvorený bez účasti znalca.

AVM nie je znalecký posudok. Znalecký posudok je ocenenie vypracované znalcom, ktorý zaň preberá zodpovednosť; AVM je štatistický výpočet so známym rozdelením chýb. Taktiež to nie je index: index hovorí, ako sa vyvíjali ceny, AVM určuje súčasnú hodnotu konkrétnej nehnuteľnosti. A nie sú to ani náklady na znovuobstaranie. Trhová hodnota z AVM zahŕňa pozemok, lokalitu a dopyt, no poistná suma v poistení nehnuteľnosti je zvyčajne nákladom na znovuobstaranie, ktorý tieto tri zložky vylučuje. Jeden znalecký posudok panelového bytu s plochou 70 m² z roku 2025 tento rozdiel dobre ilustruje: náklady na znovuobstaranie 1 400 EUR/m², hodnota zabezpečenia 1 064 EUR/m² a ponukové ceny porovnateľných bytov v rozmedzí 1 667 – 2 190 EUR/m². Poisťovaciemu aspektu sa venuje sprievodca nákladmi na znovuobstaranie.

Vstupy: čo model potrebuje vedieť

AVM pre nehnuteľnosti na bývanie spracúva krátky zoznam údajov o samotnej nehnuteľnosti a dlhý zoznam údajov odvodených z jej súradníc. Tabuľka uvádza vstupy, ktoré najviac ovplyvňujú výslednú hodnotu, ich zvyčajné zdroje a problémy, ktoré nastanú, ak chýbajú alebo sú nesprávne. Uvedené prípady zlyhania nie sú hypotetické, ale pochádzajú z reálnej prevádzky jedného produkčného modelu.

Vstup	Význam	Zvyčajný zdroj	Príklad zlyhania
Adresa alebo súradnice	Poloha je dominantný faktor; model sa učí cenovú úroveň pre každý okres a mesto priamo z dát.	Geokodér, kataster nehnuteľností, register adries	Chýbajúce geopriestorové obohatenie dát viedlo k nadhodnoteniu bytov v malých mestách o 30 až 45 %.
Podlahová plocha	Cena rastie s veľkosťou, ale menej ako úmerne: odhadovaná elasticita ceny od plochy v jednom hedonickom modeli bola 0,23 (po zohľadnení počtu izieb).	Kataster nehnuteľností, spoluvlastnícky podiel, údaje z inzerovanej ponuky	Bez plochy niet ocenenia; model vráti strojovo čitateľný dôvod, napr. `no_area`.
Druh nehnuteľnosti a dispozícia	Byt, rodinný dom, chata a pozemok sa oceňujú v odlišných reláciách; počet izieb do veľkej miery vysvetľuje vplyv veľkosti.	Údaje z inzerovanej ponuky, kataster nehnuteľností, klasifikátor	Rodinné domy sa posielajú do samostatného modelu (mediánová chyba okolo 13 %) a chaty do ďalšieho (15 až 18 %).
Stav	Novostavba, po rekonštrukcii, pôvodný stav: najvýznamnejší faktor okrem polohy.	Uvedený stav, skóre stavu z fotografií na škále 0 až 100	Ak by sa neznámy prvok vybavenia považoval za chýbajúci namiesto neznámeho, ceny novostavieb by to nesprávne znížilo o 15 až 25 %.
Podlažie a celkový počet podlaží	Prízemie a najvyššie podlažie sa predávajú so zľavou alebo prirážkou v závislosti od typu budovy.	Údaje z inzerovanej ponuky, kataster nehnuteľností	Chýbajúce hodnoty spracúva model vlastnou vetvou pre chýbajúce hodnoty, nepoužije sa predvolená hodnota.
Rok výstavby a rok rekonštrukcie	Vplyv veku je monotónny: staršia budova nesmie byť nikdy ocenená na viac ako identická novšia.	Kataster nehnuteľností, register stavieb, odhad znalca	Neplatný rok (napríklad 99999) sa bez upozornenia odstráni, aby nespôsobil zlyhanie požiadavky.
Stavebný materiál	Panel, tehla a betón sú spojené s odlišnou mierou opotrebenia a preferenciami kupujúcich.	Inzerovaná ponuka, register stavieb	Pri dvojici protichodných údajov (napr. novostavba a zároveň panel) sa protichodný údaj odstráni.
Fotografie	Skóre vizuálneho stavu vypĺňa medzeru tam, kde je málo štruktúrovaných údajov; pri chatách je to najvýznamnejší parameter.	Fotografie z ponuky	Ak chýbajú fotografie, skóre stavu sa neurčí, čo rozširuje pásmo chyby odhadu.

