Vermogensbelasting woning: zo zit het met box 3 in 2026

Meta description: Vermogensbelasting woning begrijpen in box 3? Lees hoe banken en investeerders fiscale impact modelleren met actuele woningdata en API's.

Je hebt waarschijnlijk geen gebrek aan vastgoeddata. Je hebt vooral een gebrek aan fiscale zekerheid op het juiste moment. Voor banken, investeerders, taxateurs en productteams zit het risico niet alleen in de vraag wat een woning waard is, maar ook in de vraag welke waarde wanneer fiscaal telt.

Bij vermogensbelasting woning loopt dat verschil snel op. De peildatum ligt vast, de fiscale grondslag volgt andere regels dan je economische waardering, en bij box 3 is de juridische context in korte tijd veranderd. Daardoor ontstaat een praktisch probleem voor B2B-organisaties: je kunt een portefeuille inhoudelijk goed begrijpen en tóch verkeerde aannames maken over belastingdruk, rendement en timing.

Voor productteams en risico-analisten is dat geen theoretisch punt. Het raakt kredietbeleid, portefeuillemonitoring, waarderingslogica, scenario-analyse en klantadvies. Wie uitsluitend naar WOZ-data kijkt, mist marktdynamiek. Wie uitsluitend naar marktwaarde kijkt, mist de fiscale werkelijkheid. Juist die spanning bepaalt of je een dossier scherp beoordeelt of een risico te laat ziet.

Introductie: De onzekerheid in box 3 vraagt om datagedreven zekerheid

Stel een kredietteam beoordeelt op 2 januari een portefeuille met tweede woningen op basis van marktwaarde, huurpotentie en LTV. Enkele weken later blijkt dat dezelfde objecten fiscaal onder een ander regime vallen dan in de businesscase was aangenomen. Dan verschuift niet alleen de verwachte belastingdruk, maar ook het beeld van netto rendement, herfinancieringsruimte en risicoweging.

Die onzekerheid is sinds de recente box-3-ontwikkelingen geen randvoorwaarde meer, maar een modelrisico. De Hoge Raad oordeelde in juni 2024 dat het forfaitaire stelsel in strijd is met Europees recht. Daarna is een tegenbewijsregeling ingevoerd waarmee belastingplichtigen hun werkelijke rendement mogen aantonen. Voor vastgoedportefeuilles is dat relevant omdat onroerend goed in 2025 in box 3 onder ‘overige bezittingen' valt met een forfaitair rendement van 5,88%, zoals beschreven in de analyse van ABN AMRO over vastgoed in box 3.

Waarom dit voor B2B-portefeuilles direct relevant is

Voor banken, verzekeraars, investeerders en servicers zit de impact niet pas bij de aangifte. Die begint al in acceptatie, pricing, portefeuillemonitoring en klantadvies. Een object met stabiele huurinkomsten kan fiscaal anders uitpakken dan het operationele rendement suggereert. Dat verschil werkt door in dossierselectie, scenario-analyse en rendementsprognoses.

Daarom volstaat een traditioneel vastgoedmodel niet. B2B-teams hebben naast objectkenmerken en prijsdata ook fiscale classificatie, peildatumlogica en bewijsdocumentatie nodig. Zonder die laag ontstaat een systematische fout: economische waarde en fiscale waarde worden behandeld alsof ze uitwisselbaar zijn, terwijl ze op verschillende regels steunen.

Concreet raakt dat drie processen:

• Acceptatie vraagt om vaststelling of een woning hoofdverblijf is of fiscaal als box-3-bezit meetelt.
• Portefeuillebeheer vraagt om signalering van dossiers waar fiscale druk en werkelijk rendement uit elkaar lopen.
• Herfinanciering en advies vragen om onderbouwing die zowel marktdata als fiscale uitgangspunten volgt.

