Portefeuille waardering

Altum AI biedt een betrouwbare, snelle en goedkope manier om inzicht te krijgen in de waarde van onderpanden voor hypotheken. Met als voordeel dat het actief monitoren en herwaarderen van onderpanden mogelijk wordt gemaakt volgens de EBA richtlijnen die per 1 juli 2021 zijn ingegaan.

Neem contact op voor meer informatie

Deze bedrijven vertrouwen op onze woningdata API’s

Altum AI Monitor Hypotheekportefeuilles

Wat is het?

De monitor hypotheekportefeuilles van Altum AI geeft op een snelle en betrouwbare manier inzicht in de waarde van de woningen die dienst doen als onderpand voor een hypotheekportefeuille. Het actief monitoren en herwaarderen van onderpanden is belangrijk voor een juiste risicobepaling en kapitaalbeslag van de portefeuille.

Volgens de richtlijnen van de European Banking Authority (EBA) die per 1 juli 2021 in zijn gegaan is het zelfs verplicht om de onderpandswaarden van een hypotheekportefeuille periodiek nauwkering in te schatten. De Monitor Hypotheekportefeuilles van Altum AI voldoet aan de richtlijnen van de EBA voor portefeuille monitoring.

Neem contact op >

Onze AI bouwt een wiskundig model met behulp van een dataset en traint om steeds betere voorspellingen te doen. Het voordeel van AI vergeleken met traditioneel geautomatiseerde modellen is dat de AI niet-lineaire relaties kan herkennen die de waarde beïnvloeden.

Het Automated Valuation Model van Altum AI is zeer accuraat met 82,5% accuratesse binnen een 10% foutmarge met MdAPE van 3,74% ± 0,09% voor alle woonobjecten in Nederland variërend van € 70.000 tot € 1.500.000.

Hoe werkt het?

Hoe werkt de monitor hypotheekportefeuilles?

Het AVM-model is getraind om de werkelijke marktwaarden te voorspellen van woningen in Nederland.
De dataset bestaat uit alle unieke huizen die zijn verhandeld vanaf 1993 tot heden
Er worden veel features gebruikt om het model te trainen, zoals transactiegegevens (laatste transactiedatum, type transactie), features die het huis definiëren, locatiegegevens, buurtgegevens, voorzieningen en gegevens over de samenstelling van de buurt
- Het woningtype en de locatie gebruiken we als input voor het model, zodat het leert om onderscheid te maken tussen de woningtypen, waardoor de vertekening wordt verminderd.
- Bovendien zijn veel functies die de locatie van een huis definiëren gebruikt als input, zoals provincie, coördinaten, buurtcode en nog meer.
De AVM gebruikt een uniek, elastisch (NWWI-gevalideerd) model gemaakt voor het identificeren van de meest betrouwbare referentiewoningen

Hoe betrouwbaar is de monitor?

Het Automated Valuation Model van Altum AI is zeer nauwkeurig binnen een afwijking van 10% over de gehele Nederlandse woningmarkt voor alle panden van € 70.000 tot € 1,5 miljoen.

Het model heeft een Median Absolute Performance error rate van 3,74%. De nauwkeurigheid wordt uitgedrukt door de waarschijnlijkheid dat een voorspelling binnen een vooraf bepaald bereik valt, de Forecast Standard Deviation (FSD).
De nauwkeurigheih, is 94.90% binnen een 20% foutmarge of 90,9% binnen een 15% foutmarge en 82,5% binnen een 10% foutmarge (huidige NRVT eis 85% < 20%)
Het model heeft een Median Absolute Percentage Error (MdAPE), die in totaal 3,74% ± 0,09% is. Dit is voor alle woonobjecten in Nederland variërend van € 70.000 tot € 1.500.000.

Wat kost het?

Altum AI levert maandelijks een bijgewerkte marktwaardebepaling per object. De levering vindt plaats via een beveiligde datakluis of een veilige API.

Neem contact op voor een opgave van de kosten. De kosten zijn afhankelijk van de frequentie van levering en/of opvraging en het aantal objecten in portefeuille.

Data per object*:

Adresgegevens

Informatie inzake de woning zelf (woningtype, bouwjaar, oppervlakte etc)
Actuele marktwaarde
Indicatie betrouwbaarheid waardebepaling
WOZ waarde
Energielabel (A-G)

*Exclusief Kadaster transactiedata per object.

