運用統計分析方法來買房暨評估房屋行情

       某天在閱讀電子雜誌時，看到封面寫著"活用統計做管理"，抱著一探究竟的心情閱讀，其中談到營業額，產品銷售量，熱賣的產品，他們之間的關係，以及如何從統計分析中預測未來趨勢，管理的精隨就是需要衡量一切，而衡量則必須數據化，透過數字讓我們做決策，而書中論及的標準差，常態分佈，平均數，加權平均數等，這些統計學中常聽到的名詞，看似離我們很遠，但實際上與我們息息相關，金融股票期貨，企業生產製程，市場銷售，選舉民調等，都需要運用統計分析技術，而近年火紅Big Data，基礎也是從資料分析，資料採礦而來，不同的只是傳統的是結構化的資料，而現在Internet充斥的是許多非結構性的資料與多樣多量的特性，如何將這些資料轉化成能預測未來的數據，也是所有分析者共同努力的目標．

      由於近期有意購屋且鎖定一些特定的區域與標的，便思考是否能將運用統計技巧來分析單一房產物件的價值，此次運用了常態分佈，標準差分析物件所在地周邊的成交行情，利用Google Hacking技術挖掘與該物件有關的資訊，參考房產價值估算方法，用貸款成數推估成交價等，未來房價趨勢，盡可能去了解歷史，現在及未來的資料，掌握越多的資訊越利於交易談判．

Step1_蒐集歷史資料

• 從法拍屋推估房價99/11/15安祥路67巷50弄24號，59.46坪，底價775萬，單價13.3萬，得標786萬銀行依法拍屋估價實際房價:大台北地區_法拍屋價/0.85~0.95 ，約911萬，單價:15萬其他地區_法拍屋價/0.75~0.85，約1033萬，單價:17萬

• 參考房產資訊
  民國97~101年的成交行情，當時未有實價登陸之機制，因此成交行情略作參考
  
  

• 參考新聞資料
  民國102年之新聞調查
  
  

Step2.從實價登錄分析成交價

• 綠一期，102~103年
  平均總價:1,524萬，標準差:160.2萬，常態分布:1684.2萬~1363.8萬
  最高總價:102/11，1,799萬，最低總價:102/4，1290萬
  平均單價:25萬，標準差:2.3萬，常態分布:27.3萬~22.2萬
  實價登錄最高單價:28.9萬，最低單價:21.9萬
  
  

• 綠二期，102~103年
  平均總價:1,479萬，標準差:170.3萬，常態分布:1,649.3萬~1,308.7萬
  最高總價:103/3，2,000萬，最低總價:102/6，1,200萬
  平均單價:24.8萬，標準差:3.1萬，常態分布:27.9萬~21.7萬
  實價登錄:最高單價:29萬，最低單價:20.3萬
• 

Step3.從貸款金額推估房價

• 假設以貸款金額為800萬計算，依據99年7月後貸款成數降低為63%，之前未管制可達80~90%以上，假設以六成計算則推估房價為1333萬，假設權狀為62坪，則單價約為21.5萬，若以七成計算則為1143萬，單價約為18.4萬，若貸款成數更高，則房價及單價更低

Step4.運用Google Tools去挖掘出更多資訊

• 發現前一任屋主之房屋銷售照片，由此可得知現任屋主裝潢了那些區域，可評估花了多少裝修費用，避免吹捧提高房價
• 查閱屋主購入時期之類似房型的交易或銷售價格，有時房仲會有自己的部落格，透漏一些資訊

相關工具或技術.
Excel
平均值公式   f_x =AVERAGE(C2:C21)， 標準差公式 f_x=STDEV(D2:D21)
Google Hacking : 
inurl:searches something，intitle:"searches something"
intext:searches something，inanchor:"searches something"，filetype:pdf
Google Hacking Wiki

結論:
上述的所有方法不外乎更了解你想要購買的房子，不過由於我所看的區域物件較少，且房型也都不同，所以每間房子都有其獨特性，再加上如果格局，維護狀況或裝潢佳，這也都是賣家的優勢，不過也省了買家的裝修費，也未嘗不是好事，如果在區域物件多，格局相似性高的地區，買家的談判籌碼可能就更高一些，不過交易還是要一種你情我願的過程，越能掌握賣家的資訊，在交易時一定有好處的，總之，知己知彼百戰百勝這句古語還是適用於任何時代的，很慶幸我們買到價格合理且屬意的房子。