De uitdaging zit in waardering, timing en bewijs

Veel organisaties sturen primair op marktwaarde. Dat is logisch voor rendement, verkoopkans en LTV. Maar voor box 3 is die benadering onvolledig, omdat de heffing werkt met categorieën, forfaits en een vaste peildatum. Daardoor kan een portefeuille economisch verbeteren terwijl de fiscale uitkomst daar niet direct in meebeweegt.

Dit is het centrale probleem voor B2B-teams. Je analyseert vastgoed in meerdere werkelijkheden tegelijk: de marktwaarde voor commerciële beslissingen, de WOZ-waarde voor fiscale referentiepunten en het werkelijke rendement voor tegenbewijs. Zodra één van die lagen verouderd is, neemt de kans toe op verkeerde aannames in pricing, risicomodellen en klantcommunicatie.

Juist daarom worden actuele woningdata en API-koppelingen belangrijk in de uitvoering. Ze maken het mogelijk om waardemutaties, eigendomssituaties en portefeuille-indelingen sneller te actualiseren, zodat analisten eerder zien welke objecten fiscale herbeoordeling nodig hebben en welke dossiers onder verschillende box-3-scenario's afwijken. Dat verkort de tijd tussen marktverandering en fiscale impactanalyse.

De wettelijke basis: eigen woning in box 1 versus tweede woning in box 3

Een bank beoordeelt twee ogenschijnlijk vergelijkbare woningen met vrijwel dezelfde marktwaarde. De ene woning is het hoofdverblijf van de klant en valt onder het eigenwoningregime in box 1. De andere staat als tweede woning op naam en valt in box 3. Voor de fiscaliteit, de risicomodellering en de portefeuille-analyse zijn dat twee verschillende dossiers.

Die scheidslijn bepaalt welke fiscale regels gelden, welke waardegrondslag relevant is en hoe een instelling toekomstige druk op rendement of betaalcapaciteit inschat.

Wat fiscaal telt als eigen woning

Een woning valt alleen in box 1 als die kwalificeert als hoofdverblijf. Voor B2B-partijen is dat geen administratief detail, maar een classificatie met directe gevolgen voor acceptatie, dossiersegmentatie en klantcommunicatie. Zodra een object niet meer als hoofdverblijf kwalificeert, verschuift de fiscale behandeling naar box 3 en verandert ook de logica van de analyse.

Dat onderscheid werkt door in portefeuilles met particuliere vastgoedfinanciering, family office-structuren en investor lending. Een woningtype alleen zegt weinig. De fiscale status volgt uit gebruik, eigendomssituatie en bewijspositie.

Wat in box 3 valt

Een woning die niet als hoofdverblijf geldt, komt doorgaans in box 3 terecht. In de praktijk gaat het vaak om:

• een tweede woning die niet permanent wordt bewoond als hoofdwoning
• een vakantiewoning die als privévermogen wordt aangehouden
• een verhuurd object buiten het eigenwoningregime

Voor analisten is dit relevant omdat box 3 niet alleen een fiscale categorie is, maar ook een andere set variabelen vraagt. Je hebt dan niet genoeg aan adres- en eigendomsdata. Je moet ook kunnen vastleggen hoe het object wordt gebruikt, op welke peildatum dat gebruik gold en of er signalen zijn dat de classificatie is gewijzigd.

Waarom de WOZ-waarde in beide boxen terugkomt

De heffingssystematiek van box 1 en box 3 verschilt, maar de WOZ-waarde blijft de fiscale referentie. In box 3 werkt die waarde direct door in de vermogensgrondslag. In box 1 heeft dezelfde waarde een andere functie binnen het eigenwoningregime.

Voor datamodellen is dat verschil belangrijk. Een portfolio engine die slechts één generieke woningwaarde opslaat, mist context die nodig is voor fiscale analyses, uitzonderingslogica en scenariovergelijkingen. Dat leidt tot meetfouten, bijvoorbeeld wanneer marktwaarde, WOZ-waarde en gebruiksstatus door elkaar gaan lopen in risk reporting of tax forecasting.

