Please use this identifier to cite or link to this item: https://hdl.handle.net/10419/201829 
Year of Publication: 
2019
Citation: 
[Journal:] DIW Wochenbericht [ISSN:] 1860-8787 [Volume:] 86 [Issue:] 32 [Publisher:] Deutsches Institut für Wirtschaftsforschung (DIW) [Place:] Berlin [Year:] 2019 [Pages:] 547-555
Publisher: 
Deutsches Institut für Wirtschaftsforschung (DIW), Berlin
Abstract: 
Die Preise für Immobilien sind in vielen Ländern in den vergangenen Jahren deutlich gestiegen und es wächst die Sorge, dass sich erneut spekulative Preisblasen bilden. Für politische Entscheidungsträger kann es dabei schwer sein, den richtigen Zeitpunkt für regulierende Eingriffe in den Markt zu erkennen. In diesem Bericht wird gezeigt, wie moderne Methoden des maschinellen Lernens genutzt werden können, um spekulative Preisübertreibungen frühzeitig vorherzusagen. So zeigen die Prognosemodelle, dass die Risiken in vielen OECD-Ländern wieder sehr hoch sind. In Deutschland ist eine explosive Preisentwicklung festzustellen, die sich von den Erträgen von Immobilien entkoppelt hat. Allerdings weist das Prognosemodell darauf hin, dass sich das Risiko in den kommenden Monaten auf hohem Niveau etwas reduzieren wird. Leider ist das Instrumentarium prophylaktischer Maßnahmen in Deutschland noch nicht ausreichend. So fehlt es beispielsweise an Eingriffsmöglichkeiten, die auf die Verschuldungsobergrenzen von Haushalten abstellen. Auch ist unklar, ab wann die Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) in den Markt eingreifen kann.
Subjects: 
early warning system
speculative housing price bubble
panel logit
decision tree
random forest
support vector machine
JEL: 
C25
C53
E32
Persistent Identifier of the first edition: 
Document Type: 
Article

Files in This Item:
File
Size
512.12 kB





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.