Zdroj: Vstupy a prípady zlyhania z modelovej dokumentácie Bytero Engine.

Typy modelov: hedonická regresia verzus gradient boosting

Dominujú dva typy modelov. Hedonický model vyjadruje logaritmus ceny ako vážený súčet atribútov, vďaka čomu možno každý koeficient interpretovať a obhájiť. Stromové modely s metódou gradient boosting (XGBoost a podobné knižnice) sa automaticky učia interakcie a nelinearity a sú bežnou voľbou v produkčnom nasadení, kde je cieľom presnosť. Porovnanie nižšie hodnotí oba typy modelov natrénované na rovnakom súbore 81 311 záznamov o predaji bytov, s rovnakým rozdelením na trénovacie a testovacie dáta v pomere 80/20 (64 148 trénovacích a 16 037 testovacích záznamov) a s rovnakou cieľovou premennou (logaritmus ceny). Rozdiel vo výsledkoch je teda daný iba formou modelu.

Typ modelu	Princíp modelu	Výsledok na testovacom súbore	Výhody	Nevýhody
Metóda najmenších štvorcov, ridge, lasso, elastic net (log-lineárny hedonický model)	Vážený súčet 81 vytvorených premenných (features) v logaritmickom priestore, spätne transformovaný s korekciou (smearing correction).	MAPE približne 23 %, mediánová APE 14,5 %, R2 v logaritmickom priestore 0,70; regularizácia takmer neovplyvnila presnosť modelu a metóda lasso ponechala 68 z 81 atribútov	Každý koeficient predstavuje zrozumiteľný vplyv na cenu; nízke nároky na výpočtový čas pri trénovaní a vysvetľovaní; stabilita.	Nedostatočne zachytáva štruktúru dát (underfitting): rozdiel oproti metóde boosting je spôsobený nedostatočnou flexibilitou lineárneho modelu, nie jeho preučením (overfitting).
Gama GLM (zobecnený lineárny model) s logaritmickou linkovacou funkciou	Predikuje cenu priamo v eurách s multiplikatívnou chybou.	MAPE 24,9 %	Výstup priamo v menovej jednotke; známy prístup pre poistných matematikov.	Na tomto súbore údajov neposkytuje lepšie výsledky ako lineárny hedonický model.
Stromové modely s metódou gradient boosting (XGBoost, kvantilový medián s dolným pásmom)	Súčet mnohých plytkých rozhodovacích stromov s monotónnymi obmedzeniami pre plochu, stav, vek a vzdialenosť.	MAPE 12,9 %, medián APE 7,6 %, R2 v logaritmickom priestore 0,876	Približne polovičná chyba; zachytáva interakcie; monotónne obmedzenia znižujú presnosť o približne 1 percentuálny bod, ale odstraňujú nelogické závislosti.	Neexistujú koeficienty; vysvetlenie vyžaduje atribúciu dôležitosti premenným (feature attribution); vyžaduje disciplínu pri pretrénovaní modelu.
Založený na porovnateľných nehnuteľnostiach (najbližšie predaje)	Vyberie podobné nedávne predaje a upraví ich ceny podľa oceňovanej nehnuteľnosti.	Pridanie premennej s cenou najbližšej porovnateľnej nehnuteľnosti do modelu s metódou boosting v jednom z testov neprinieslo takmer žiadne zlepšenie.	Najviac sa podobá postupu znalca; každý výsledok je podložený konkrétnymi príkladmi.	Vyžaduje hustú sieť nedávnych transakčných údajov; nespoľahlivý tam, kde je málo predajov alebo sú neverejné.

Zdroj: Porovnanie lineárneho modelu a modelu s metódou gradient boosting pre byty od spoločnosti Bytero na rovnakom slovenskom testovacom súbore (hold-out), 2026; MAPE = stredná absolútna percentuálna chyba, APE = absolútna percentuálna chyba.

