Estimación de valores de referencia de financiamiento hipotecario en México mediante aprendizaje automático: modelo basado en datos administrativos del SNIIV (2016 a 2025)
DOI:
https://doi.org/10.29059/cienciauat.v20i2.2058Palabras clave:
aprendizaje automático, bosques aleatorios, SNIIV, estimación, financiamiento hipotecarioResumen
La estimación de valores de referencia del financiamiento hipotecario puede aportar información valiosa para corroborar los resultados de la valuación de propiedades. El objetivo de este estudio fue estimar el monto promedio del crédito hipotecario en México por combinación única de variables socioeconómicas, geográficas y temporales, es decir, valores de referencia agregados y no montos de créditos individuales. Se emplearon tres modelos de aprendizaje automático (AA): bosques aleatorios (Random Forest, RF), árboles de decisión (Decision Tree, DT) y regresión lineal (Linear Regression, LR), a partir de datos administrativos del Sistema Nacional de Información e Indicadores de Vivienda (SNIIV) del período 2013 a 2025, que comprende 4 515 891 registros. Se analizó el período 2016 a 2025, dado que la UMA (Unidad de Medida y Actualización), empleada para clasificar el valor de la vivienda, opera desde 2016. La depuración comprendió la supresión de valores faltantes, el filtrado por modalidad del crédito, el truncamiento por percentiles, la detección de anomalías mediante Isolation Forest y el filtrado por rangos normativos de UMA, con lo que se obtuvieron 829 542 registros que, agrupados por combinaciones únicas de atributos, produjeron 139 069 observaciones. La estabilidad de los modelos se comprobó mediante validación cruzada de cinco pliegues y su desempeño se evaluó en un conjunto de prueba con la raíz del error cuadrático medio (RMSE), el error porcentual absoluto medio (MAPE) y el coeficiente de determinación (R2). El modelo RF mostró el mejor rendimiento, con R2 de 0.970, RMSE de 187 250 pesos y MAPE de 11.48 %, con variabilidad mínima entre pliegues. Este estudio establece que el AA, en especial el RF, puede complementar los métodos tradicionales de valuación, si bien, su uso pleno exige incluir variables físicas del inmueble e incorporarse al marco regulatorio vigente.
Citas
Barrientos-Matute, J. P. y Ruvalcaba-Gómez, E. A. (2023). Metodología para explorar el valor público de datos abiertos ofertados en portales web de vivienda. Economía, Sociedad y Territorio, 23(72), 405-431. https://doi.org/10.22136/est20232002 DOI: https://doi.org/10.22136/est20232002
Bergstra, J. & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281-305.
Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Wadsworth.
Carranza-Rodríguez, A. M., Carranza-Monzón, D. L. y León-Luyo, S. L. (2024). Aplicación de las escalas de medición ordinal para interpretar coeficientes de la correlación en investigación científica. Revista Científica Searching De Ciencias Humanas y Sociales, 5(1), 45-56. https://doi.org/10.46363/searching.v5i1.4 DOI: https://doi.org/10.46363/searching.v5i1.4
Deppner, J., von-Ahlefeldt-Dehn, B., Beracha, E., & Schaefers, W. (2023). Boosting the Accuracy of Commercial Real Estate Appraisals: An Interpretable Machine Learning Aproach. Journal of Real Estate Finance and Economics, 71, 1-38. https://doi.org/10.1007/s11146-023-09944-1 DOI: https://doi.org/10.1007/s11146-023-09944-1
Espinoza-Garza, F., Martínez-Ramírez, Y., Ramírez-Noriega, A. y Álvarez-Sánchez, I. N. (2024). Una revisión sistemática de la literatura sobre la precisión de modelos de aprendizaje automático aplicados a la tasación de Bienes raíces. Revista de Investigación en Tecnologías de la Información, 12(28), 4-16. https://doi.org/10.36825/RITI.12.28.002 DOI: https://doi.org/10.36825/RITI.12.28.002
Glumac, B. & Des-Rosiers, F. (2021). Practice briefing – Automated valuation models (AVMs): their role, their advantages and their limitations. Journal of Property Investment & Finance, 39(5), 481-491. DOI: https://doi.org/10.1108/JPIF-07-2020-0086
Google (2025). Google Colab. [En línea]. Disponible en: https://colab.research.google.com/. Fecha de consulta: 8 de junio de 2025.
