Negotiations Concerning Speculative Real Estate Investments

Abstract

Forhandlinger er en avgjørende del av eiendomsbransjen, men tilstedeværelsen av praktisk anvendbare forhandlingsverktøy i spillteorilitteraturen er knapp. I senere tid har fremskritt innenfor datateknologi muliggjort utviklingen av autonome forhandlingsmodeller, ved å ta i bruk kunstig intelligens og maskinlæring. Likevel, selv med all datakraft i verden, så klarer ikke dagens modeller å overkomme noen av de fundamentale praktiske forhandlingsutfordringene, spesielt relevant for spekulative eiendommer; nemlig, å bestemme en selgers reservasjonspris og optimale åpningsmotbud. I denne avhandlingen løser vi disse praktiske utfordringene ved å utvikle en autonom forhandlingsmodell, som skal hjelpe en eiendomsinvestor med målet om å maksimere profitt av en eiendom gjennom et bilateralt forhandlingsspill. I den presenterte modellen kombinerer vi eksisterende maskinlæringsalgoritmer brukt i autonome forhandlingsmodeller, med realopsjonsverdivurderingsteknikker. Så vidt vi vet, er vi de første til å utvikle en praktisk forhandlingsmodell for dette formålet.

Sammen med et veletablert norsk eiendomsinvesteringsselskap, parameteriserer vi modellen vår til kjennetegnene på det norske markedet, og identifiserer gjennom å simulere millioner av spill, den strategien som gir høyest belønning. Deretter bruker vi funnene våre fra simuleringene i en nylig +100 MNOK avtale for å se hvordan denne strategien ville ha utspilt seg i en ekte forhandling, og for å få generell innsikt i dette markedet.

Nøkkelord: Eiendomsforhandling, Bilateral Spillteori, Forhandlingsspill, Automatisert Forhandling, Bayesisk Læring, Realopsjonsverdivurdering, Profittmaksimering.

Negotiations are a crucial part of the real estate business, yet the presence of practically applicable negotiation tools in the game theory literature is scarce. More recently, progress within computer science has allowed the development of autonomous negotiation models by utilizing artificial intelligence and machine learning. However, even with all the computational power in the world, existing models fall short in overcoming some of the fundamental practical negotiation issues, particularly relevant for speculative real estates; namely, establishing a seller's reservation price and optimal initial counteroffer. In this thesis, we overcome these practical issues by developing an autonomous negotiation model, which seeks to assist a real estate investor with the objective to maximize profit from a property in the scope of a bilateral bargaining game. In the presented model, we combine existing machine learning algorithms used in autonomous negotiation models with real options valuation techniques. To the best of our knowledge, we are the first to develop a practical negotiation tool for this purpose.

Together with a well-established Norwegian real estate investment firm, we parameterize the model to the characteristics of the Norwegian market and identify, by simulating millions of games, the best strategy in terms of payoff. Then, we use our findings from the simulations in a recent +100 MNOK deal to see how this strategy would have performed in real-life negotiation and to obtain general insights for this market.

Keywords: Real Estate Negotiation, Bilateral Game Theory, Bargaining Game, Automated Negotiation, Bayesian Learning, Real Options Valuation, Profit Maximization.