我用一个python脚本击败了柏林租赁市场

通常，这意味着价格往往会增加。这就是曾经在柏林发生的东西。然后，几年前，城市市政府通过了一个有争议的租金控制政策，防止价格增加了至少5年。

由于缺乏财务激励，住房供应（而不是扩大）。那些合同的人尽力不要远离它，即使他们喜欢。

今天，在柏林租赁与消费能力有关，与竞争有关：您可以找到租金优惠，您可以享受十几个人的公寓，您祈祷房东将在其他人中选择您。

有两个元素会影响您选择的能力并获得合同：您的个人资料，以及您的速度。

至少在短期内，您没有太多的空间来改变您的个人资料。然而，速度是你可以玩的东西。

这是一项琐碎的策略：你先要求访问，你先去观看，你申请先拿到房子。没有保证它将工作，但它给你了一个优势。一些机构被迫在给定的时间范围内分配房屋，并可能满足于“足够好”。其他人可能是没有经验的业余爱好者，鸡出来，只是在队列中迈出第一个。

这种方法的关键问题是您有效地制定了大规模的财务决策 - 至少1-2岁 - 在几小时内的收入的50％，如果不是分钟。一个大的否。

要反击这一点，你应该用你的思想来看看。然而，这并不总是容易：需要几个月的经验，开始制定一个在特定房屋的价格是什么意义上的直觉。讨价还价或福福？很难说。

在混合中，您还应该考虑租赁报价将改变价格的机会：真实，竞争是坏的，但有时房东的含量非常糟糕，并获得一组申请人，他们判断得太小。所以他们最终降低了希望吸引更好的候选人的价格。

如果你能负担得起，那么等待很多，然后尽可能快地努力。像股票市场一样。

当我开始追捕时，我意识到这一切都归结为量化房子与类似房屋的昂贵程度。这比完成更容易。 “类似的房子”真的是什么意思？它比采取平方米的成本更加差别：在考虑其阳台或其位置或其在该地区缺乏犯罪时，更昂贵的房屋可能会比较便宜。这是一个搜索优化问题，但在播放时有一个具有相当虚弱的变量。

我会破坏这个故事的结束：我最终能够找到一个我喜欢的房子。

我付出的价格低于市场如何评估其价值（平均）。观看中有10个人，但他们仍然选择了我，最有可能因为我是第一个申请的人。在观看后，我从公寓前面的街道上派出了文档。

我能够这样做，因为我敏锐地意识到邻里的具体特征，因为房子已经改变了两次（ - 7％，而另一个--6％），不太可能再次改变价格，因为很可能很快租来。我认识到这一切，感谢几个预测模型和几个周末刮掉了房地产数据。

我需要的第一件事是数据。我写了一个快速刮刀，在服务器上部署它，让它松动。目标是建立城市所有住房优惠的数据集：成本，地理位置和描述属性的基本参数。

我想快速移动和切割 - 这是（应该是）周末项目，而不是一个巨大的种类产品。我为MongoDB定居为首选数据库。我读了许多关于蒙古的坏事，但它是坏的原因是我喜欢它的原因：超高的灵活性，超低约束（规模需要，但速度妨碍速度）。我只需要在某处抛弃一些数据：我无法不在乎迁移和DTO一致性。

我也没有复杂的chron：它是一个在Tmux窗格上不断运行的Python脚本，连接到MongoDB Atlas免费实例。为此，我只添加了一个jupyter scratchpad来玩结果。

在房地产中，这完全是关于地点的。虽然位置是什么意思？是邮政编码吗？这是城市社区吗？我尝试了一切。邮政编码缺乏粒度：它们太宽阔而不合适。社区有点更好，但它们也太广泛而无法实现精确分析。

我最终定义了这个城市的所有社区 - Prenzlauer Berg，Kreuzberg，Charlottenburg等，那么，我迭代地切成两半，直到得到的细胞（我称之为“Quarters”）并不小于a从一个边界到另一个边境的步行距离5分钟。

