03755ntm a22005417i 4500 000726055 CZ-PrVSE 20250920220214.0 m d cr n|||||||||| 250920s2025 xr fsbm 000 0 eng d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Hrbek, Petr ISIS:147072 dis Časové řady nemovitostního trhu a jejich limitace v kontrastu strojového učení eng Časové řady nemovitostního trhu a jejich limitace v kontrastu strojového učení / Petr Hrbek 2025 ?? stran : digital, PDF soubor Vedoucí práce: Jaroslav Kaizr Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta financí a účetnictví, 2025 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2025 This master’s thesis compares traditional time-series forecasting models with modern machine learning approaches for predicting house prices in King County, Washington (2013–2022). The study evaluates classical autoregressive models (ARIMA/SARIMA) alongside ensemble gradient boosting algorithms (XGBoost, LightGBM, CatBoost) using an expanding-window backtesting framework in skforecast library. The analysis focuses on the monthly median sale price series for multiple urban submarkets. Model variants are trained on univariate price-only time series as well as on enriched datasets that incorporate property-specific technical attributes and socio-demographic indicators as exogenous features. Forecast accuracy is evaluated using Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) metrics. The results indicate that machine learning models generally achieve higher predictive accuracy in volatile or irregular submarkets, whereas a seasonal ARIMA can match or even outperform ML models in submarkets with strong seasonal patterns and stable trends. Incorporating extra features (e.g. house attributes, income, population) improves predictions in some submarkets, particularly where past prices alone do not capture important local factors, but yields little benefit or even a slight performance degradation in others with well-structured trends and seasonality. Overall, no single model dominates across all conditions; the optimal modeling approach depends on each submarket’s characteristics. Způsob přístupu: Internet finance a oceňování podniku [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas skofrecast real estate machine learning time series Kaizr, Jaroslav ISIS:30377 ths Pláničková, Markéta ISIS:48958 opn Vysoká škola ekonomická v Praze. Fakulta financí a účetnictví kn20010709398 dgg https://insis.vse.cz/zp/90465/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/90465 Hlavní práce https://insis.vse.cz/zp/90465/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/90465/posudek/oponent/88534 Oponentura https://insis.vse.cz/zp/90465/priloha/32594 Přiloha k práci https://insis.vse.cz/zp/90465/priloha/32595 Přiloha k práci https://insis.vse.cz/zp/90465/priloha/32596 Přiloha k práci https://insis.vse.cz/zp/90465/podrobnosti dc:identifier NEPOSILAT VSKP vse90465 250904 90465