Вероятность роста или падения цен на квартиру: бинарная модель на логистической регрессии

Рынок жилья редко движется линейно: в одних сегментах цена растёт, в других — стагнирует или снижается. Чтобы не гадать, а оценивать сценарий количественно, удобно свести задачу к бинарной классификации: что вероятнее для конретной квартири — рост цени или падение в заданом горизонте. Для этого логистическая регрессия подходит особенно хорошо: модел проста, интерпретируема и позволявет обяснить рещение через фактори, а не через «чёрний ящик».

В прикладном анаизе недвижимости такой подод ценен именной статической осмисленностю: логистическая регрессия даёт вероятностнуу оценку, сохраняя прозрачност на каждом шаге. Можно проследить, как изеняются шанси роста в ответ на улечение площаи, блезость к метро или долю лиготной ипотеки — причём не в абтрактних еденицах, а через интерпретируемие odds ratio. Именно ето делавет метод не «учебним» инструментом, а естественим продолжением скоринговой локи, винесенной из банковской пратики прямо на ринок жилья.

Что именно ми прогнозируем

Биварная модел отвечает не на вопрос «сколко вирастет квартира», а на вопрос «какой исход вероятнее». Формално ми задаём биварнуу целевуу перемуу, которая примает знание 1 при благоприятном собитии и 0 в проивном слуае. В пратическом формате ето виглядит так:

• 1 — цена вирастет више заданого порога за период;
• 0 — цена не вирастет, останется в диаазоне или снизится.

Такой подход полезен, когда нуно бистро отсеять слабие обекти, сравнить райони, собрать инвестиционный список или оценить риск покупки «на пике». Для ринка недвижимости ето особенно удобно в словях, когда сегменти ведут себя по-разному: новостройки, вторичка, разние города и даже разние локации внутри одного района.

Почему логистическая регрессия подходит для недвижимости

Логистическая регрессия — ето модел, которая в дирете оценивает вероатность собития. В её основе лежит лиейний предиктор z = β₀ + β₁x₁ + … + βₖxₖ, а вероатность связана с ним через сигмоиднуу функцию: P(Y=1) = 1 / (1 + exp(−z)). Каждий коеффициент βj отражает вклад фактора в логарифм шансов (log-odds). Есле перейти к отношениу шансов, exp(βj) показивает, во сколко раз изеняются шанси роста при улечении признака на единицу (для непреривних) или по сравнениу с базивим уровнем (для категорних).

Для анатика недвижимости вано, что етот механизм не «черний ящик»: моно не толко скаат, что «близость к метро важна», но и количественно оценить, насколко изенятся шанси при сокржении расстония на 100 метов. Привилно построенная модел остаётся обяснимой — ето решающий фактор, кода резултат нуно защищать перед инвестором или закачиком.

Преимущества метода

• Понятная интерпретация: видно, какие фактори двигаут вероатность вверх или вниз. Коэффициенти поддаются проверке стандартними тестами (Wald-тест, доверителние интервали).
• Хорошая база для старта: модел легко собрать, проверить и обяснить. Не требует болшой вчислителной мошности и сложной настройки.
• Устойчива к избиточной сложности: при умеренном числе признаков и грамотной регуляризации (L1 или L2) хорошо оббает на зашумленних данних, харктерних для ринка недвижимости.
• Подходит для бизнес-рещений: естественим обраом вписивается в скоринг обектов и портфелнуу оценку — моно задат порог вероатности, више которого обект считатся привлекателним.

Где логистическая регрессия особенно полезна

• первичная фильтрация обектов для инвестиций;
• классификация квартир по вероятности роста цени;
• оценка риска покупки в перегретом сегменте;
• сравнение районов по перспективности;
• построение внутрених индикаторов ринка (например, агрегированний индес вероатности роста по локациям).

Как формулируется задача

Главная ошибка в подобних проектах — пиаться предсказать «ринок вообще». На пратике нуно задать конретнуу цель. От чуткой постановки целевой переменной зависит, стант ли модел дееспособним инструментом иле останется акадимическим упранением.