Gunes, T. (2023). Model agnostic interpretable machine learning for residential property valuation. Survey Review, 56(399), 525-540. https://doi.org/10.1080/00396265.2023.2293366 DOI: https://doi.org/10.1080/00396265.2023.2293366
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (Second edition). Springer. DOI: https://doi.org/10.1007/978-0-387-84858-7
Hernández-Sampieri, R. (2014). Metodología de la investigación (Sexta edición). Mc Graw-Hill.
Ho, W. K. O., Tang, B. S., & Wong, S. W. (2021). Predicting property prices with machine learning algorithms. Journal of Property Research, 38(1), 48–70. https://doi.org/10.1080/09599916.2020.1832558 DOI: https://doi.org/10.1080/09599916.2020.1832558
Hong, J. & Kim, W. S. (2022). Combination of machine learning-based automatic valuation models for residential properties in south korea. International Journal of Strategic Property Management, 26(5), 362-384. https://doiorg/10.3846/ijspm.2022.17909 DOI: https://doi.org/10.3846/ijspm.2022.17909
Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90-95. https://doi.org/10.1109/MCSE.2007.55 DOI: https://doi.org/10.1109/MCSE.2007.55
INDAABIN, Instituto de Administración y Avalúos de Bienes Nacionales (2025). Metodologías de los servicios valuatorios regulados por INDAABIN. [En línea]. Disponible en: https://www.gob.mx/indaabin/documentos/metodologias-de-caracter-tecnico-24208. Fecha de consulta: 17 de mayo de 2025.
INEGI, Instituto Nacional de Estadística y Geografía (2025a). Unidad de Medida y Actualización (UMA). [En línea]. Disponible en: https://www.inegi.org.mx/temas/uma/. Fecha de consulta: 27 de febrero de 2025.
INEGI, Instituto Nacional de Estadística y Geografía (2025b). Catálogo Único de Claves de Áreas Geoestadísticas Estatales, Municipales y Localidades. [En línea]. Disponible en: https://www.inegi.org.mx/app/ageeml/. Fecha de consulta: 17 de enero de 2025.
IVSC, International Valuation Standards Council (2022). Normas Internacionales de Valuación. [En línea]. Disponible en: https://ivsc.org/. Fecha de consulta: 16 de septiembre de 2025.
Jafary, P., Shojaei, D., Rajabifard, A., & Ngo, T. (2024). Automated land valuation models: A comparative study of four machine learning and deep learning methods based on a comprehensive range of influential factors. Cities, 151, 105115. https://doi.org/10.1016/j.cities.2024.105115 DOI: https://doi.org/10.1016/j.cities.2024.105115
Jordan, M. I. & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260. https://doi.org/10.1126/science.aaa8415 DOI: https://doi.org/10.1126/science.aaa8415
Jung, J., Kim, J., & Jin, C. (2022). Does machine learning prediction dampen the information asymmetry for non-local investors? International Journal of Strategic Property Management, 26(5), 345-361. https://doi.org/10.3846/ijspm.2022.17590 DOI: https://doi.org/10.3846/ijspm.2022.17590
Kok, N., Koponen, E. L., & Martínez-Barbosa, C. A. (2017). Big data in real estate? From manual appraisal to automated valuation. Journal of Portfolio Management, 43(6), 202-211. https://doi.org/10.3905/jpm.2017.43.6.202 DOI: https://doi.org/10.3905/jpm.2017.43.6.202
Kumkar, P., Madan, I., Kale, A., Khanvilkar, O., & Khan, A. (2018). Comparison of Ensemble Methods for Real Estate Appraisal. [En línea]. Disponible en: 10.1109/ICICT43934.2018.9034449. Fecha de consulta: 19 de enero de 2025. DOI: https://doi.org/10.1109/ICICT43934.2018.9034449
Ling, D. C. & McGill, G. A. (1998). Evidence on the demand for mortgage debt by owner-occupants. Journal of Urban Economics, 44(3), 391-414. DOI: https://doi.org/10.1006/juec.1997.2079
Linneman, P. & Wachter, S. (1989). The impacts of borrowing constraints on homeownership. Real Estate Economics, 17(4), 389-402. https://doi.org/10.1111/1540-6229.00499 DOI: https://doi.org/10.1111/1540-6229.00499
Matey, V., Chauhan, N., Mahale, A., Bhistannavar, V., & Shitole, A. (2022). Real Estate Price Prediction using Supervised Learning. 2022 IEEE Pune Section International Conference, PuneCon 2022. https://doi.org/10.1109/PuneCon55413.2022.10014818 DOI: https://doi.org/10.1109/PuneCon55413.2022.10014818
