CURSOS - LIBRERÍA - Pdf DE LA CONSTRUCCIÓN, URBANISMO E INMOBILIARIO.

1. ¿Qué es el forecasting inmobiliario?

a. ¿Por qué es importante el forecasting inmobiliario?
b. Herramientas digitales de predicción en el forecasting inmobiliario

2. Aspectos teóricos del forecasting inmobiliario

a. Fundamentos de análisis de series temporales
b. Tipos de modelos de series temporales para el forecasting inmobiliario

• Modelos de media móvil (MA)
• Modelos autoregresivos (AR)
• Modelos de media móvil autoregresiva (ARMA)
• Modelos autoregresivos integrados de media móvil (ARIMA)
• Modelos de series temporales estacionales (SARIMA)
• Modelos de regresión lineal múltiple (MLR)
• Modelos de redes neuronales artificiales (ANN)

c. Validación de modelos y selección del modelo adecuado

3. Datos y variables relevantes en el forecasting inmobiliario

a. Fuentes de datos para el forecasting inmobiliario
b. Variables relevantes para el forecasting inmobiliario

• Variables económicas y financieras
• Variables demográficas y sociales
• Variables de oferta y demanda inmobiliaria
• Variables geográficas y urbanísticas

4.  Preparación de los datos para el forecasting inmobiliario

a. Análisis exploratorio de datos
b. Limpieza y transformación de datos
c. Creación de variables predictoras
d. División de datos en conjuntos de entrenamiento y prueba

5. Desarrollo del modelo de forecasting inmobiliario

a. Implementación del modelo elegido
b. Evaluación del modelo

• Métricas de evaluación para modelos de series temporales
• Métricas de evaluación para modelos de regresión

c. Interpretación de resultados

6. Herramientas digitales para el forecasting inmobiliario

a. Herramientas de análisis de series temporales
b. Herramientas de visualización de datos
c. Herramientas de machine learning
d. Herramientas específicas para el forecasting inmobiliario

7. Conclusiones preliminares.

a. Limitaciones y futuras investigaciones
b. Recomendaciones prácticas

8. Caso práctico del forecasting inmobiliario. Herramientas digitales de predicción para un inversor interesado en promover viviendas build to rent en los nuevos barrios de Barcelona, Madrid y París.
9. Caso práctico del forecasting inmobiliario. herramientas digitales de predicción para un inversor interesado en promover naves logísticas a 30 kms de Barcelona, Madrid y París.

• Fuentes de datos y variables relevantes
• Preparación de los datos
• Desarrollo del modelo de forecasting inmobiliario
• Herramientas digitales utilizadas
• Resultados y conclusiones

10. Caso práctico del forecasting inmobiliario. herramientas digitales de predicción para un inversor interesado en promover centros comerciales en los accesos a Barcelona, Madrid y París.

• Recopilación de datos
• Análisis exploratorio de datos
• Selección de variables
• Limpieza y transformación de datos
• Creación de variables predictoras
• División de datos
• Implementación del modelo
• Evaluación del modelo
• Interpretación de resultados
• Herramientas digitales utilizadas

11. Caso práctico del forecasting inmobiliario para el proyecto de construcción de viviendas turísticas en una ciudad costera de España.

• Recopilación de datos
• Análisis exploratorio de datos
• Selección de variables
• Limpieza y transformación de datos
• Creación de variables predictoras
• División de datos
• Implementación del modelo
• Evaluación del modelo
• Interpretación de resultados
• Herramientas digitales utilizadas

12.  Caso práctico de forecasting inmobiliario en que un inversor desea comprar un edificio de oficinas en el centro de una ciudad importante para alquilarlo a empresas.

• Recopilación de datos
• Análisis exploratorio de datos
• Selección de variables
• Limpieza y transformación de datos
• Creación de variables predictoras
• División de datos
• Implementación del modelo
• Evaluación del modelo
• Interpretación de resultados
• Herramientas digitales utilizadas

13. Caso práctico de un inversor interesado en adquirir una propiedad en una ciudad con un mercado inmobiliario en constante crecimiento.
Ingresos

• Gastos
• Vacancia
• Tasa de descuento

14. Caso práctico de forecasting inmobiliario en que una empresa constructora está planeando construir un edificio de apartamentos en una zona céntrica de Madrid. El objetivo de la empresa es determinar la rentabilidad del proyecto y estimar los flujos de caja futuros.