Metriky chybovosti: ako sa meria presnosť AVM

Štandardy EAA delia presnosť na systematickú chybu (bias) a rozptyl (dispersion). Systematická chyba je tendencia systematicky nadhodnocovať alebo podhodnocovať, meraná priemerom alebo, lepšie, mediánom chyby oproti referenčnej hodnote, ako je napríklad realizovaná cena. Rozptyl je rozmedzie chýb bez ohľadu na znamienko a štandardy uvádzajú tri spôsoby jeho vykazovania: smerodajnú odchýlku, priemernú absolútnu chybu a podiel ocenení v tolerancii ±10 %, ±15 % a ±20 % od referenčnej hodnoty. Najčastejšie sa uvádza 20-percentné pásmo s odôvodnením, že model aj referenčná hodnota majú vlastnú vnútornú neistotu približne 10 %, takže dve hodnoty sa môžu líšiť až o 20 % bez toho, aby bola niektorá z nich nesprávna. Priame porovnania medzi dodávateľmi musia používať rovnaké pásmo na rovnakej vzorke.

Dve metriky z uvedeného porovnania si zaslúžia vysvetlenie. Mediánová absolútna percentuálna chyba (MedAPE) je chyba pri typickej nehnuteľnosti: polovica testovaných nehnuteľností bola ocenená s odchýlkou do 7,6 % modelom s metódou gradient boosting a do 14,5 % hedonickým modelom. Strednú absolútnu percentuálnu chybu (MAPE) zvyšuje malý počet ťažko oceniteľných prípadov, preto pri rovnakých modeloch dosahuje hodnoty 12,9 % a 23 %. Koeficient R2 na logaritmickej škále vyjadruje podiel vysvetlenej variability cien; R2 na škále v eurách je pri logaritmických modeloch nestabilný, pretože ho ovplyvňuje malý počet luxusných nehnuteľností, a nemal by sa používať na porovnávanie modelov. Chyba sa musí merať na testovacom súbore údajov, ktorý model nikdy predtým nevidel, a pri priestorových údajoch by rozdelenie malo ponechať susediace nehnuteľnosti v rovnakej časti, inak dochádza k úniku informácií (tzv. leakage), ktorý umelo zlepšuje všetky metriky.

Dve ďalšie veličiny sa často zamieňajú s presnosťou. Hit rate podľa EAA je podiel nehnuteľností, ktoré spĺňajú vstupné požiadavky modelu a pre ktoré model vypočíta hodnotu; model môže byť presný, ale odmietnuť prípady s nedostatočnými údajmi. Miera spoľahlivosti je odhad spoľahlivosti pre každú nehnuteľnosť; štandardy vyžadujú, aby bola prediktívna, teda preložiteľná do prognózovanej smerodajnej odchýlky, a odsek 210 usmernení EBA ju vyžaduje vždy, keď model podporuje ocenenie bez fyzickej obhliadky. Jeden produkčný model počíta skóre spoľahlivosti od 0 do 100 z váženej úplnosti 35 vstupných stĺpcov, ktoré číta, s príznakmi pri hodnotách pod 85 a pod 60.

Čo povoľujú usmernenia EBA a nariadenie CRR

Pravidlá pre európske banky sa nachádzajú na dvoch miestach: v nariadení o kapitálových požiadavkách (CRR, nariadenie (EÚ) č. 575/2013) a v Usmerneniach EBA o poskytovaní a monitorovaní úverov (EBA/GL/2020/06), ktoré sa uplatňujú od 30. júna 2021. V usmerneniach sa AVM (automatizovaný model oceňovania nehnuteľností) označuje ako pokročilý štatistický model a explicitne sa v nich uvádza, kedy môže podporiť ocenenie a kedy sa môže použiť samostatne.