Daarom is de fiscale behandeling van gerealiseerde overwaarde ook relevant, vooral bij verkoop, herstructurering of herfinanciering. Een bruikbaar vertrekpunt staat in dit artikel over belasting op overwaarde na verkoop van een huis.

Voor B2B-teams ligt hier ook een operationele kans. Met actuele woningdata en API-koppelingen kunnen instellingen wijzigingen in gebruik, eigendom en waardering sneller signaleren en automatisch doorzetten naar fiscale segmentatie. Dat verkort de tijd tussen mutatie en herbeoordeling, en maakt box-3-impact beter voorspelbaar op portefeuille-niveau.

Rekenvoorbeelden: de fiscale impact van je vastgoed in de praktijk

Op 1 januari staat een bank of vastgoedinvesteerder voor een praktisch probleem. De portefeuille bevat woningen met vergelijkbare huurinkomsten, maar de fiscale druk loopt uiteen zodra objectgebruik, waardegrondslag en schuldpositie verschillen. Zonder rekenlogica op objectniveau ontstaat dan snel ruis in rendementsschattingen, pricing en kapitaalallocatie.

Voor B2B-portefeuilles is daarom niet alleen de vraag relevant wat een woning oplevert, maar ook hoe de fiscus die woning classificeert en waardeert. Juist in box 3 kan de heffing afwijken van de operationele kasstroom. Dat maakt fiscale modellering onderdeel van portefeuilleanalyse, niet alleen van compliance.

Vergelijking tussen eigen woning en tweede woning

Kenmerk	Eigen woning (Box 1)	Tweede woning (Box 3)
Fiscale positie	Hoofdverblijf, niet belast in box 3	Vermogen in box 3
Rol van WOZ-waarde	Relevante fiscale input binnen eigenwoningregime	Onderdeel van rendementsgrondslag
Basis van heffing	Andere systematiek dan vermogensheffing	Forfaitair rendement op vermogen
Relatie met werkelijke kasstroom	Niet primair gebaseerd op vermogensrendement	Kan losstaan van feitelijke huur of opbrengst

Voor een consumentenlezer is dat vooral een verschil in belastingregels. Voor een institutionele partij is het een modelrisico. Twee woningen met dezelfde WOZ-waarde kunnen in interne rapportages ten onrechte gelijk worden behandeld, terwijl de fiscale boxindeling leidt tot een ander verwacht nettoresultaat.

Een concreet box-3-voorbeeld

Neem een tweede woning met een WOZ-waarde van €500.000. Bij een forfaitair rendement van 6,04% in 2024 en een belastingtarief van 32% komt het fictieve rendement uit op €30.200 en de heffing op circa €9.664, vóór verwerking van eventuele schulden.

Dat bedrag is voor B2B-analyses relevant omdat het direct laat zien waar kasstroommodellen kunnen afwijken van fiscale werkelijkheid. Een object met beperkte huur, tijdelijke leegstand of hogere onderhoudslasten kan fiscaal nog steeds zwaar meetellen. Op portefeuilleniveau werkt dat door in netto-rendementsprognoses, debt service-analyses en scenario's voor buy, hold of dispose.

Een tweede observatie is minder zichtbaar, maar vaak belangrijker. De fiscale last reageert hier op de waardegrondslag, niet op de gerealiseerde exploitatie. Daardoor kan een portefeuille met stabiele huurinkomsten toch meer fiscale druk opbouwen als waarderingen oplopen.

Voor kredietverstrekkers en investeerders hoort box-3-impact daarom in hetzelfde dashboard thuis als huurontwikkeling, leegstand en LTV.

Wat dit betekent voor waarderingsmodellen

Voor zakelijke teams volgt hieruit een duidelijke modelaanpassing.

