[Zurück]

M. Presich:
"Investment Risk Modeling and Forecasting of the Property Cycle";
Betreuer/in(nen), Begutachter/in(nen): G. Hanappi, W. Semmler; Institut für Stochastik und Wirtschaftsmathematik - E 105-3, 2016; Rigorosum: 09.02.2016.

In den letzten zehn Jahren kam es zu einem regelrechten Wettruesten an Technologie und verfuegbarer Information an den Finanzmaerkten. [15] Neben den Aktienmaerkten ist auch
der Immobilienmarkt von diesem Fortschritt betroffen.
Vor dem Hintergrund der Finanzkrise im Jahre 2007 ist die zyklische Forschung ein wichtiges Thema geworden, obwohl Blasen von vielen Investoren als Normalitaet im System gesehen werden
3 Aus diesem Grund haben Nationalbanken die UEberwachung der Finanz und vor allem Immobilienmaerkte in eigene Hand genommen und ihr Repertoire an statistischen Variablen erweitert, welche in regelmaeßsigen Abstaenden ueberwacht und interpretiert werden. 4
Banken und Bautraeger treffen oftmals unter den Annahmen des Marktzyklus ihre Anlage- und Projektentscheidungen. Historische Zahlen ueber Mieten zeigen deutlichen den zyklischen
Marktzusammenhang. Getrieben ist diese Vorgehensweise oft durch erfahrene Marktteilnehmer aus Banken und Immobilienbueros, welche die Zeichen des Marktes im Gegensatz zu Branchen Novizen deuten koennen. Jedoch werden diese Annahmen oft in keinen weiteren Analysen miteinbezogen und abgebildet. Andere Studien zeigen, dass das Timing der Investitions- oder Kreditvergabe Entscheidung ein wichtiger Erfolgsfaktor sein kann. [92]
Diese These, ist in zwei große Teile aufgeteilt. Auf der einen Seite werden wir chronologisch die Entwicklung des Wirtschaftszyklus aufzeigen und auf die dahinterliegende Methodik einzelner wichtiger Papier eingehen. Ferner werden wir auch aktuelle Trends auf dem Immobilienmarkt untersuchen und zeigen die Wichtigkeit des technologischen Fortschritt im Zusammenhang mit
statistischen Vorhersagemethoden. Auf der anderen Seite, werden wir eine umfassende Methodik, welche ein tiefergehendes Variablenauswahlverfahren und schließlich mehrere Zeitreihenmodelle umfasst, vorstellen. Unsere Forschung wird sich auf den oesterreichischen Immobilienmarkt konzentrieren. In einem zweiten Teil werden wir diese Prognosen als zyklische Sensitivitaeten sehen und die Ergebnisse durch eine Simulationsengine auf ein synthetisches Immobilienportfolio
projizieren, welches die Auswirkungen des Zyklus zeigt.
Unsere Researchprognosen werden einerseits durch ihre Genauigkeit, jedoch letztendlich durch ihre Vorhesagekraft ausgewertet. Aus diesem Grund wurden eine Reihe von statistischen
Genauigkeitskennzahlen ausgewaehlt, um eine vergleichbare Ansicht unter allen Zeitreihenmod-elle zu gewaehrleisten.
Unsere Ergebnisse legen nahe, dass statistische Prognose des Immobilienzyklus, ein wertvolles Tool fuer Kredit- und Investitionsmoeglichkeiten einerseits fuer Banken und Bautraeger darstellt.
Unsere endgueltigen Ergebnisse legen nahe, dass die genauesten Modellergebnisse fuer unsere Zeitreihenmodell ist ARIMA und Exponential Smoothing. Verglichen mit den Resultaten der
DSCR und LTV in der Simulations Engine, liefern Beide Modelle die Besten Resultate. Jedoch gilt dies nicht fuer alle Modell Outputs, wie Simple Regression und Vector Auto-Regression. Der Grund dafuer liegt darin, dass die Model-Sensitivitaeten sehr stark beeinflusst werden.

3 Siehe die juengsten chinesische Aktienblase, Bloomberg 9. Juli 2015 - http :. //www.bloomberg.com/news/
articles/2015-07-09/who-blew-up-china-s-stock-bubble-.

4 Weitere Informationen entnehmen Sie der Pressemitteilung der Oesterreichischen Nationalbank am 22. Dezember 2014 - https://www.oenb.at/en/Monetary-Policy/real -estate-Markt-Analyse / pressreleases.html.

In the last ten years the available information and used technology has massively increased in financial markets. [15] Besides, stocks this trend has also infected the real estate market. In light of the financial meltdown of 2007, cyclical research has become an important topic again, even though bubbles are somehow seen as normality of the system. 1 Hence, national
banks have taken the monitoring of financial markets much more seriously and expanded their repertoire of statistical variables. 2
Using the assumptions of cyclicality is often done passively by bankers and property developers in their investment decision, even though historical numbers hint these relationships. The reason for this is that more experienced market participant already have seen the patterns and recognize them compared to novices. However, besides having expectations on the future market behavior no further research is often done. However, as other studies show [92] investing or lending within the right timing can be an important determinant of success.
This thesis, is split into two large parts. On the one hand, we will show chronologically the cyclical research, which has been done in the past and pointing out the methodology of each paper.
Further, we will also investigate current trends in the property market and show the rise of technology. On the other hand, we will present a comprehensive methodology, which uses several time-series models to forecast the property cycle. Our research will focus on Austria. All inputs, will be selected by an extensive variable selection process, which will be outlined. As a second
part we will view these forecasts as cyclical sensitivities and simulate each model result, on a synthetic real estate portfolio to show the effects of the cycle.
The forecasts will be evaluated by their accuracy to assess the usefulness of our prediction models. Several accuracy measures have been picked to support a comparable view among all time-series models.
Our results, suggest that forecasting the property cycle helps to identify valuable lending and investment opportunities for bankers and property developers. Our final results suggest that the
most accurate model results for our time series model are yielded by the ARIMA and exponential smoothing methods. This goes inline with the final simulation results of DSCR and LTV, which are the most reasonable for these two models. Still the other methods are accurate in terms of their measurements. However, the vector auto-regression method and simple regression does not yield proper results in the simulation engine. The reason for this are the model´s reactions to sensitivity.

1 See the recent Chinese stock bubble, Bloomberg 9th July 2015 - http://www.bloomberg.com/news/articles/
2015-07-09/who-blew-up-china-s-stock-bubble-.

2 For further information see the press announcement on December 22th, 2014 by the Austrian National Bank -
https://www.oenb.at/en/Monetary-Policy/real-estate-market-analysis/pressreleases.html.