• Identificar los costes de construcción
• Estimar los ingresos por alquiler
• Calcular los gastos operativos
• Determinar la tasa de capitalización
• Calcular el valor de mercado del edificio
• Estimar los flujos de caja futuros
• Calcular el valor presente neto
• Interpretar los resultados

15. Caso práctico en que una empresa inmobiliaria se especializa en la construcción y venta de edificios de apartamentos en una ciudad en constante crecimiento. La empresa ha reunido datos históricos sobre las ventas de apartamentos en los últimos cinco años, así como información sobre la construcción y oferta de viviendas en la ciudad.

1. ¿Qué es la predicción (forecasting)?
2. ¿Cómo funciona la predicción (forecasting)?
3. Metodología de la predicción (forecasting)?
4. La integración tripartita de los datos de su propiedad financiera, el presupuesto y los pronósticos
5. La previsión financiera / Financial Forecasting
6. ¿Por qué es esencial la previsión inmobiliaria (real estate forecasting)

1. La importancia de la previsión en el mercado inmobiliario.
2. Enfoques en la predicción inmobiliaria

a. Expectativa
b. Explicativo
c. Extrapolable
d. Simulación
e. Juicio
f. Enfoque compuesto

3. Métodos cuantitativos y las técnicas de modelado formal.
4. La precisión y los errores en la modelación
5. Múltiple metodología en el pronóstico de bienes inmuebles.
6. Los futuros modelos de predicción inmobiliaria.
7. El intelligent forecasting mediante inteligencia artificial (IA)
8. Caso práctico del intelligent forecasting mediante inteligencia artificial (IA) aplicado por una promotora inmobiliaria de vivienda en grandes ciudades.
Variables

• Área geográfica: Centro, Norte, Este, Sur, Oeste.
• Grupo de edad: Menos de 30 años, 30-45 años, Más de 45 años.
• Cantidad de viviendas demandadas.

1. El análisis econométrico

a. ¿Qué es la econometría?
b. La Metodología de la Econometría
c. Limitaciones de la econometría

2. El modelo econométrico como análisis del ciclo inmobiliario.
3. Caso práctico completo de aplicación al forecasting inmobiliario del modelo econométrico como análisis del ciclo inmobiliario.

a. Variables

• Precio promedio del metro cuadrado de la Vivienda Nueva (variable de referencia)
• Tipo de interés del Banco Central Europeo (BCE)
• Tasa de desempleo en España
• PIB per cápita en España
• Índice de Confianza del Consumidor en España
• Número de transacciones inmobiliarias en España
• Nivel de oferta inmobiliaria existente en el mercado español

b. Fórmula del precio de vivienda.

4. Aproximación “comprensible” a la complicada fórmula matemática econométrica.
(F1) la tendencia del sector, (F2) el ciclo inmobiliario y (F3) la exuberancia irracional
5. Caso práctico de la fórmula matemática econométrica aplicada al forecasting inmobiliario.

1. MRA, una técnica estadística
2. MRA se utiliza para analizar las ventas de inmuebles.
3. Clases de MRA
4. Ejemplo de aplicación del MRA a efectos de valoración de inmuebles.

Paso 1. Adquirir software de modelado de regresión
Paso 2. Exportar datos de ventas MLS
Paso 3. Limpieza de datos
Paso 4. Seleccionar los datos utilizables
Paso 5. Filtra los datos
Paso 6. Reducir aún más los datos
Paso 7. Seleccionar variables para tener en cuenta las fuerzas del mercado
Paso 8. Realizar una prueba de comprobación

5. Caso práctico de aplicación del MRA (técnica estadística) a efectos de valoración de inmuebles

• Paso 1. Adquirir software de modelado de regresión
• Paso 2. Exportar datos de ventas MLS
• Paso 3. Limpieza de datos
• Paso 4. Seleccionar los datos utilizables
• Paso 5. Filtra los datos
• Paso 6. Reducir aún más los datos
• Paso 7. Seleccionar variables para tener en cuenta las fuerzas del mercado
• Paso 8. Realizar una prueba de comprobación
• Ejemplo para predecir el precio de venta de una casa de 100 metros cuadrados con 2 baños y 1 plaza de garaje.