• Kasstroom alleen geeft een incompleet beeld. Netto huur verklaart niet automatisch de fiscale druk per object.
• Waardedata beïnvloedt de verwachte belastinglast direct. Een wijziging in WOZ of fiscale grondslag verandert dus ook de geprojecteerde netto-opbrengst.
• Schulddata moet op objectniveau gekoppeld zijn. Zonder relatie tussen woningwaarde, financiering en fiscale positie wordt het effect van schuld op de grondslag te grof ingeschat.

Dit is precies het punt waarop actuele data en API-koppelingen praktisch worden. Een bank, servicer of investeerder kan mutaties in waarde, eigendom en gebruik automatisch doorzetten naar fiscale segmentatie, zodat rekenmodellen sneller aansluiten op de werkelijke portefeuille. Wie daarbij fiscale grondslag wil vergelijken met een actuelere economische inschatting, kan die analyse aanvullen met een workflow voor marktwaarde van een woning berekenen.

Van WOZ-waarde naar marktwaarde: het belang van actuele data

Voor portefeuillemonitoring, financieringsbeslissingen en exit-analyses is de WOZ-waarde een nuttig startpunt, maar geen voldoende stuurvariabele. De fiscale waardering volgt een formele systematiek en een vaste peildatum. De economische waarde beweegt intussen mee met transacties, renovaties, lokale vraag en objectspecifieke risico's. Juist dat verschil bepaalt of een B2B-portefeuille fiscaal stabiel oogt, terwijl de werkelijke risico-rendementsverhouding al is verschoven.

Waarom de peildatum voor professionals een operationeel risico is

Voor box 3 telt de waarde op 1 januari. Dat maakt waardedata niet alleen relevant voor rapportage, maar ook voor timing. Een aankoop, herfinanciering of herclassificatie vlak voor of vlak na de peildatum kan in modellen een vergelijkbaar economisch effect hebben, terwijl de fiscale uitkomst een jaar kan verschillen.

Voor banken, servicers en investeerders is dat geen detail. Het raakt pricing, expected return en risicosegmentatie op dossier- en portefeuilleniveau.

De operationele fout ontstaat vaak in de vertaalslag tussen systemen. Het fiscale referentiepunt staat vast, terwijl interne dashboards vaak werken met recentere marktinformatie. Zonder expliciete scheiding tussen die twee waardebeelden ontstaan verkeerde vergelijkingen, bijvoorbeeld bij LTV-bewaking, herwaardering van zekerheden of de prognose van netto rendement na belasting.

WOZ is bruikbaar, maar niet voldoende

WOZ-data werkt goed als uniforme fiscale basis. Voor sturing op portefeuillekwaliteit is een actueler waardebeeld nodig, omdat de WOZ-waarde per definitie vertraagd kan reageren op marktdynamiek.

Dat verschil heeft drie praktische gevolgen:

• Afwijkingen tussen fiscale en economische waarde kunnen materieel zijn. Daardoor kan een object in fiscale rapportages stabiel lijken, terwijl de marktwaarde al duidelijk is veranderd.
• Besluitvorming vraagt om scenario's. Acquisitie, verkoop en herfinanciering hangen af van bandbreedtes en mutatiekansen, niet alleen van een beschikte waarde.
• Portefeuillerisico concentreert zich vaak in subsegmenten. Denk aan objecten met recente verbouwingen, functiewijzigingen of een lokale markt die sneller beweegt dan de WOZ-cyclus volgt.

Voor teams die dit onderscheid scherp willen modelleren, helpt een nadere uitleg van het verschil tussen WOZ-waarde en marktwaarde.

Hoe API-data het verschil maakt

API-koppelingen maken van waardedata een bruikbaar proces in plaats van een periodieke exercitie. Dan kun je WOZ-data, transactiegegevens, objectkenmerken en actuele waardeschattingen op objectniveau samenbrengen en automatisch doorzetten naar acceptatie-, taxatie- en portefeuillemodellen.