Maulud, D. & Abdulazeez, A. M. (2020). A Review on Linear Regression Comprehensive in Machine Learning. Journal of Applied Science and Technology Trends, 1(2), 140-147. https://doi.org/10.38094/jastt1457 DOI: https://doi.org/10.38094/jastt1457
McKinney, W. (2010). Data structures for statistical computing in Python. In S. van-der-Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 51-56). https://doi.org/10.25080/Majora-92bf1922-00a DOI: https://doi.org/10.25080/Majora-92bf1922-00a
Mody, P., Motiramani, M., & Singh, A. (2023). Enhancing Real Estate Market Insights through Machine Learning: Predicting Property Prices with Advanced Data Analytics. 2023 4th IEEE Global Conference for Advancement in Technology, GCAT 2023. https://doi.org/10.1109/GCAT59970.2023.10353243 DOI: https://doi.org/10.1109/GCAT59970.2023.10353243
Nazarov, F. M. & Yarmatov, S. (2023). Optimization of Prediction Results Based on Ensemble Methods of Machine Learning. Proceedings - 2023 International Russian Smart Industry Conference, SmartIndustryCon 2023, 181-185. https://doi.org/10.1109/SmartIndustryCon57312.2023.10110726 DOI: https://doi.org/10.1109/SmartIndustryCon57312.2023.10110726
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
Restrepo, L. F. & González, J. (2007). De Pearson a Spearman. Revista Colombiana de Ciencias Pecuarias, 20(2), 183-192. DOI: https://doi.org/10.17533/udea.rccp.324135
Salas-Tafoya, J. M. (2018). Transdisciplinariedad valuatoria. Hacia una construcción sistémica para la valuación inmobiliaria/Valuable transdisciplinarity. Towards a systemic construction for real estate valuation. RICEA Revista Iberoamericana de Contaduría, Economía y Administración, 6(12), 348-369. https://doi.org/10.23913/ricea.v6i12.109 DOI: https://doi.org/10.23913/ricea.v6i12.109
Singh, A., Sharma, A., & Dubey, G. (2020). System Assurance Engineering and Management. [En línea]. Disponible en: https://nam04.safelinks.protection.outlook.com/?url=https%3A%2F%2Fdoi.org%2F10.1007%2Fs13198-020-00946-3&data=05%7C02%7Ccienciauat%40uat.edu.mx%7C122c5e065f544d8b4a2108df14df5799%7C725ab307b77c4f669168376b1c7f9990%7C0%7C0%7C639252621672908005%7CUnknown%7CTWFpbGZsb3d8eyJFbXB0eU1hcGkiOnRydWUsIlYiOiIwLjAuMDAwMCIsIlAiOiJXaW4zMiIsIkFOIjoiTWFpbCIsIldUIjoyfQ%3D%3D%7C0%7C%7C%7C&sdata=YozkQviF84tkQrSz%2FMzOaeKfzIZGZRkG9w8B6%2FVIFho%3D&reserved=0. Fecha de consulta: 19 de enero de 2025.
SNIIV, Sistema Nacional de Información e Indicadores de vivienda (2025). Datos abiertos de financiamiento en México. [En línea]. Disponible en: https://sniiv.sedatu.gob.mx/Reporte/Datos_abiertos. Fecha de consulta: 31 de agosto de 2026.
Stang, M., Krämer, B., Nagl, C., & Schäfers, W. (2023). From human business to machine learning—methods for automating real estate appraisals and their practical implications. Zeitschrift Für Immobilienökonomie, 9(2), 81-108. https://doi.org/10.1365/s41056-022-00063-1 DOI: https://doi.org/10.1365/s41056-022-00063-1
Tellman, B., Eakin, H., Janssen, M. A., de-Alba, F., & Turner, B. L. (2021). The role of institutional entrepreneurs and informal land transactions in Mexico City's urban expansion. World Development, 140, 105374. https://doi.org/10.1016/j.worlddev.2020.105374 DOI: https://doi.org/10.1016/j.worlddev.2020.105374
Valier, A. (2020). Who performs better? AVMs versus hedonic models. Journal of Property Investment & Finance, 38(3), 213-225. DOI: https://doi.org/10.1108/JPIF-12-2019-0157
Verma, P. K., Arya, S., & Asbe, C. (2023). Predicting future housing prices: a machine learning approach. Multidisciplinary Science Journal, 5, 2023ss0206. https://doi.org/10.31893/multiscience.2023ss0206 DOI: https://doi.org/10.31893/multiscience.2023ss0206
Publicado
Cómo citar
Licencia
Derechos de autor 2025 Universidad Autónoma de Tamaulipas
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aceptado 2026-09-03
Publicado 2026-09-21
