Um estudo sobre a previsibilidade dos preços de imóveis de Porto Alegre : evidências dos mercados de venda e de locação

Abstract

Esta dissertação apresenta um estudo sobre o mercado imobiliário de Porto Alegre que tem como objetivo verificar a formação de preços dos mercados de venda e de locação. Este objetivo é cumprido de duas formas: a) analisando como o tempo que um imóvel está no mercado afeta seu preço e b) comparando como diferentes modelos econométricos preveem os preços de imóveis da capital gaúcha. Para o primeiro tópico, encontram-se evidências de que os proprietários reduzem, em média, 9% o valor de locação para atrair clientes à medida que o tempo passa. Isto não se concretiza da mesma forma no mercado de venda, uma vez que há uma valorização à medida que o imóvel está no mercado. Para o segundo tópico, foram estimados cinco modelos (ingênuo, MQO, SAR, SEM e combinação) para averiguar a performance de previsão fora da amostra dos preços de imóveis. Embora as estatísticas descritivas dos erros não permitam análises conclusivas a respeito dos modelos, a estimação do model confidence set de Hansen et al. (2011) mostra o modelo ingênuo como a melhor série de previsões para os mercados de venda e de locação.

This thesis presents a study on the real estate market of Porto Alegre in order to verify the price formation in both sales and rental markets. This objective is accomplished in two ways: a) analyzing how time on market of a property impacts its price and b) comparing how different econometric models predict real estate prices. For the first topic, I show evidence that owners reduce on average 9% of rental value of available homes in order to attract customers as time on market goes by. This pattern is not present in the sales market, in which an appreciation occurs as time passes, indicating an inflation compensation. For the second topic, five models (naive, OLS, SAR, SEM and a combination) were estimated to determine out-of-sample forecasting accuracy. Although traditional error measures do not allow to choose the best forecasting series, the model confidence set procedure of Hansen et al. (2011) shows the naïve model as being the best forecasting model.