Een bank kan daarmee bijvoorbeeld signaleren welke onderpanden fiscaal nog op een oude referentiewaarde staan, terwijl de marktwaarde al is opgelopen of teruggevallen. Een investeerder kan dezelfde datapijplijn gebruiken om te toetsen waar fiscale grondslag en economische exposure uit elkaar lopen, en welke clusters daardoor extra gevoelig zijn voor herprijzing of afwijkende rendementen.

Altum AI is in dat proces een feitelijke databron via één API-laag voor onder meer woningwaardes, WOZ-data en aanvullende woningkenmerken. Die koppeling helpt B2B-teams om verschillen tussen fiscale referentiewaarde en marktinschatting systematisch te meten, in plaats van die pas bij aangifte, taxatie of portefeuille-review te ontdekken.

Datagedreven strategieën voor tax planning en risicobeheer

Een bank sluit het jaar af met een ogenschijnlijk stabiele woningportefeuille. Op 1 januari blijkt de fiscale positie van een deel van die portefeuille toch anders uit te pakken dan de risicomodellen verwachtten. Niet doordat de markt onverwacht bewoog, maar doordat objectclassificatie, peildatum en waardereferentie niet op hetzelfde moment zijn bijgewerkt. Juist daar ontstaat voor B2B-partijen het verschil tussen fiscale controle en fiscale ruis.

Drie analysekaders die in de praktijk werken

De verwachte verschuiving in box 3 richting meer aansluiting op werkelijk rendement verandert de informatiebehoefte van banken, servicers en investeerders. Een jaarlijkse waardetoets is dan te beperkt. Wie fiscale impact op portefeuilleniveau wil voorspellen, moet objectdata, timing en kasstromen in samenhang modelleren.

Peildatumanalyse

Peildatumanalyse draait om de vraag welke objecten rond 1 januari een verhoogde kans hebben op een andere fiscale behandeling of grondslag. Dat is relevant bij dossiers met een verwachte verkoop, recente herfinanciering, wijziging in gebruik of een verschuiving van hoofdverblijf naar belegging.

Voor risk- en finance-teams levert deze analyse meer op dan een signaleringslijst. Ze kunnen vooraf bepalen waar aanvullende validatie nodig is, welke dossiers handmatig moeten worden beoordeeld en waar operationele vertraging direct fiscale gevolgen kan hebben. Bij grotere portefeuilles zit het risico vaak niet in één groot object, maar in een cluster van kleine mutaties die samen de belastingdruk verschuiven.

Divergentieanalyse tussen fiscale en economische waarde

Voor krediet- en investeringsbeslissingen is niet alleen de absolute waarde van belang, maar vooral het verschil tussen de fiscale referentiewaarde en de actuele economische waarde. Als WOZ en marktwaarde uiteenlopen, ontstaan drie soorten frictie.

• Kredietmodellen kunnen een ander risicobeeld geven dan de fiscale werkelijkheid.
• Portefeuilleramingen kunnen verwachte netto-opbrengst overschatten of onderschatten.
• Relatiebeheer en adviesprocessen kunnen een financieel gezond dossier tonen, terwijl de fiscale druk sneller oploopt dan verwacht.

Dat verschil werkt door in besluitvorming. Een woning met sterke marktgroei kan commercieel aantrekkelijk lijken, maar binnen box 3 een minder gunstig profiel krijgen zodra fiscale grondslag, schuldstructuur en verwachte opbrengst uit elkaar gaan lopen.

Analyse op werkelijk rendement

Voorbereiding op een stelsel dat meer stuurt op feitelijk rendement vraagt om een andere datalaag dan alleen waarderingen. B2B-partijen hebben dan ook zicht nodig op huurstromen, kosten, transactiemomenten, leegstand en gerealiseerde verkoopresultaten. Pas dan kun je op objectniveau toetsen welke onderdelen van het rendement structureel zijn en welke vooral door timing of eenmalige waardeontwikkeling worden veroorzaakt.