Fáza	Čo hovorí predpis	Kde
Politika	Inštitúcie stanovia prístupy k oceňovaniu, ktoré znalec používa, a využívanie pokročilých štatistických modelov pre každý typ zabezpečenia; prístupy musia byť obozretné a primerané	EBA GL/2020/06 § 206
Poskytnutie úveru, zlyhanie	Hodnotu zabezpečenia nehnuteľným majetkom posudzuje interný alebo externý znalec na základe úplnej obhliadky s interným a externým posúdením	§ 209
Poskytnutie úveru, výnimka	V prípade nehnuteľností na bývanie na dobre rozvinutých a vyspelých trhoch je povolené ocenenie bez fyzickej obhliadky vykonané znalcom s podporou pokročilého štatistického modelu; znalec zostáva zodpovedný, model musí obsahovať mieru spoľahlivosti a nízka spoľahlivosť si vyžaduje použitie inej metódy	§ 210
Monitorovanie	Indexy a štatistické modely používané na monitorovanie zabezpečenia musia byť dostatočne granulárne, vhodné pre dané aktívum a produkt a založené na dostatočne dlhom časovom rade pozorovaných transakcií a znaleckých posudkov	§ 223; CRR čl. 208 ods. 3 vyžaduje monitorovanie aspoň raz ročne pre komerčné nehnuteľnosti a každé tri roky pre nehnuteľnosti na bývanie a povoľuje použitie štatistických metód na monitorovanie a na identifikáciu nehnuteľností, ktoré si vyžadujú precenenie
Precenenie po podstatnom poklese	Precenenie vykonáva znalec, ktorý môže byť podporený pokročilým štatistickým modelom, ktorý spĺňa oddiel 7.4; model nemôže byť jediným prostriedkom	§ 225 s odkazom na CRR čl. 208 ods. 3 písm. b)
Precenenie v ostatných prípadoch	Hodnotu môže aktualizovať znalec alebo vhodný štatistický model, ktorý spĺňa oddiel 7.4 a zohľadňuje nehnuteľnosť a jej lokalitu	§ 226
Kritériá pre model	Špecifický pre nehnuteľnosť a lokalitu s dostatočnou granularitou (príkladom je PSČ), validovaný a spätne testovaný na pozorovaných transakčných cenách, natrénovaný na veľkej reprezentatívnej vzorke transakcií, postavený na aktuálnych a vysokokvalitných údajoch; dokumentácia je priebežne aktualizovaná; inštitúcia zodpovedá za výkonnosť modelu a znalec za ocenenie	§ 236 až 239

EBA/GL/2020/06, záverečná správa, oddiel 7; Nariadenie (EÚ) č. 575/2013, článok 208.

Ako poisťovne využívajú AVM

Poisťovne využívajú trhovú hodnotu na iný účel ako banky. Poistná suma budovy je zvyčajne stanovená ako náklady na znovuobstaranie, ale pri bytoch viaceré poisťovne formulujú svoje podmienky na základe trhovej hodnoty, niekedy len v prípadoch, keď presahuje náklady na znovuobstaranie, a pri byte určenom na odstránenie vyplácajú poistné plnenie vo výške trhovej hodnoty do stanoveného limitu. AVM je preto referenciou pre kontrolu poistnej sumy pri bytoch: dosahuje poistná suma v zmluve hodnotu opísanú v podmienkach? Ak je základom poistenia náklad na znovuobstaranie, AVM je nesprávne číslo a správnym nástrojom je model na výpočet nákladov; kontrola portfólia si vyžaduje oba, aplikované podľa poisťovne a typu nehnuteľnosti.

Druhé využitie v poisťovníctve je obnova poistenia a indexácia. Poistné sumy sa ročne indexujú podľa indexu stavebných prác alebo indexu cien nehnuteľností na bývanie a prepočet celého portfólia pomocou AVM ukáže, kde indexácia pri bytoch zaostala za trhom alebo ho predbehla. Tretím je kontext pre upisovanie rizík: porovnanie trhovej hodnoty s nákladmi na znovuobstaranie identifikuje nehnuteľnosti, pri ktorých by totálna škoda majiteľovi neumožnila kúpiť ekvivalentnú nehnuteľnosť, čo je zdrojom sporov. Náklady na znovuobstaranie odvodené z objemu budovy zmeraného technológiou LiDAR (letecké laserové skenovanie) uzatvárajú kruh; pozrite si sprievodcu výpočtom nákladov na znovuobstaranie pomocou LiDAR.

