sovconsult |
Ранг: |
Кандидат |
Местонахождение |
Санкт-Петербург |
|
Предыдущий визит: |
Wednesday, September 06, 2023 2:36:39 PM |
|
ФИО |
Murashev
Kirill
|
Дата рождения |
6/24/1985 |
Пол |
Мужской
|
E-mail |
kirill.murashev@gmail.com
|
Страна |
Эстония |
Область, край, республика |
Санкт-Петербург |
Город |
Санкт-Петербург
|
Адрес |
Tallinn
|
URL |
www.sovconsult.se
|
В какой СРО оценщиков состоит |
09 - СПО Некоммерческое партнерство Саморегулируем |
Специализация |
оценщик действующего предприятия (бизнеса) |
оценщик недвижимости |
оценщик машин и оборудования |
оценщик нематериальных активов |
оценщик ценных бумаг |
оценщик автотранспорта |
юрист |
|
Форма обучения |
СПбГИЭУ
Машиностроение
2007
очная (дневная)
|
Год начала оценочной деятельности |
2008
|
Оценочная деятельность |
СПбГУ
28.02.11
|
Место работы |
ООО "Линкор"
Директор по оценке
|
|
|
|
Мамаев Денис Леонидович сообщал(а):
Пользуйтесь.) Я уже сам не сильно помню, как что сделано. Работает и работает. Это промежуточный проект.
|
Мамаев Денис Леонидович сообщал(а):Спасибо за датасет. Интересно узнать ваше мнение о сервисах типа Data Hub, например этом. На ваш взгляд, жизнеспособная в российских реалиях схема сбора, хранения и использования оценщиками данных должна быть преимущественно распределенная (индивидуально, на базе оценочных компаний, региональных объединений) или преимущественно централизованная (например, обязанность платить СРО за данные)?
Ваша ссылка не открывается. Мне кажется, что озёра данных --- слишком ценный продукт, чтобы кто-то стал его выкладывать на сайте СРО бесплатно. Пока самое реальное, на мой взгляд, это корпоративные базы. Но это ударит по мелким оценщикам, которые не смогут иметь свои.
|
Предлагаю вниманию отчёт об оценке нового типа. Отчёт обезличен и может спокойно гулять по сети. Возможно, это один из первых full data-driven отчётов об оценке на русском языке и согласованный с российскими стандартами оценки. Все расчёты выполнены на Python. Практически весь текст написан не человеком, а GPT 4. На самом деле, не нужны никакие корректировки, справочники и т.п. Нужны только наборы данных и минимальные знания статистики и методов машинного обучения. Основные этапы оценки: 1) геоаналитика: в данном конкретном случае относительно простая в силу локальности рынка; 2) описательные статистики рынка; 3) проверка статистических гипотез о распределении; 4) определение значимых и незначимых признаков; 5) построение регрессионных моделей ценообразования и их применение к объекту оценки; 6) построение моделей на базе решающих деревьев; 7) согласование результатов: в данном случае все 9 моделей отработали настолько удачно, что разбег был только 6%, так что как таковое согласование не потребовалось.
В целом, в отчёте заложено 90% того, что нужно оценщику типовых объектов в 2023 году.
Отчёт. Код.
|
Мамаев Денис Леонидович сообщал(а):sovconsult сообщал(а):два варианта sovconsult сообщал(а):по трём вариантам ИМХО избыточно. Такие подробности больше добавляют неопределенности в головах, чем увеличивают определенность в отрасли. Чей сервис геокодинга? Под вашим аккаунтом работает? Сколько запросов составляет бесплатная квота?
Пешеходная и транспортная доступность отдельно могут быть полезны. Лимита нет, если не бомбить сервис 1000 запросов в секунду. Это через API Google, бесплатно.
|
1. Открытый датасет для оценщиков на основе реальных данных.
Скидки на торг на вторичном рынке квартир с января 2019 по февраль 2023. Данные обновлялись ежемесячно. Есть практически все регионы РФ. Данные взяты от Сбера (т.е. цены сделок из Домклика). Датасет в формате базы данных.
Пример запроса для данных о скидке на торг в Санкт-Петербурге в декабре 2021 года.
SELECT Region, (SELECT Value FROM summary WHERE Date = '2021-12-31' and Region = 'City of Saint Petersburg' and Market = 'aftermarket') / (SELECT Value FROM summary WHERE Date = '2021-12-01' and Region = 'City of Saint Petersburg' and Market = 'aftermarket') AS Bargaining_discount FROM summary WHERE Region = 'City of Saint Petersburg' LIMIT 1;
https://github.com/Kirill-Murashev/datasets/blob/main/Saint-Petersburg/discont/Disc_on_barg-aparts-rus.db
2023-03-30. Добавлены данные по первичному рынку.
2. Открытая база данных по срокам экспозиции квартир на рынке регионов РФ за период с января 2019 по февраль 2023 на основе данных Сбериндекс. Для использования требуется SQLite. Пример запроса: SELECT region, value FROM exposure WHERE region = 'Republic of Karelia' AND date='2022-01-01';
https://github.com/Kirill-Murashev/datasets/blob/main/exposure_time/exposure_period_apts_sec-rus.db
|
1. Геокодирование и расчёт дистанции между объектами.