API-koppelingen maken dat proces schaalbaar. Ze brengen objectkenmerken, waardedata en transacties samen in één werkstroom, zodat teams afwijkingen eerder signaleren en scenario's sneller kunnen doorrekenen. Voor partijen die met Altum AI werken, betekent dat concreet dat woningwaardes, WOZ-data en aanvullende woningkenmerken via één API-laag beschikbaar komen voor fiscale analyses, acceptatie en portefeuillemonitoring.

Geanonimiseerd praktijkvoorbeeld

Een asset manager beoordeelt een woningportefeuille met objecten die deels op huurinkomsten draaien en deels op verwachte waardestijging. In het oude model lag de focus op WOZ, huur en schuldpositie. In het nieuwe model voegt het team drie variabelen toe: actuele marktwaarde, peildatumsignalering en objectclassificatie.

Het effect zit niet alleen in betere rapportage. De portefeuille wordt ook anders gestuurd. Objecten met lage huur blijken niet automatisch fiscaal ongunstig. Objecten met hoge waardegroei blijken niet automatisch aantrekkelijk om aan te houden. Vooral woningen die economisch renderen via prijsstijging, maar fiscaal volledig in box 3 meetellen, verdienen eerder een herbeoordeling van financiering, verkoopmoment of allocatie binnen de portefeuille.

De praktische conclusie is simpel. Tax planning voor vastgoed werkt beter als B2B-teams fiscale regels behandelen als een dataprobleem met juridische randvoorwaarden, niet als een jaarlijkse exercitie rond de aangifte.

FAQ: Antwoorden op specifieke vragen over vermogensbelasting en woningen

Een bank sluit op 2 januari een herfinanciering af voor een deel van haar buy-to-let-portefeuille. Economisch verandert de risicopositie direct. Fiscaal werkt die mutatie pas later door, omdat box 3 naar een vaste peildatum kijkt. Juist in dat verschil tussen transactiedatum en fiscale peildatum ontstaan voor B2B-portefeuilles de grootste modelafwijkingen.

Hoe relevant is de peildatum van 1 januari voor portefeuillebeslissingen

De peildatum bepaalt welke vermogenspositie meetelt voor box 3. Voor banken, investeerders en asset managers betekent dat dat timing niet alleen een operationele keuze is, maar ook een fiscale variabele in portefeuilleanalyse.

Een verkoop in december, een herwaardering in januari of een wijziging in de financieringsstructuur rond de jaargrens kan de fiscale uitkomst anders laten uitvallen dan het economische rendement dat intern wordt gerapporteerd. Teams die alleen op maand- of kwartaalrapportages sturen, missen daardoor soms precies de mutaties die fiscaal het verschil maken.

Vooral bij grotere portefeuilles loont het om peildatumcontroles als aparte datastap in te richten.

Welke impact heeft een stelsel op werkelijk rendement op vastgoeddata

De impact zit vooral in de breedte van de datavraag. Onder een forfaitaire benadering volstaan categorieën, waardes en fiscale labels vaak voor een eerste inschatting. Bij een stelsel dat meer uitgaat van werkelijk rendement worden ook huurstromen, kosten, transactiemomenten en waardemutaties relevant voor de fiscale beoordeling, in lijn met de uitleg van De Hypotheker over de richting van box 3.

Dat verandert ook de eisen aan datakwaliteit. Een WOZ-waarde zonder context is dan beperkt bruikbaar. Organisaties moeten kunnen herleiden wanneer rendement is ontstaan, hoe kosten zijn geboekt en welk object aan welke kasstroom is gekoppeld. Voor B2B-partijen verschuift de opgave daarmee van losse fiscale invoer naar een controleerbare dataketen.

Kun je voor fiscale analyse uitsluitend op WOZ vertrouwen

Voor de formele fiscale grondslag is WOZ vaak het vertrekpunt. Voor portefeuillebeheer, scenarioanalyse en pricing is dat te smal.

