Negotiations Concerning Speculative Real Estate Investments

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