AI-avusteinen real estate -portfolion optimoint i: REIT- ja kiinteistörahastojen näkökulma
Vesterbacka, Aleksi (2025)
Kandidaatintyö
2025
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe20251219122962
https://urn.fi/URN:NBN:fi-fe20251219122962
Tiivistelmä
Tässä kandidaatintyössä tarkastellaan tekoälyä real estate -sijoitusportfolion optimoinnin tukena REITien ja kiinteistörahastojen näkökulmasta. Tavoitteena on selvittää, millaisia tekoälymenetelmiä voidaan hyödyntää REIT- ja kiinteistörahastosalkkujen tuotto- ja riskiennusteissa, miten ne voidaan yhdistää perinteisiin portfoliomalleihin sekä millaisia haasteita ja rajoitteita tekoälyn käyttöön liittyy. Työ toteutettiin kirjallisuuskatsauksena, jossa yhdistetään portfolioteorian, kiinteistösijoittamisen ja tekoälyn tutkimuskirjallisuutta institutionaalisten sijoittajien näkökulmasta.
Kirjallisuuskatsauksen perusteella tekoälyn keskeinen lisäarvo liittyy tuotto- ja riskiennusteiden parantamiseen. Koneoppimismallit, kuten neuroverkot ja LSTM (Long short term memory) -verkot, kykenevät hyödyntämään laajoja ja moniulotteisia aineistoja sekä havaitsemaan epälineaarisia riippuvuuksia, joita perinteiset lineaariset mallit eivät tavoita. Näin ne voivat tuottaa dynaamisempia arvioita REIT- ja kiinteistörahastosalkkujen tuotoista, volatiliteetista sekä häntäriskistä. Tekoäly ei kuitenkaan korvaa vakiintuneita portfoliomalleja, vaan täydentää niitä, esimerkiksi Black–Litterman-malliin, Monte Carlo -simulointeihin ja real options -analyysiin voidaan syöttää tekoälyn tuottamia datavetoisia tuotto- ja riskiparametreja perinteisten oletusten sijaan.
Työ tuo esiin myös merkittäviä haasteita. Kiinteistösijoitusdatan erityispiirteet kuten harva kaupankäynti, arviointipohjainen arvonmääritys ja hintasarjojen tasoittuminen vaikeuttavat mallien oppimista ja voivat johtaa liian optimistisiin riskimittareihin. Lisäksi tekoälymalleihin liittyy malliriski, selitettävyysongelmat ja tiukentuva sääntely, jotka edellyttävät systemaattista validointia, stressitestausta ja selkeitä hallintakäytäntöjä.
Johtopäätöksenä työssä todetaan, että tekoälyllä on merkittävä potentiaali REIT- ja kiinteistörahastosalkkujen optimoinnin tukena erityisesti riskienhallinnassa, skenaariotyöskentelyssä ja dynaamisessa allokaatiossa. Tekoälyä on kuitenkin syytä tarkastella ensisijaisesti perinteisiä portfolionhallinnan menetelmiä täydentävänä työkaluna. Työ luo pohjan jatkotutkimukselle, jossa tekoälyavusteisia strategioita voitaisiin testata empiirisesti REIT- ja kiinteistörahastomarkkinoilla eri markkinasykleissä.
Kirjallisuuskatsauksen perusteella tekoälyn keskeinen lisäarvo liittyy tuotto- ja riskiennusteiden parantamiseen. Koneoppimismallit, kuten neuroverkot ja LSTM (Long short term memory) -verkot, kykenevät hyödyntämään laajoja ja moniulotteisia aineistoja sekä havaitsemaan epälineaarisia riippuvuuksia, joita perinteiset lineaariset mallit eivät tavoita. Näin ne voivat tuottaa dynaamisempia arvioita REIT- ja kiinteistörahastosalkkujen tuotoista, volatiliteetista sekä häntäriskistä. Tekoäly ei kuitenkaan korvaa vakiintuneita portfoliomalleja, vaan täydentää niitä, esimerkiksi Black–Litterman-malliin, Monte Carlo -simulointeihin ja real options -analyysiin voidaan syöttää tekoälyn tuottamia datavetoisia tuotto- ja riskiparametreja perinteisten oletusten sijaan.
Työ tuo esiin myös merkittäviä haasteita. Kiinteistösijoitusdatan erityispiirteet kuten harva kaupankäynti, arviointipohjainen arvonmääritys ja hintasarjojen tasoittuminen vaikeuttavat mallien oppimista ja voivat johtaa liian optimistisiin riskimittareihin. Lisäksi tekoälymalleihin liittyy malliriski, selitettävyysongelmat ja tiukentuva sääntely, jotka edellyttävät systemaattista validointia, stressitestausta ja selkeitä hallintakäytäntöjä.
Johtopäätöksenä työssä todetaan, että tekoälyllä on merkittävä potentiaali REIT- ja kiinteistörahastosalkkujen optimoinnin tukena erityisesti riskienhallinnassa, skenaariotyöskentelyssä ja dynaamisessa allokaatiossa. Tekoälyä on kuitenkin syytä tarkastella ensisijaisesti perinteisiä portfolionhallinnan menetelmiä täydentävänä työkaluna. Työ luo pohjan jatkotutkimukselle, jossa tekoälyavusteisia strategioita voitaisiin testata empiirisesti REIT- ja kiinteistörahastomarkkinoilla eri markkinasykleissä.