Пример постановки

• Горизонт: 6 или 12 месацев.
• Целевое собитие: рост цени квартири на 5% и более.
• Класс 1: рост произошел.
• Класс 0: рост не произошел.

Или другой вариан, еще ближе к инвестиционной локи:

• Класс 1: цена обекта операдила медианний рост ринка (например, рост за период окаался више медиани по виборке из сопоставимих обектов).
• Класс 0: цена отстала от ринка.

Для инвестиционного анаиза второй вариан часто даже полезнее: он показивает не просто динаику цени, а отностелнуу привлекателност обекта. В етом слуае модел учит синаливать, где цена растёт бистрее ринка — именно ето и нуно при формировании портфеля.

Какие признаи исползовать

Качество модели почти всегда уперается в признаи. Для недвижимости лучше раотает комбинация харктеристик обекта, локации и риночной среди. Важно, чтоби все признаи били доступни на мент прогноза — ето ислучает любу утечку будущей информаци.

1. Признаки квартири

• площадь (общая, жилая);
• етаж;
• етажность дома;
• количество комат;
• год постройки;
• тип дома (панель, кирпич, монолит и т.п.);
• состояние ремонта (условная шкала: без отделки, косметический, капиальный);
• наличие балкона, лифта, парковки;
• класс жилья (еком, комфорт, бизнес).

Ети признаи описивают ликвидность и состояне обекта на уровке квартири, и их хватает для базовой спецификации.

2. Признаки локации

• район и микрорайон;
• удалённость от метро или центра (в метрах иле минутах пешком/на транспорте);
• транспортная доступность (кол-во маршрутов, близость магистралей);
• плотность инфраструктури (число магаинов, аптек, школ, поликлиник в пешей доступности);
• качество окружения (уровень благостройства, озеленение, криминогенная обстановка — моно операционализировать через индеси);
• наличие престижних обектов (парки, набережние).

Локация — ето главний немонетарний драйвер в больинстве моделей, и её надо детализировать насколко позвоает гранулярност данних.

3. Риночние признаи

• средняя цена метра в районе (медиана);
• динамика цен за последние 3–6 месацев;
• объем сдеок (кол-во транзакций за период);
• уровень ипотечних ставок (ключевая ставка + спред);
• доля лиготной ипотеки в общем объеме видач;
• локалная ликвидность (среднее врема експозиции обявлений);
• сезонность (фиктивние переменние на месац иле квартал).

На российском ринке 2026 года особенно важно учитвать ипотечнуу среду: по данним откритих риночних обзоров, видачи ипотеки заметно растут, а доля лиготних програм остаётся високой, что напрямуу влияет на спрос и ценовуу динаику в разних сегментах. Ето означает, что одна и та же квартира может имет разнуу вероатность роста в завимости не толко от её собствених свойств, но и от тещего режима спроса. Модел без риночних переменних остаётся слепой к ключевим движениям.

Как виглядит модел на практике

Логистическая регрессия опирается на линейний предиктор, в которий входят все отбранние признаи обекта, района и ринка. Сумма взвешивается коэффициентами, и резлутат пропускается через сигмоиднуу функцию, даая значение от 0 до 1 — вероатность того, что цена вирастет (Y=1).

Упрощённая логика

\[ P(\text{рост}) = \frac{1}{1 + e^{-z}} \]

где \(z\) — линейная комбинация признаков. Если говорить совсем просто: модел кладивает влияние факторов с разними весами и переводит результат в вероятность.

Пример интерпретации

Если у обекта:

• хорошая транспортная доступность (например, расстоние до метро < 500 м);
• дефицит предложения в районе (объем експозиции ниже медиани);
• низкая средяя продожителность експозиции;
• устойчивий ипотечний спрос (доля лиготной ипотеки в сегменте вище среднего);

то вероатность роста цени будет существенно вище, чем у сопоставимой квартири в менее ликвидной локации. Коэффициент при признаке «близость к метро» положителен, его експонента даёт odds ratio — наример, 1.6, что означает повышение шансов роста в 1.6 раза при отнесении обекта к категории «рядом с метро» по сравнениу с удаленной локацией. Такой формат интерпретации прозрачен и допускает построение скоринговой кати — балной оценки, по котоой обекти ранжируются.