WOZ kent een andere actualiteit en een ander doel dan marktdata. Daardoor kan een portefeuille op papier stabiel lijken, terwijl de actuele verkoopbaarheid, huurpositie of risico-opslag al is veranderd. Analisten die alleen met WOZ werken, onderschatten sneller concentratierisico, timingrisico en de fiscale impact van objecten met sterk uiteenlopende waardeontwikkeling.

De bruikbare aanpak is daarom een combinatie van fiscale referentiedata en actuele objectdata.

Wat verandert er voor organisaties die nu vooral op forfaitaire logica sturen

Hun modellen moeten meer gebeurtenissen kunnen registreren, niet alleen eindwaardes. Dat raakt tax reporting, acceptatiebeleid, portefeuillemonitoring en scenario-analyse tegelijk.

In de praktijk betekent dit dat databronnen voor objectkenmerken, waardeontwikkeling, huurinkomsten, kosten en transacties op hetzelfde objectniveau samen moeten komen. Pas dan kun je per woning of deelportefeuille doorrekenen welk verschil ontstaat tussen fiscale grondslag, economisch rendement en intern risicomodel. Dat is voor B2B-partijen geen detail in compliance, maar een stuurvariabele voor allocatie, pricing en balansbeheer.

Als je box-3-impact op woningportefeuilles beter wilt analyseren, kun je bij Altum AI kijken naar de API's voor woningwaarde, WOZ-data en aanvullende woningkenmerken. Daarmee kun je fiscale grondslagen, marktwaarde en portefeuillemonitoring in één datastroom samenbrengen voor acceptatie, taxatie en risicobeheer.

Bronnen

• De Hypotheker over de richting van box 3 vanaf 2028

Laatst bijgewerkt: 26 mei 2026

Auteursprofiel

Geschreven door een data-analist namens Altum AI. Focus op woningdata, waarderingsmodellen, fiscale datavraagstukken en API-integratie voor banken, taxateurs, verzekeraars en vastgoedinvesteerders.

{ “@context”: “https://schema.org”, “@type”: “Article”, “headline”: “Vermogensbelasting woning: zo zit het met box 3 in 2026”, “dateModified”: “2026-05-26”, “author”: { “@type”: “Organization”, “name”: “Altum AI” }, “publisher”: { “@type”: “Organization”, “name”: “Altum AI”, “url”: “https://altum.ai” } } { “@context”: “https://schema.org”, “@type”: “FAQPage”, “mainEntity”: [ { “@type”: “Question”, “name”: “Hoe relevant is de peildatum van 1 januari voor portefeuillebeslissingen?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “Voor box 3 telt de stand van vermogen op 1 januari. Daardoor kan een wijziging na die datum fiscaal pas later doorwerken, wat direct relevant is voor portefeuillemonitoring en timing van transacties.” } }, { “@type”: “Question”, “name”: “Welke impact heeft een stelsel op werkelijk rendement op vastgoeddata?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “De fiscale beoordeling vraagt dan om bredere data dan alleen waarde en classificatie, zoals huur, kosten, transactiemomenten en waardemutaties op objectniveau.” } }, { “@type”: “Question”, “name”: “Kun je voor fiscale analyse uitsluitend op WOZ vertrouwen?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “WOZ is bruikbaar als formeel fiscaal referentiepunt, maar onvoldoende voor strategische portefeuillebeslissingen. Daarvoor is ook actuele marktdata nodig.” } }, { “@type”: “Question”, “name”: “Wat verandert er voor organisaties die nu vooral op forfaitaire logica sturen?”, “acceptedAnswer”: { “@type”: “Answer”, “text”: “Zij moeten hun modellen uitbreiden met data over objectwaarde, opbrengsten, kosten, mutaties en timing, zodat fiscale en economische analyse op objectniveau samenkomen.” } } ] }