Разработал электронную таблицу (Google Sheets), получающую координаты объектов по их адресу либо названию, которая затем рассчитывает расстояние между ними. Обеспечивает определённую степень автоматизации при работе с геоданными для оценщиков. Видеоинструкция на русском языке.
https://docs.google.com/spreadsheets/d/1reaO4XeWRMj7XoDCROp5boWp1uvc-3Cqk4DKKdCuVtE/edit?usp=sharing
Продолжение темы обеспечения инфраструктуры пространственных данных для оценщиков.
Доработал таблицу. Теперь она предлагает два варианта расчёта расстояния: 1) ранее реализованный вариант расчёта кратчайшего расстояния на поверхности сферы (haversine); 2) расчёт расстояния с учётом дорожной сети (blockhouse) по трём вариантам: а) пешеход; б) автомобиль; в) общественный транспорт. Помимо расстояния также проводится примерный расчёт времени на перемещение между двумя точками.
https://docs.google.com/spreadsheets/d/1reaO4XeWRMj7XoDCROp5boWp1uvc-3Cqk4DKKdCuVtE/edit?usp=sharing
|
Владимир Коломна сообщал(а):http://sroroo.ru/press_center/news/3709917/
"СЕРВИС ОЦЕНКИ НЕДВИЖИМОСТИ НА ОСНОВЕ ИИ «ОЦЕНКА.TECH» ПРИВЛЕК 9 МЛН РУБЛЕЙ 14 Февраля 2023 Сервис оценки недвижимости на основе искусственного интеллекта (ИИ) «Оценка.tech» привлек 9 млн рублей на pre-seed-раунде, сообщил RB.RU представитель компании. Инвестором выступил бизнес-ангел Ильдар Гамилов. «Оценка.tech» представляет собой сервис на основе ИИ, который позволяет автоматически производить оценку объектов недвижимости. Ее заказывают заемщики для получения ипотечного кредита либо его рефинансирования..."
sovconsult, все уже изобретено и работает))) Еще один момент по игре с данными: в соседней ветке - появился вопрос - тут же г-н Яскевич со своим наиновейшим справочником с циферькой)))
Есть сайт ocenka.tech. Это они? Пока не могу сказать ничего определённого. Методы работы не раскрыты.
|
blinov-a-v сообщал(а):sovconsult сообщал(а):Я понял Вашу идею так: есть "правильная" индивидуальная оценка, и есть задача проверить, насколько хорошо справится массовая оценка. Здесь вопрос в том, что кто может дать гарантию, что индивидуальная действительно правильная. Напротив, моя практика показывает, что увеличение объема выборки с применением многофакторных моделей часто дает более высокую точность оценки (меньший доверительный интервал для регрессионного среднего по сравнению с доверительным интервалом мат.ожидания по малой выборке). Но до определенной степени. При дальнейшем увеличении объема выборки (и количества параметров модели) точность падает. Отсюда задача: найти золотую середину. Показать практическую значимость этой задачи лучше всего на базе множества подвыборок из одной базы данных. А поскольку процесс формирования и отладки модели достаточно сложно алгоритмизировать, тут как раз могут быть полезны методы AI. Которые в дальнейшем можно использовать в практической оценке, показав таким образом их эффективность. Вы затронули тему одновременного увеличения количества аналогов и признаков. Связь между "хорошим" соотношением числа одних и других никем теоретически не исследована. То есть работ и рекомендаций хватает, но они чисто эмпирические. На мой взгляд, связь примерно квадратическая. То есть увеличение числа признаков требует огромного непропорционального увеличения числа аналогов. Задам встречный вопрос: какое количество аналогов Вы считаете максимально достижимым для оценщика на практике. А я скажу в ответ, какое число признаков, на мой взгляд, максимально применимо в такой ситуации. Обсудим это. Сделать много подвыборок как раз несложно. У меня есть готовый датасет с 2355 наблюдениями. Можно из него сделать несколько сотен подвыборок.
|
Владимир Коломна сообщал(а):
Всё было сказано ещё на МКОД 2021. И да, справочники — это не оценка.
|
blinov-a-v сообщал(а):Вот только я не понял, какое отношение данная программа имеет к machine learning methods. В общем-то нет какой-то чёткой границы между статистикой, машинным обучение, искусственным интеллектом, глубоким анализом данных и т.д. Есть много материалов на эту тему, картинок и сравнительных таблиц. Но в целом, это всё про одно: как вытащить знания из данных. Я субъективно в большей степени отношу к статистике методы, непосредственно связанные со статистическим выводом. И к машинному обучению те, где идея другая. Плюс чисто статистические методы всегда имеют строгое математическое обоснование. А методы машинного обучения далеко не всегда. У Jackknife нет особой теоретической базы. Он "просто работает".
blinov-a-v сообщал(а):Имея базу данных и средства ее оперативной обработки, я бы прежде всего заинтересовался возможностью сравнения результатов индивидуальной оценки (на малых однородных выборках) с результатами оценки на основе многофакторных регрессионных моделей с пошаговым увеличением количества параметров и объема выборки. Я понял Вашу идею так: есть "правильная" индивидуальная оценка, и есть задача проверить, насколько хорошо справится массовая оценка. Здесь вопрос в том, что кто может дать гарантию, что индивидуальная действительно правильная.
blinov-a-v сообщал(а):И тут AI как раз может быть полезен для выявления оптимального объема выборки. Это не совет Вам и, тем более, не упрек; так, мысли вслух. Можно рассчитать объём выборки в standalone режиме. Например, путём развития метода MDE. Он предназначен для определения максимально возможной точности при заданных параметрах. Но из его формулы можно вывести и объём выборки, используя требуемую точность как входной параметр.
|
|