Uso de Machine Learning para la predicción de precios de departamentos en Lima

• Autores: Barrientos Villegas, Renzo David, Delgado Luque, Renzo Augusto, Escalante Carty, Laura Patricia, Febres Bustamante, Gonzalo, Hisbes Malca, Estefany Brizet
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad ESAN
• Repositorio: ESAN-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.esan.edu.pe:20.500.12640/4543
• Enlace del recurso: https://hdl.handle.net/20.500.12640/4543
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Métodos de predicción; Precios; Valoración; Bienes inmuebles; https://purl.org/pe-repo/ocde/ford#5.02.04

Esta investigación desarrolla un modelo de predicción de precios de departamentos en Lima utilizando técnicas de Machine Learning (ML), comparando su rendimiento con el modelo tradicional de regresión hedónica. Se aplican tres metodologías: regresión lineal, Árbol de Decisión y XGBoost, usando una base de datos de más de 40,000 observaciones del Banco Central de Reserva del Perú (2014–2024). Los resultados muestran que XGBoost ofrece la mayor precisión predictiva, con menores errores (MAPE, MAE, RMSE) y mayor R², destacando el tamaño del inmueble, número de garajes y ubicación como variables clave. Esta mejora metodológica tiene implicancias directas en la gestión de riesgos del sistema financiero, permitiendo valoraciones más precisas para créditos hipotecarios, inversiones y supervisión regulatoria. El estudio sugiere que el uso de ML puede mejorar sustancialmente la eficiencia y confiabilidad en la estimación de precios inmobiliarios.