1. ¿Qué es la regresión hedónica?
2. Aplicaciones de la regresión hedónica en el mercado inmobiliario.
3. Ejemplo de aplicación del método hedónico a la estimación de precios de vivienda en función de su accesibilidad.
4. Caso práctico de aplicación del método hedónico a la estimación de precios de vivienda en función de su accesibilidad

• Precio de venta de la vivienda: 250.000 €
• Superficie de la vivienda: 100 m²
• Número de habitaciones: 3
• Número de baños: 2
• Edad de la vivienda: 15 años
• Distancia al centro de la ciudad: 10 km
• Distancia a los subcentros más cercanos: 5 km
• Índice de accesibilidad a empleo: 0.8
• Modelo 1
• Modelo 2
• Modelo 3
• Modelo 4
• Modelo 5

1. Ingreso operativo neto. Net Operating Income (NOI)
2. NOI del mismo sitio (same-site NOI)
3. Ocupación/Vacante
4. Tasa de capitalización/rendimiento de NOI
5. Flujo de caja neto (FFO, Funds From Operation)
6. FFO Múltiple
7. Caso práctico de los parámetros utilizados en el análisis de empresas inmobiliarias comerciales.

a. Ingreso operativo neto (Net Operating Income, NOI)

• Ejemplo

b. NOI del mismo sitio (Same-site NOI)

• Ejemplo

c. Ocupación/Vacante

• Ejemplo

d. Tasa de capitalización/rendimiento de NOI

• Ejemplo

e. Flujo de caja neto (FFO, Funds From Operation)

• Ejemplo

f. FFO Múltiple

• Ejemplo

1. Generadores de Escenarios Económicos (Economic Scenario Generators (ESG)).
2. Datos necesarios para analizar los inmuebles.
3. Desarrollo del modelo matemático del mercado inmobiliario
4. Caso práctico de la gestión de los activos inmobiliarios basada en la proyección de flujos

a. Generadores de Escenarios Económicos (ESG)
b. Datos necesarios para analizar los inmuebles
c. Desarrollo del modelo matemático del mercado inmobiliario
d. Ejemplo práctico

Generadores de Escenarios Económicos (ESG)
Datos necesarios para analizar los inmuebles
Datos adicionales

1) Tasa de vacancia
2) Tasa de crecimiento del alquiler
3) Tasa de descuento

Desarrollo del modelo matemático del mercado inmobiliario
Escenario 1: PIB en aumento del 3%, inflación del 2%, tasa de desempleo del 8% y tasa de interés del 2%.
Ingresos por alquiler
Gastos operativos
Ingreso neto
Valor presente neto del ingreso neto

1. Ingresos de propiedades de alquiler. Renta
2. Ocupación / Vacante
3. Descripción del modelo de ocupación y alquiler
4. Caso práctico de parámetros utilizados en una previsión de flujo de caja a efectos del forecasting inmobiliario.

a. Ingresos de propiedades de alquiler
b. Ocupación / Vacante
c. Descripción del modelo de ocupación y alquiler
d. Ejemplo global utilizando los parámetros para 5 años

• Ingresos de propiedades de alquiler
• Ocupación / Vacante
• Descripción del modelo de ocupación y alquiler

1. Variables endógenas y exógenas que afectan a los mercados inmobiliarios
2. Caso práctico de las variables endógenas y exógenas que afectan a los mercados inmobiliarios.

a. Variables endógenas

• Rentas
• Valores de capital
• Tasas de vacantes
• Oferta de desarrollo

b. Variables exógenas

• PIB
• Niveles de empleo
• Tipos de interés

3. Modelos de determinación de rentas

a. El enfoque del ajuste del alquiler
b. El enfoque de demanda-oferta de forma reducida

4. Modelización de rentabilidades y rendimientos inmobiliarios
5. Caso práctico de modelización de rentabilidades y rendimientos inmobiliarios.
Ingreso operativo neto (Ingresos por alquiler, Gastos operativos, Ingreso operativo neto (ION)).

• Variables para modelar los rendimientos y rendimientos inmobiliarios (Tasa libre de riesgo. Prima de riesgo. Valor actual del edificio.)
• Rentabilidad
• Rendimiento inmobiliario

1. Índices de rentabilidad y precio de lo propiedad
2. Índices de renta por alquiler.
3. Caso práctico de construcción y calidad de los índices inmobiliarios.

• Índices de rentabilidad y precio de la propiedad
• Índices de renta por alquiler

1. Modelo histórico de datos estadísticos
2. Modelo econométrico
3. Parámetros en función de los gastos de las inmobiliarias.

a. Gastos de venta, generales y administrativos
b. Gastos por intereses
c. Gastos Tributarios

4. Caso práctico de aplicación de los parámetros en función de los gastos de las inmobiliarias.

a. Gastos de venta, generales y administrativos

• Ratio de SG&A

b. Gastos por intereses
c. Gastos Tributarios