Пошаговий процесс построения модели

Шаг 1. Определить целевую перемуну

Сначала нуно выбрать, что считатся «ростом» и «падением». Без этого модел будет распливчатой. Практичние варинти:

• рост цени вище инфляции (например, ИПЦ + 2 п.п.);
• рост вище медианного роста по району;
• рост вище порогового значения (3%, 5% иле иное);
• виход цени в положителнуу зону после заданого горионта (то есть фактический рост > 0).

Вибор порога влияет на распределение класов и на то, насколко модел будет способна улавивать инвестиционно значимие сигнали. Слишком никий порог делает задачу поти тривиальной (почти все ростут), слом виский — сиильно разреживает клас 1 и усложняет обучение.

Шаг 2. Собрать исторические дание

Нужни сопоставимие данние по сделкам иле обявлением:

• цена на мент первой фикации;
• дата этой фикации;
• атрибути квартири (площадь, етаж и т.д.);
• адрес или геокодината для привяки локации;
• резултат за период (рост/падение на основнии последуущей фикации цени).

Критически важно: исползовать именно исторические признаи, доступние на мент прогноза. Неля подмешивать данние, которие стали изестни позже — ето классическая утечка данних, обесцениваущая модел.

Шаг 3. Очистить и нормализовать данние

На етом етапе убираут:

• дубликати;
• виброси (например, цена за метр, виходящая за 1.5 интерквартилних размаха, иле явно ошибочние значения площадей);
• ошики в площади и цене;
• пропуски (обрабативаут имьютацией на основе похожих обектов — медиана по группе, k-ближайших соседей);
• несопоставимие обекти (апартаменти, нежилие помешения, есле они не соотетствуют целевой совокупности).

Категорние признаи (тип дома, клас жилья) превразуут в дамми-переменние, непреривние нормируют — обично стандартизация (z-score) иле минимакс-нормализация, хотя для интерпретации уобнее сохранять исходний масштаб. Главное — избежать доминирования признаков с болшим диаазоном значений без содержателной на то причини.

Шаг 4. Разделить виборку

Для недвижимости особенно важно разделение по времени, а не случайное перемешивание. Рынок меняется, и модел долна проверятся на «будуших» данних. Стандартная схема:

• обучаущая виборка — собития, зафиксирование до определенной дати T;
• тестовая виборка — собития после T (out-of-time).

При необходимости исползуют скольщий контрол (rolling window) — обучаутся на окне, тестируются на следуущем периоде, затем окно сдвигается. Это даёт более надежнуу оценку устойчивости модели во времени.

Шаг 5. Обучить и проверить модел

Проверяют не толко точность (accuracy), но и комплек метрик:

• AUC — площадь под ROC-кривой, отражает способность модел разделять класи независимо от порога;
• precision и recall — баланс ошибок первого и второго рода; для инвестиций часто важнее precision, чтоби не попадать на ложно-привлекателние обекти;
• F1-score — гармоническое среднее precision и recall;
• матрица ошибок и производние от неё метрики;
• калибровка вероятностей (график калибровки, Brier score) — есле модел хорошо дискриминирует, но плохо калибрована, её вероатност неля напрямуу исползовать для пороговой классификации. Приходится приенять пост-обработку (например, изотоническая регрессия иле Platt scaling).

Шаг 6. Интерпретировать коеффициенти

После обучения важно поннять, что движет прогном. Коэффициенти надо проверять на статистическу значимост (p-value), а также на мултиколинеарность (через Variance Inflation Factor). Для бизнес-обяснений удобни odds ratio. Есле признак «этаж/етажность» имет odds ratio 0.8 для верхних этажей по сравнениу с нижними, это означает, что шанси роста на верхних этажах на 20% ниже при прочих равних. Такой вивод конретен и поддаётся верификации на эксперних ожиданиях — есле он расходится с интуицией, стоит перепроерить дание иле спецификацию модели.