在一个理想的世界中，我应该用一个无监督的算法（更加权更多的算法来定义这些群集，但我缺乏足够的租赁提供，并且我在所有现有建筑物上发现的历史数据不可靠（它返回到70年代，在墙壁落后：不是描述当今柏林的最佳方式）。

要存储信息，我使用了Geojson。它是由Mongo的本地支持，并且开放使得可以轻松找到我可以使用的图书馆。

最棘手的部分是计算距离。从点-A到point-B的距离不是一条直线，因为它们在圆形表面的顶部。幸运的是，像pyproj这样的图书馆和匀称地来到救援。

通过关于租金的信息和在合理区域中对其进行分组的简洁方式，我继续向数据集添加一些功能。

我继续抛弃我可以的所有数据。对于每个地区，我创建了一组分数和指数，描述了公共交通的质量，汽车分享车辆的平均密度，安全和犯罪，户外活动，酒吧和食品场地的数量和质量。

我用了一系列服务来这样做。在某些情况下，我必须自己制作数据（汽车分享和公共交通工具：在这里有些好老刮）。在其他情况下，数据在公共数据集中方便地交出。

我标准化了分数，使它们容易跨越地区。结果是我在城市关心的有趣数据的一个很好的地图。

我工作的第一个号码是一个“市场对齐”得分：与市场上类似的产品相比，给定提供的价格有多远？换句话说：它是值得的，他们要问吗？

为了计算市场对齐，我从被考虑的人中占据了5km的半径范围内的所有产品。然后，我只保留在池中，那些是：

»在租金价格的±1标准偏差范围内，其客房数量，生活空间及其建设年份，

»在±1.5内的标准偏差范围内，它位于该地区的一般特征内，

这通常持续〜5％的初始优惠组。可以使用数字 - 例如，通过增加初始半径：更多数据但可能更加精确。经验上，这效果很好。

在这个子组中，我然后计算每平方米的价格，并看到租金提供的租金来自子集团的平均值：

这个号码足以让我有一个合理的想法，市场考虑了“公平价格”，而且如何提供该报价的实际价格。如果是一个基本上负面的delta，我是一个很好的交易。

我还计算了两个人：租金即将售罄的可能性很快，价格下降的可能性下降。

要获得这些数字，我训练了两个监督模型。我精致的管道和封闭式遗传编程在AWS GPU-reforms上（仍然是机器学习的最简单方法，而且非常昂贵：这个空间中有这么多的破坏空间）。我没有时间在模型上工作 - 再次：这是一个周末项目 - 所以拥有一台机器对我进行沉重的提升，即使较低的是我需要的。

我不会撒谎，我有一种感觉，所有这一切都有点过度设计。我发现了一个我超级满意的房子，但也许有一种更简单的方法。无论如何，这是一个有趣的机会，了解柏林房地产市场，探索我不熟悉的技术。

我现在正在将这项工作转变为Web应用程序。再次，探索技术和营销策略的良好机会。

如果是这个产品的市场，我真的没有线索。我也不知道谁可能是最有效的人口，以从作为上市战略开始。我目前正在测试一些想法（周末严格！），初步结果非常有趣。

这不会解决柏林的房地产问题。为此仅有一种解决方案：构建更多的房屋。这个工具的目标是（并且将是，前进）最多发现很大的优惠，而不是在最坏的情况下拧紧。

我正在考虑的两个人的主要集群：房地产经纪人，试图利用套利的机会，年轻的外籍人士与中等高度的消费电力（例如，您的平均开发人员）试图有意识地租用。

如果您享受此内容，请在Twitter上关注我，我将继续发布关于我的建筑活动的更新。如果您有疑问，请随时伸出协议：我的DMS是开放的。

/ *感谢艺术＆amp;呃，这帮助我编辑了这篇文章的早期草案。 * /