The use of Neural Networks in real estate appraisal has been recently subject of renewed interest by the scientific community. Generally, their effective use requires the availability of a large database, otherwise facing the real risk, even with an excellent performance on the «training set», of obtaining unsatisfactory generalisation properties (the so called over fitting effect). The well-known multiple regression models (MRAs), on the other side, require fewer parameters for their optimisation but are unable to capture complex nonlinear relationships. Since large databases are usually difficult to find in the real estate market, MRA models often provide better results than Artificial Neural Networks (ANNs). Furthermore, the latter require considerable effort to be effectively trained, both in finding the best structure and in estimating the characterising parameters. The optimisation process that leads to an efficient neural network requires a long job as well as considerable computational capabilities. This contribution, after outlining the state of the art in the use of ANNs and confirming that the scarcity of real estate market data often turned out to be a serious obstacle in their concrete application, proposed an innovative algorithm for selecting the data used in the training process. Such an algorithm seems to be able to improve predictive performance: networks that seek to take full advantage of the information available for learning seem to have better abilities in generalising the behaviour of the underlying phenomenon than those that are trained with completely randomly selected data, as usually done in practice.

L’applicazione delle Reti Neurali al mercato immobiliare è stata recentemente oggetto di un rinnovato interesse da parte della comunità scientifica. In generale per un loro efficace utilizzo è sempre richiesta una base dati di elevate dimensioni, altrimenti si corre il rischio, pur in presenza di ottime prestazioni sul “training set”, di avere insoddisfacenti proprietà di generalizzazione (effetto di over fitting). I ben noti modelli lineari (ARM), d’altro canto, richiedono molti meno parametri per essere stimati ma non sono in grado di catturare relazioni non lineari complesse. Poiché nel mercato immobiliare sono difficilmente reperibili database di dimensioni consistenti, i modelli di ARM possono produrre risultati migliori delle Reti Neurali Artificiali (RNA). Quest’ultime, inoltre, necessitano di notevoli sforzi per essere efficacemente addestrate, sia nella ricerca della loro miglior struttura che nella stima dei parametri caratterizzanti. Il processo di ottimizzazione che conduce ad una rete neurale efficiente, richiede un lungo lavoro e una notevole capacità di calcolo. Il contributo, dopo aver tratteggiato lo stato dell’arte nell’uso delle RNA e constatato che la scarsità di dati del mercato immobiliare risulta essere un serio ostacolo per una loro reale applicazione, propone un algoritmo innovativo di selezione dei dati utilizzati in fase di addestramento. Tale algoritmo sembra essere in grado di condurre ad un miglioramento delle performance previsive: le reti che cercano di sfruttare appieno le informazioni disponibili per l’apprendimento, riescono a generalizzare meglio il comportamento del fenomeno sottostante rispetto a quelle addestrate con dati selezionati in maniera del tutto casuale, come comunemente avviene.