近年来，大型金融机构对创建和维护房地产估值模型很感兴趣。主要目的是使用可靠的历史数据，以便能够全面预测新物业的价格，并为预测的不确定性提供一些指示。在本文中，我们开发了一个自动估值模型(AVM)，用于使用希腊历史价格的大型数据库进行房地产估值．

希腊房地产市场是一个效率低下、非同质化的市场，仍处于起步阶段，受信息缺乏的影响。因此，为希腊房地产市场建模是一个非常有趣和具有挑战性的问题。

现有的数据涵盖了各个时期的广泛属性，包括导致房地产市场动态发生巨大变化的希腊金融危机时期。我们制定和比较线性和非线性模型基于回归，享乐方程和人工神经网络。对每种方法的预测能力进行样本外评价。特别注意衡量预测的成功程度，同时也注意识别导致较大预测误差的属性特征。最后，通过分析每种预测方法的优缺点和性能，应用组合预测规则来提高预测精度。我们的结果表明，所提出的方法构成了一个在非同质的，新开发的市场房地产估值的准确工具。

我们对四个不重叠的数据集进行了广泛的样本外分析。与以往的研究相比，我们的研究结果表明，nn的表现不断优于传统的估值方法。在这项研究中，提出的神经网络进行了微调，并采取了额外的注意，以避免过拟合。

最后，我们尝试识别导致较大预测误差的属性特征。我们的结果表明，当住宅面积大于120m2或房产为房屋或包括大面积土地时，预测误差会增加。同样，非常古老的房产(建于1950年之前)也会导致更大的预测误差。然而，值得一提的是，我们的分析表明，神经网络对这些特征的变化不太敏感

这项研究的结果可能会产生重大的政策和财政影响。它可以帮助政府和公共部门，如商业银行。首先，它可以帮助中央和地方政府在宏观和微观层面规划和实施财政政策，并可以促进经济和发展的可持续性。

第二，对商业银行的经营效率有重大影响。所提出的AVM可适用于抵押贷款质量控制或评估审查、损失减轻分析、投资组合估值和评估过程重新设计等应用。

这项研究已发表在运筹学学会杂志这是安东尼斯·k·亚历山德里迪斯博士的合作成果，迪米特里奥斯·卡里斯，迪米特里奥斯·帕帕斯塔莫斯和迪米特里奥斯·安德里索斯。