Predicting Changes in Canadian Housing Markets with Machine Learning

Cette étude vise à établir si les algorithmes d’apprentissage automatique peuvent être plus efficaces qu’un modèle linéaire pour prévoir la croissance mensuelle des prix des logements et des ventes de logements existants au Canada. Notre objectif est d’utiliser deux techniques d’apprentissage automatique (la régression vectorielle de support et le perceptron multicouche), largement répandues dans le domaine des prévisions économiques, pour en comprendre la portée et les limites. Nous constatons que les deux techniques fonctionnent mieux qu’un modèle linéaire pour prédire les prix des logements et les reventes de logements. Cependant, l’amélioration de l’exactitude des prévisions n’est pas toujours statistiquement significative. Ainsi, nous ne pouvons pas conclure de manière systématique, en nous basant sur des séries chronologiques traditionnelles, que les modèles d’apprentissage automatique s’avèrent considérablement supérieurs au modèle linéaire. Des recherches devraient être effectuées avec des séries non traditionnelles pour tirer pleinement parti des méthodes d’apprentissage automatique.