Ako banky využívajú AVM

Hlavným využitím v bankovníctve je monitorovanie LTV (pomeru výšky úveru k hodnote zabezpečenia). Článok 208 ods. 3 nariadenia CRR vyžaduje, aby sa hodnota zabezpečenia nehnuteľnosťou na bývanie monitorovala aspoň každé tri roky a hodnota zabezpečenia komerčnou nehnuteľnosťou aspoň raz ročne, a povoľuje použitie štatistických metód na toto monitorovanie a na identifikáciu nehnuteľností, ktoré si vyžadujú precenenie. Prepočet celého portfólia hypotekárnych úverov pomocou AVM poskytne aktuálnu hodnotu a LTV pre každý úver a zoznam úverov, ktoré prekročili hraničnú hodnotu; odsek 223 usmernení EBA stanovuje latku kvality: model musí byť dostatočne granulárny pre dané aktívum a postavený na dostatočnom počte pozorovaných transakcií a znaleckých posudkov.

Precenenie je oblasť, kde usmernenia stanovujú hranicu. Po podstatnom poklese hodnoty vyžaduje odsek 225 ocenenie znalcom, ktorý sa môže o model oprieť, ale nemôže naň preniesť celú úlohu; ak takýto spúšťač nenastane, odsek 226 povoľuje použitie samotného modelu, ak spĺňa požiadavky oddielu 7.4. Poskytnutie úveru zostáva v kompetencii znalca s výnimkou ocenenia bez fyzickej obhliadky podľa odseku 210. Banky, ktoré zavedú AVM, preto pre orgán dohľadu uchovávajú tri artefakty: dokumentáciu modelu, spätné testovanie na pozorovaných cenách a auditnú stopu pre každé ocenenie, ktorá je opísaná nižšie.

Čo obsahuje auditná stopa

Ocenenie, ktoré nie je možné reprodukovať, nie je dôkazom. Odsek 238 usmernení EBA vyžaduje, aby inštitúcie rozumeli metodike, vstupom a predpokladom svojich modelov a udržiavali aktuálnu dokumentáciu; odsek 237 písm. b) vyžaduje spätné testovanie na pozorovaných transakčných cenách. Záznam o každom ocenení by mal obsahovať dostatok informácií na to, aby bolo možné hodnotu prepočítať aj o rok neskôr.

Identita a verzia modelu. Rodina modelov, natrénovaný artefakt a jeho označenie verzie (jeden produkčný model označuje každú hodnotu štítkom ako v3.3 a smeruje rodinné domy a chaty do samostatne označených modelov), aby pretrénovanie modelu potichu nezmenilo starý údaj.
Snímka vstupných údajov. Každý atribút v podobe, v akej bol zadaný a ako bol obohatený (súradnice, vzdialenosti, hustota v rámci PSČ, skóre stavu), so strojovo čitateľným dôvodom pre každý chýbajúci údaj (no_gps, no_area).
Porovnateľné nehnuteľnosti alebo dáta z bunky. Vybrané realizované predaje a úpravy cien pre model porovnateľných nehnuteľností; lokalitná bunka a veľkosť jej vzorky pre hedonický model alebo model s metódou gradient boosting.
Úpravy po modelovaní. Korekcia rozdielu medzi ponukovou a realizovanou cenou a jej parametre: jeden z modelov napríklad uplatňuje regionálnu základnú korekciu na úrovni približne 6 až 9 %, faktor zohľadňujúci vývoj úrokových sadzieb a faktor „staroby“ ponuky, ktorý rastie od 1,0 pri novej ponuke až po 2,0 pri ponuke starej jeden rok.
Miera spoľahlivosti a rozpätie. Skóre spoľahlivosti, dolná hranica intervalu (kvantilový model okrem mediánu poskytuje aj 25. percentil) a prognózovaná štandardná odchýlka, ktorej miera spoľahlivosti zodpovedá.
Vek údajov a časová pečiatka. Dátumy tréningových údajov a trhových údajov načítaných v čase predikcie; uložené ocenenia zostávajú nezmenené, pokiaľ sa nezmení vstupný parameter, ktorý má vplyv na cenu.
Referenčný spätný test (back-test). Protokol z testu na odloženej (hold-out) vzorke, ktorým model prešiel pred nasadením: R2, MAPE (stredná absolútna percentuálna chyba), mediánová absolútna percentuálna chyba (MedAPE) a podiel odhadov v tolerancii ±10 % a ±20 % pre každý segment.

