Han gransket 51 000 boligsalg, det kan hjelpe kjøpere å unngå overpris
Forsker Arne Johan Pollestads nye metode kan hjelpe boligkjøpere å oppdage feil i prisanslag, avsløre skjulte mangler og unngå overpris på eiendommer.
Sammendrag:
- En ny metode som kan vurdere usikkerhet i eiendomsverdier, kan bli til stor hjelp for boligkjøpere og andre aktører i markedet.
- Metoden gjør det mulig å måle, og fastslå usikkerhet i det som kalles automatiserte verdsettelsesmodeller (AVM).
- Disse er ofte basert på kunstig intelligens, og forteller hva gitte boliger kan forventes å bli solgt for.
- Flere aktører tilbyr slike verdivurderinger, men advares mot å stole blindt på dem.
- Førsteamanuensis Arne Johan Pollestad har utviklet metoden, som han mener blant annet kan sikre at budrunder starter på et riktigere nivå.
–Da kan det nok skje at min veldig rasjonelle og faglige tilnærming til dette raskt kastes rett ut av vinduet, sier Arne Johan Pollestad.
Stoler på modeller med feil
Han er førsteamanuensis ved NTNU Handelshøyskolen, der han nylig forsvarte doktorgraden sin. Forskeren har utviklet en metode for å måle usikkerhet i det som kalles automatiserte verdsettelsesmodeller (AVM). Dette er statistiske modeller, ofte basert på kunstig intelligens, som vurderer hva usolgte boliger kan forventes å bli solgt for i dagens marked. Aktører som Hjemla.no, Solgt.no, og mange andre tilbyr tjenester basert på AVM-er. Svarene på hva en bolig er verdt, ligger altså bare noen få, raske tastetrykk unna. Men:
– Å stole blindt på dem, som stadig flere synes å gjøre, kan være en dårlig strategi, advarer forskeren.
Den største investeringen vi gjør
Eiendom er den aktivaklassenEn gruppe av verdipapirer som ligner på hverandre med hensyn til forventet avkastning og risiko. Kilde: Norges Bank som tiltrekker seg størst investeringer i verden. Å kjøpe bolig er den største investeringen mange av oss gjør i livet, og for en norsk gjennomsnitts husholdning ligger mesteparten av formuen nettopp i boligen.
– Derfor betyr boligverdsettelse mye for så mange. For kjøpere og selgere. For bankene som trenger panteverdier, for investorer, og for myndigheter som beregner skatteverdier.
Trener på historiske boligsalg
AVM-er lærer prising ved å trene på historiske data over boligsalg. Feil i anslagene kan få store følger, og alle AVM-er har en feilmargin, ifølge Pollestad.
Fordi de baserer seg på sammenligninger vil de typisk gjøre det best for boliger det selges mange av. Som 40 kvadrats leiligheter for de som kjøper sin første bolig. Store villaer i eksklusive nabolag vil de slite mer med, fordi det finnes færre slike eiendommer å sammenligne med, forklarer forskeren.
Betaler 1,8 prosent overpris
– Vi ser at flere og flere boligkjøpere bruker disse plattformene, men de forstår ikke at de vil overprise noen boliger og underprise andre, sier han.
En simulering han har gjort, viser at boligkjøpere som følger AVM-anslag ukritisk, i snitt kan forvente å betale 1,8 prosent over markedsverdi. Det er fordi det ikke tas hensyn til usikre verdianslag. I forskerens oppsett tilsvarer dette en overpris på 90 000 kroner for en gjennomsnitts leilighet.
Bør få inn usikkerhet
Verktøyet han har utviklet, anslår usikkerheten i verdien modellene har satt.
Ved å sile vekk boliger med høy estimert usikkerhet, og konsentrere seg om de som er sikre, kan kjøpere unngå overprisingen helt, eller i alle fall få den helt ned i 0,2 prosent. NTNU-forskeren mener det bør følge med en vurdering av hvor stor usikkerheten i prisanslagene på boliger er.
Les mer: Vil du kutte karbonavtrykket ditt? Flytt ut av huset
Analyserte over 51 000 boligsalg
Metoden som kan sørge for akkurat det, bygger på analyser av 51 570 boligsalg i Oslo mellom 2016 og 2022. Han har brukt maskinlæring og forklarbar KIrukes til å kvalitetssikre automatiserte beregninger og produsere forståelige forklaringer på hvordan systemer basert på maskinlæring og kunstig intelligens kommer fram til prediksjoner eller beslutninger. Kilde: Norsk Regnesentral til å måle og forstå usikkerheten i verdien som er satt. Hver eneste verdsettelse får et estimat for usikkerhet.
Ved å finne hvilke boliger modellen gjør det bra på, og hvilke den gjør det dårlig på, kommer han fram til et måltall på hvor mye man kan stole på den verdien som er satt.
Hvorfor bidrar AVM til overpris?
Årsaken til at den som stoler blindt på en AVM betaler for mye, er enkelt sagt, at selger har mer kjennskap til boligen sin enn det modellen har. Stoler du på en AVM-verdsettelse som viser seg å være for lav, vil du gi et lavt bud som selgeren mest sannsynlig avslår. Motsatt vil en for høy AVM-verdsettelse lede til et for høyt bud, som selgeren takker ja til. Dermed vil man som kjøper ende opp med å kjøpe en større andel av de boligene som overprises av modellen.
Metoden kan hjelpe ulike aktører med forskjellige ting. Som ligningsverdier, et tema som diskuteres mye.
Les mer: Hører du naboen din snorke, er det noe feil med bygget dere bor i
Løse usikre ligningsverdier?
Vil du klage på for høy boligskatt, må du selv skaffe en riktigere verdifastsettelse, og betale den av egen lomme. Pollestad mener det vil være mer rettferdig om myndighetene anerkjenner usikkerheten i ligningsverdien for visse typer boliger i visse områder. Verktøyet kan brukes til å sette en terskel.
– Myndighetene kan for eksempel bestemme at du får økonomisk støtte til, eller gratis menneskelig verdsettelse, av boligen hvis usikkerheten ligger over denne terskelen, forklarer han.
– Sikrer mer korrekt budgiving
– De som både tar med AVM-verdsettelsen og våre estimater for usikkerhet før de bestemmer seg, kan kjøpe boliger med sikre verdsettelser til nær markedsverdi, sier Pollestad, som mener forskningen hans vil sikre mer korrekt budgivning.
Arbeidet hans har vakt stor interesse både i og utenfor akademia. Pollestad mottok nylig Fullbrights Artikkelpris for Unge Forskere for artikkelen «Harnessing uncertainty: a new approach to real estate investment decision support».
Kilder:
Pollestad, A. J., & Oust, A. (2025). Harnessing uncertainty: a new approach to real estate investment decision support. Quantitative Finance DOI: https://doi.org/10.1080/14697688.2025.2468269
Pollestad, A. J., Næss, A. B., & Oust, A. (2026). Towards a Better Uncertainty Quantification in Automated Valuation Models. Journal of Real Estate Finance & Economics DOI: https://doi.org/10.1007/s11146-024-10002-7

