| sovconsult |
| Ранг: |
Кандидат |
| Местонахождение |
Санкт-Петербург |
|
| Предыдущий визит: |
Thursday, March 30, 2023 9:26:22 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
|
|
|
|
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.
|
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.
|
|
Спасибо за отзыв. Переработал материал. Теперь всё корректно.
|
blinov-a-v сообщал(а):sovconsult сообщал(а):Random sample:
[213889. 161667. 148830. 189706. 139382. 231935. 198765. 181985. 210697. 134454. 108974. 150000. 121429. 223214. 177384. 195000. 138900. 221212. 233333. 110754. 83459. 151282. 198780. 145516. 204433.]
The mean of unit price for random sample is 147030.5
The maximum of unit price for random sample is 181481.0
…
As we can see, the expectation is 176116.525, the sample mean is 147030.500, and the adjusted mean obtained by the jackknife method is 170999.200.
У Вас ошибка (выделено жирным). А 170999.200 - это и есть выборочное среднее, а не adjusted mean obtained by the jackknife method. Бурцев И. сообщал(а):Всё проще Все еще проще: сначала сделаем простую арифметическую ошибку, а потом ее доблестно исправим сложным способом. 
Посмотрите код. rs_mean считается функцией ran_sam['price_m'].mean().
|
Данная тема будет содержать перечень готовых бесплатных и свободных программных решений для оценки стоимости и анализа рынка.
1. Вычисление оценок параметров рынка на основе данных малых выборок: английская, испанская и русская версии материала.
Описание:
При анализе данных об открытых рынках оценщики часто сталкиваются с необходимостью оценить некоторые параметры этих рынков. Однако, скорее всего, у них никогда не будет возможности работать с данными по всему рынку. Вместо этого они собирают выборки, содержащие относительно небольшое количество наблюдений. Необходимо понимать, что любая оценка, сделанная на основе выборки, актуальна только для этой выборки. В то время как типичной целью является оценка параметра для всего рынка. В этом случае можно сказать, что любая выборочная оценка может иметь смещение относительно истинного значения всего рынка. Но мы можем частично преодолеть эту проблему, применив метод Jackknife. Данный материал содержит некоторые теоретические основы, а также практическую реализацию на Python.
Upd. Материал переработан.
2. Материал о применении бутстрапа в оценочной деятельности на примере разработки элементов кредитной политики небольшого банка. В целом можно сказать, что данный метод является одним из краеугольных камней машинного обучения и может быть использован практически повсеместно в повседневной практике оценщиков. Материал состоит из небольшой теоретической части, а также кода на языке Python. Доступен на английском, испанском и русском языках.
https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP.ipynb
https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-esp.ipynb
https://github.com/Kirill-Murashev/AI_for_valuers_book/blob/main/Parts-Chapters/Bootstrap/bootstraping_CP-nrs.ipynb
|
Владимир Коломна сообщал(а):Автор и еже с ним, о чем можно вообще говорить, если даже в судебках пишут эксперты про то, что кто-то где-то сказал и это впихивают в судебки)))
Пример: судебка - оценка гаража (Москва) - корректировка на наличие подвала/погреба (со слов риэлтора в Курской области погреб увеличивает порядка 10%, далее инфа на каком-то сайте (Москва и область) до 30%)
Далее высчитывается средняя по больнице Москва-Курск и вуаля - все готово.
Вот вам и нормальность распределения)))) А вы пишите про ИИ и автоматизацию))))
Их дело. Будущее оценки за ИИ, а кто-то пусть заработает пока таким способом.
|
|