Limity

Kvalita AVM (automatizovaného modelu oceňovania nehnuteľností) závisí od kvality cien, z ktorých sa učil. Tam, kde realizované ceny nie sú verejné, sa modely trénujú na ponukových cenách a musia korigovať rozdiel oproti realizovaným cenám, ktorý nie je ani konštantný, ani malý: jedna z kalibrácií napríklad stanovuje základnú regionálnu korekciu na úrovni od približne 6 % na napätom trhu v hlavnom meste do 9 % vo vidieckych oblastiach, pričom tento rozdiel sa zväčšuje pri raste úrokových sadzieb hypotekárnych úverov a s vekom nepredanej ponuky. Bez tejto korekcie model meria len to, v čo dúfajú predávajúci.

Presnosť sa v jednotlivých segmentoch líši. Byty na husto osídlených trhoch sú jednoduchý prípad; rodinné domy (mediánová chyba okolo 13 % v jednom z produkčných modelov) a chaty (15 až 18 %) sa oceňujú ťažšie, pretože veľkosť pozemku, odľahlosť a stav zohrávajú väčšiu úlohu a sú horšie zaznamenané v dátach. Unikátne nehnuteľnosti, pozemky a čokoľvek mimo tréningovej distribúcie by malo vrátiť nízku mieru spoľahlivosti, nie sebavedomo nesprávne číslo. Aj interpretovateľnosť má svoju cenu: vo vyššie uvedenom porovnaní mal čitateľný hedonický model za svoju transparentnosť o približne 10 percentuálnych bodov vyššiu chybu MAPE a dvojnásobnú mediánovú chybu.

Napokon, AVM odpovedá len na jednu otázku. Neposkytuje náklady na znovuobstaranie, ktoré potrebuje poisťovňa, ani technickú hodnotu po zohľadnení opotrebenia, ktorú uvádza súdny znalec; to sú samostatné, deterministické výpočty. Bytero používa model s metódou gradient boosting (metóda gradientného boostingu) podobný tomu, ktorý bol porovnávaný v tomto texte, s verzovaním pre každé ocenenie, skóre spoľahlivosti a korekciou rozdielu medzi ponukovou a realizovanou cenou, a to popri samostatnom modeli pre výpočet nákladov na znovuobstaranie; metóda je opísaná na stránke Bytero Engine a dostupnosť na jednotlivých trhoch na stránke Kde pôsobíme.

Otázky

Je AVM to isté ako znalecký posudok?

Nie. Znalecký posudok je odborný názor znalca na hodnotu, s ktorým je spojená jeho osobná zodpovednosť; AVM je štatistický odhad s merateľnou distribúciou chýb. Usmernenia EBA/GL/2020/06 ponechávajú zodpovednosť na znalcovi aj v prípade, ak model slúži ako podpora pri ocenení „od stola“ (odsek 210).

Môže banka použiť AVM pri poskytnutí úveru?

Len ako podporný nástroj. Odsek 209 štandardne vyžaduje ocenenie znalcom s kompletnou obhliadkou; odsek 210 povoľuje ocenenie „od stola“ vykonané znalcom s podporou modelu pre nehnuteľnosti na bývanie na vyspelých trhoch za predpokladu, že model poskytuje mieru spoľahlivosti a spĺňa kritériá v oddiele 7.4. Model môže byť jediným nástrojom len pri preceneniach, pri ktorých nebol zaznamenaný podnet na významný pokles hodnoty (odsek 226).

Akú presnosť by mal mať AVM?

Neexistuje žiadna jednotná regulačná hranica. Štandardy European AVM Alliance merajú systematickú chybu (bias) pomocou mediánovej chyby a rozptyl pomocou podielu hodnôt v tolerancii 10, 15 alebo 20 % od referenčnej hodnoty, pričom najčastejšie sa uvádza pásmo 20 %. V porovnaní na tejto stránke dosiahol model s metódou boosting mediánovú absolútnu chybu 7,6 % pri bytoch a lineárny hedonický model 14,5 %.

Určuje AVM poistnú sumu?

Nie priamo. AVM určuje trhovú hodnotu, ktorá zahŕňa aj pozemok a lokalitu. Poistná suma budovy sú zvyčajne náklady na znovuobstaranie, čo je stavebný výpočet. Pri bytoch používajú niektoré poisťovne v podmienkach trhovú hodnotu a v takom prípade je AVM správnym nástrojom; pri rodinných domoch to neplatí.