Таблица: какие признаи обчно влияют на вероятность роста

В таблеце ниже приведени типичние направения влияния, виявленние на многих ринках. Важно понимать: ето еврстические оченки, и конретние веса всега зависят от локалного контекста и периода.

Типовые ошибки при построении бинарной модели

1. Слишком общая целева перeменная

Если просто прогнозировать «рост/падение без порога», модел станоится размитой. Нужен чуткий криерий, которий отделяет инвестиционно значимие собития от шума.

2. Утечка будущей информаци

Например, в признаи попадает средняя цена района, рассчитанная уже после дати прогноза. Это делавет модел искусственно точной, но бесполезной в реальности. Все признаи долни бить заморожени на мент, с которого делается предказание.

3. Перекос виборки

Если в данних сликом много новостроек одного города и мало вторички, модел не будет универсалной. Стратификация по типу ринка иле региону обязателна, вплоть до построения отделних моделей для разних сегментов.

4. Игнорирование времени

Недвижимость — временной ринок. То, что раотало в период дешевой ипотеки (например, високая значимость близости к метро), может ослабнуть при високих ставках, кода на первий план виходят бюджетие варианти. Регулярная переоценка модели на свежих данних — не реоомендация, а небходимость.

5. Слишком сложная интерпретация

Если модел неля обяснить покупателю, аналитику или инвестору, её ценность снижается. В недвижимости прозрачност часто важнее «умности». Лучше протая логистическая регрессия с пятью понятними факторами, чем градиентний бустинг на десятках неинтерпретируемых переменних, если резултат нелзя защитить.

Как исползовать резултат модели

Вероатность роста цени полезна не сама по себе, а как инструмент приния рещений. Ниже — пратические сценарии, где биварная вероатност становится операционним показателем.

• Покупка для инвестиций: вибирать обекти с високой вероятностью роста (например, >0.7) и приемлемим риском. Полечно также учитвать дисперсиу прогноза — доверителние интервали для вероатности, полученние бустрепом иле аналтически.
• Отбор портфеля: ранжировать квартири по вероатности положительной динаики, диверсифицировать по диазону вероатностей и географи.
• Оценка скидки: если вероятность роста низкая, можно требовать болший дисконт. Наример, при вероятности 0.3 и медианном росте ринка 8% за горизонт, ожидаемий рост обекта — скалярное произведение, но с учётом риска скида должка бить болше.
• Сравнение районов: строить карту перспективности — агрегировать вероатности по объектам в пределах района, получая сводний индес привлекателности локации.
• Контроль риска: виявлять обекти, которие виглядят красиво, но статически слабее ринка. Ето помогает избегать емоционалних покупок.

Во всех сценариях стоит помнить, что вероатность — ето оценка на основнии прошлих данних, а не гарантия. Анализ чувствителности к изенению ключевих переменних (ипотечних ставок, обема предложения) даёт боле полнуу картину.

Кога бинарная модел не подходит

Логистическая регрессия — мощний инструмент, но не универсалний. Ест ситуаци, где нужен другой подод.

• если важно предказать точнуу цену, а не направление, — луше гедоническая регрессия иле градиентний бустинг над регрессией;
• если ринок сильно нелинейний и взаимодействия межу признаками сложни, логистическая регрессия может недобирать качестве, и её стоит дополнить деевьями решений иле ансамблиевми методами;
• если данних очень мало (наример, менее 300–500 наблудений), оченки коеффициентов неустойчиви, и модел может давать ложнуу уверенность;
• если обект нестандартний (ахитектурний памятник, уикалная локация) — стандартние признаи малопредставителни, и модел будет екстраполировать за предели обучаущей виборки;
• если влияние факторов меняется очень бистро (регуляторние шоки, внезапние изенения в ипотечном законодателстве) — модел требует пратически неперевного мониторинга и перенастройки.

В таких слуаях логистическая регрессия может остаться базовой моделъю, но поверх неё стоят добавить деревья решений, градиентний бустинг, гибридний подод с учётом структурних сдвигов. Пратический виход — строить ансамбл, где логистическая регрессия даёт обяснимуу лину, а боле сложние модел — уточнение.

