本文提出一种利用自监督视觉转换器的新方法来进行房地产估值，该算法利用了机器学习、计算机视觉和房地产数据训练模型来预测一个给定物业的价值。通过使用房屋内部、外部和街景等定性图像以及卧室数、浴室数、平方英尺、土地面积、物业年龄、犯罪率和邻近便利设施等定量特征来评估我们的算法，我们发现该技术能够准确地预测物业的价值，并比传统评估方法表现更好。

Jan, 2023

本文提出了一种自动房价估值系统，通过从房屋照片中提取视觉特征并将其与文本信息相结合，使用全连接多层神经网络模型估算房屋价格。我们创建了一个庞大的房屋数据集，并证明添加视觉特征可以显著提高模型表现。

Sep, 2016

使用循环神经网络和最先进的视觉特征来预测房地产价格，结果表明我们的模型在平均绝对误差（MAE）和平均绝对百分比误差（MAPE）方面均优于其他现有算法。

Nov, 2016

人工智能生成的信息的公开可能会彻底改变市场，并对经济动态产生出乎经济学家预料的影响，使得模型和思维方式过时。尽管房地产的超通胀并不是一种新现象，但在 12 年来的持续和几乎单调的存在中，与 Zillow 这一成功的大批量房地产估价器（MREE）提供的公共估价信息的突出地位相吻合，这一现象无法被忽视。我们模拟的是 MREE 和房主之间的重复性理论博弈，其中每个玩家都拥有秘密信息和专业知识。如果意图是确保住房的负担能力并保持旧的美国生活方式，需要面对新的挑战。模拟结果显示，将 MREE 风格的价格估计可用性局限于选择性合作的房地产可能会在一定程度上减少反馈循环，从而影响其潜在原因，正如实验模拟模型所建议的那样。根据逻辑解释，验证了 MREE 对房地产通胀率的压力与绝对 MREE 估计误差相关的猜测，在模拟中得到了验证。

Mar, 2024

当发布新产品时，企业面临市场接受程度的不确定性。在线评论不仅为消费者提供宝贵信息，也为企业提供了调整产品特性（包括售价）的机会。本文考虑了带有在线评论的定价模型，其中产品的质量不确定，卖方和买方通过贝叶斯方法更新信念以做出购买和定价决策。我们将卖方的定价问题建模为基本的赌博机问题，并展示了与著名的卡塔兰数之间的密切关系，使我们能够有效计算卖方的整体未来折扣奖励。利用这个工具，我们在产品质量的有效学习概率方面分析和比较了最优静态和动态定价策略。

Apr, 2024

本文通过建立一个包含多个生产者、消费者的网络联系和与之关联的一个马尔科夫链模型分析了价格本质，从而研究全球性和本地性的消费对于消费者的影响，并提出了与人们直觉不同的购买建议。同时，该研究还可以被用于对人工智能技术在经济层面上的采纳进行评估。

May, 2023

我们研究了一种在线上下文动态定价问题，介绍了一种以特征为基础的价格弹性建模方法，提出了一种高效的算法 “Pricing with Perturbation (PwP)”，并证明了其在任意敌对背景输入序列下的最佳性及相应的复杂度。该研究结果揭示了上下文弹性与异方差性估价之间的关系，为有效和实用的定价策略提供了启示。

Dec, 2023

使用深度神经网络从街景图像和卫星图像中自动提取视觉特征以估计伦敦房屋价格，实验表明学习街区的城市质量可以提高房屋价格预测，即使推广到未被看见的伦敦自治市镇。

Jul, 2018

本研究使用深度卷积神经网络对一大量室内外照片进行分析，以评价房屋的外观对市场价值的影响，并基于照片和房屋特征开发出自动估价方法，结果表明本方法优于 Zillow 对房屋价格的估计。

Jul, 2017

该研究介绍了一种创新的方法，将图像数据集成到传统计量模型中，通过深度学习将图像中包含的信息作为协变量，用于预测房地产销售价格，通过图像编码和分割的方式提高了预测准确性。

Mar, 2024