Training en valideren

Periodieke waardering

Trainingsset:

De dataset bestaat uit alle unieke huizen die zijn verhandeld vanaf 1993 tot heden (we behouden de laatste transactie als een huis meer dan eens is verhandeld), na uitsluiting van de familie transacties. De trainingsset beslaat de meerderheid van de hele dataset.
De maandelijkse nieuw te ontvangen gegevens waaronder Kadaster transacties splitsen we in een train-, validatie-, en testset.

Indexatie van transacties:

Om een verkeerde afwijking door een specifieke tijdsperiode in het verleden te voorkomen indexeren we de transactieprijzen naar de huidige tijd door gebruik te maken van de laatste periode van een HPI (woningprijsindex).
Deze index volgt nauwkeurig de ontwikkeling van de Nederlandse huizenprijzen in de tijd en is beschikbaar van kleinere tot grotere gebieden in Nederland. Meer specifiek berekent Altum AI maandelijks deze huizenprijzenindex cijfers per buurt, wijk, gemeente, provincie en voor heel Nederland.

Werkwijze t.a.v. trainen en valideren van het model

De nauwkeurigheid wordt gemeten door een train-, validatie-, en testset toe te passen. op de maandelijkse nieuw te ontvangen gegevens waaronder Kadaster transacties
Ook hebben we een grote dataset voor de training opgesplitst in train-, validatie- en testsets op een slimme manier om ervoor te zorgen dat elke set bijna dezelfde verdeling heeft van de belangrijkste kenmerken, wat onze sets homogeen maakt en immuun voor overfitting.
Altum AI is ISAE 3000 gecertificeerd op dit proces.

Voor het beheer van hypotheekportefeuilles eist de EBA van hypotheekverstrekkers dat zij een samenhangend beleid toepassen tussen controle van de waarde van onderpanden, signalering van risico’s en herwaardering. Dit vraagt om een actievere en complexere aanpak dan de meeste hypotheekverstrekkers nu gewend zijn. In de praktijk kan dit vormgegeven worden met de volgende stappen.

Periodiek moeten hypotheekverstrekkers de actuele waardes van de onderpanden vaststellen. Hierbij moeten zij monitoren of er opvallende fluctuaties in de waardes zitten.
Indien er sprake is van opvallende prijsdalingen dan zal nader onderzoek gedaan moeten worden naar mogelijke oorzaken. De oorzaak van een prijsdaling kan liggen in de eigenschappen van het onderpand, veranderingen in de omgeving of veranderingen van vraag en aanbod op de (lokale) woningmarkt. Geavanceerde taxatiemodellen kunnen inzage geven in de “drivers” van een woningwaarde en kunnen daardoor ook meer inzicht geven in de oorzaak van de waardedaling. Afhankelijk van de gevonden oorzaak zal een andere vorm van herwaarderen moeten plaatsvinden.
Indien de waardedaling het gevolg is van een (lokale) marktontwikkeling dan kan een volledig modelmatige waardebepaling volgen. Hierbij kunnen onder andere ook referentiewoningen betrokken worden. Als sprake is van een marktontwikkeling dan zal bij referentiewoning immers dezelfde waardedaling te zien moeten zijn. Door middel van de modelmatige taxatie kan de onderpandswaarde op basis van actuele en gedetailleerde gegevens bijgesteld worden.
Indien in stap 2 geconstateerd wordt dat de waardeontwikkeling van het onderpand afwijkt van de markt dan zal een fysieke taxatie plaats moeten vinden. Fysieke herwaarderingen zijn kostbaar en bij grote aantallen is dit onhaalbaar voor hypotheekverstrekkers. De fysieke herwaarderingen zullen daardoor tot minimum beperkt moeten worden. Dat kan door de implementatie van een betrouwbaar statistisch model, waarmee op detailniveau waardedalingen verklaard kunnen worden. Als immers aangetoond kan worden dat de waardedaling een verschijnsel is op de (lokale) markt, dan is een fysieke taxatie niet nodig.

Het ligt voor de hand om hetzelfde taxatiemodel te hanteren voor de controle en herwaardering van onderpanden. Hierbij is het van belang om historie van data op te gaan bouwen, zodat de woningwaarde vergeleken kan worden en verschillen zichtbaar worden.

Daarnaast zullen geldverstrekkers ook een goed risk control framework moeten hebben, zodat risico’s aan het licht komen die niet zozeer te maken hebben met de onderpandswaarde, maar met de kwaliteit van de lening zelf. De EBA stelt namelijk dat leningen met een lage kwaliteit frequenter gecontroleerd moeten worden.

Final report Guidelines on loan origination and monitoring