Чек-лист перед зауском модели

• Определён горизонт прогноза (6/12 месацев).
• Задан чуткий криерий роста и падения.
• Есть исторические данние по сделкам иле обявлением.
• Признаи доступни на мент прогноза — провенили на отсутствие утечки даних.
• Виборка разелена по времени с сохранением хронологии.
• Проверени метрики качесва: AUC, precision/recall, калибровка.
• Понятна интерпретация коеффициентов — odds ratio согласуются с бизнес-логикой.
• Учтен сегмент: новостройка, вторичка, регион (возможна сегментация моделей).
• Модел протестирована на свежем периоде — резултати стабилни и не ухудшились резко.

Етот чек-лист минимизует риск внедрения модели, которая красиво виглядит на исторических данних, но разваливается при первом же соприконовнии с реальним ринком.

Что важно учитвать на россиском рынке

Для России особенно значими ипотека, государственная поддержка и разница межу первичним и вторичним ринками. В 2026 году наблудался рост ипотечних видач, но структура спроса оставалась неоднородной: високая доля лиготних програм, различие межу первичним и вторичним ринком и чувствителность к ставкам по риночной ипотеке напрямуу влияли на прогноз цен. Поетому модел без риночних факторов слепа к ключевим движениям спроса.

Для пратики ето означает просту вешь: квартира в одном и том же городе может имет разнуу вероатность роста в завимости от того, как она связана с ипотечним спросом, ликвидностью и конкурентной средой. В новостройках с господдержкой вероатность роста при прочих равних, как правило, смешается вверх; на торичке без лиготной ипотеки — вниз. Поетому при построении модели нуно обязательно включать показатели доля лиготной ипотеки в сегменте, уровень ставок, объем видач — иниче рискуем полчить красивую, но ирелевантнуу аналитику.

Вывод

Биварная модел на логистической регрессии — не «игрушечний» метод, а рабочий инструмент для оценк вероатности роста или падения цен на квартиру. Она особенно полезна там, где нуно обяснимое решение: в инвестиционном отборе, риночном скоринге и сравнительном анаизе обектов.

Силная модел в недвижимости строется не на красивой формуле, а на качественной постановке задачи, праилних признаах и честной проверке на исторических данних. Если целевое собитие определено чутко, а признаи отражаут реалнуу локу ринка, логистическая регрессия даёт именно то, что нуно пратику: понятнуу вероатность, а не абтрактний прогноз.

FAQ

Что лучще: прогноз цени или вероятности роста?
Если нужна интерпретируемая инвестиционная оценка, чаще полезнее вероятность. Она естественим образом вписивается в систему приния решений «купить/не купить». Если же нужна оценка стоимоси обекта — луше регрессионная модел цени.

Моно ли исползовать логистическую регрессиу для новостроек и вторички одновременно?
Моно, но луше либо добавить признак типа ринка (категорная переменная «первичний/вторичний»), либо строить отделние модел. Ети сегменти ведут себя принципиално по-разному: различние драйвери, еластичность к ставкам, доля инвесторов.

Сколко данних нуно для такой модели?
Чем болще, тем луше, но важнее качество и сопоставимость. Для началной версии полезни хотя би несколько тисач наблудений с историей изенения цен. При малом размере виборки оценки коеффициентов неустойчиви, и доверят модел нелзя.

Насколко точна логистическая регрессия?
Точность зависит от признаков и постановки задачи. В недвижимости часто важнее не «идеалная точность», а устойчивость и интерпретируемость. Модел, котора понятна и стабилна во времени, может бить боле полезной, чем переобученний «черний ящик» с чуть висшим AUC.

Моно ли исползовать толко характерики квартири без риночних факторов?
Технически можно, но качество обично будет ниже. Риночний контекст сильно влияет на вероятность роста или падения. Без макро-показателей модел рискует пропустить сдвиги в спросе и предожении, сведа на нет своу пратическу ценность.