Llevás 29 días con la misma operación trabada. Comprador y vendedor miran el precio. Nadie firma.
Desde la academia informática, el mercado inmobiliario es un sistema complejo: actores heterogéneos (compradores, vendedores, desarrolladores, bancos, Estado) cuyas interacciones locales generan patrones globales — burbujas, segregación urbana, crisis. Este artículo introduce modelado computacional (Schelling, Monte Carlo, ML) y su puente con la práctica del corredor: la ley de potencia y la predicción de precios no reemplazan la visita, pero informan la tasaación y la estrategia de cartera.
Artículos relacionados: Ley de potencia · Big Data e IA
Por qué el mercado es un sistema complejo
Características:
- Muchos agentes con reglas simples pero comportamiento emergente impredecible
- Retroalimentación: precios suben → más construcción → más oferta → precios bajan
- Heterogeneidad: no todos optimizan lo mismo (habitar vs especular)
- No linealidad: pequeño shock macro → efecto desproporcionado en liquidez
Modelar esto con una calculadora de “precio × m²” es insuficiente para política pública; para el corredor, entender emergencia explica por qué promedios barriales mienten en una cuadra.
Autómatas celulares: modelo de Schelling
El modelo de segregación de Schelling (1971) demuestra que preferencias leves por vecinos similares producen segregación espacial extrema sin discriminación explícita.
Aplicación inmobiliaria:
- Micro-patrones de demanda por “perfil de vecindario”
- Por qué ciertas cuadras revalorizan en cascada cuando cruza umbral de servicios o demografía
- Desarrollo urbano: un nuevo polo (universidad, tech hub) redistribuye valor en olas
El corredor que lee la cuadra como sistema dinámico, no foto fija, anticipa plusvalía o riesgo.
Métodos Monte Carlo
Simulación Monte Carlo: miles de escenarios aleatorios para estimar distribución de resultados.
Usos en real estate:
- Rango de precio de cierre dado incertidumbre de negociación (−3% a −12%)
- Proyección de vacancia en inversión alquiler
- Riesgo de desarrollo (costo obra, plazos, ventas)
Salida: No un número, sino “80% probabilidad de cerrar entre USD X e Y en 90 días”.
Termodinámica de sistemas y crisis
Metáfora útil (no literal): mercados acumulan tensión (crédito barato + oferta limitada) hasta fase de relajación (corrección, congelamiento).
- Burbujas = desequilibrio oferta-demanda sostenido por crédito
- Congelamiento post-shock = poca transacción aunque “el precio no baje” (illiquidez)
Para el agente: En congelamiento, los cierres visibles bajan — los comparables escasean y la tasación por homogeneización falla (ver regla 3-6-9-12).
Ley de potencia (Power Law)
En sistemas complejos de mercado, distribuciones no son normales (campana de Gauss):
- Pocos agentes concentran muchas transacciones
- Pocas propiedades concentran mucho valor
- Pocos barrios concentran plusvalía reciente
Ya aplicado al corredor en artículo 5: especialización es respuesta racional a estructura de potencia, no solo “marketing”.
Simulación de agentes (ABM)
Agent-Based Modeling: cada comprador/vendedor es un agente con reglas; se simula el mercado emergente.
Permite ver:
- Efecto de subsidio hipotecario en volumen
- Impacto de nueva línea de subte en precios a 500m
- Burbuja cuando % especuladores supera umbral
Herramientas académicas; cada vez más accesibles vía consultoras y proptech.
Machine Learning y predicción del m²
Técnicas aplicadas:
| Técnica | Uso |
|---|---|
| Regresión (Ridge, Lasso) | Precio/m² con features (m², piso, barrio) |
| Random Forest / XGBoost | No linealidades, importancia de variables |
| Deep Learning | Imágenes de fachada + datos tabulares |
| Aprendizaje por refuerzo | Pricing dinámico experimental |
Features típicos: ubicación geocodificada, antigüedad, amenities, distancia a transporte, macro (tipo de cambio, tasa).
Límite: Modelos entrenados en bull market fallan en shock — el corredor valida con cierres recientes, no solo predicción ML.
Política monetaria y fiscal en el modelo
Simulaciones incorporan:
- Tasas de interés → demanda hipotecaria
- Impuesto a la ganancia / transferencias → timing de venta
- Tipo de cambio → dolarización de precios
Efecto cadena hipotecario (1 crédito → 2–3 operaciones) es variable de entrada en modelos de reactivación — coherente con lectura macro práctica.
Puente academia → corredor en la calle
| Insight computacional | Acción práctica |
|---|---|
| Schelling | Mirar tendencia demográfica de la cuadra |
| Monte Carlo | Presentar rango de cierre, no precio único |
| Power law | Especializar micro-nicho |
| ML precio/m² | Sanity check de tasación, no verdad absoluta |
| ABM / política | Leer ciclo antes de aconsejar “esperar” |
Ética del modelo
- No discriminar por proxies de raza/clase en scoring de compradores
- Transparencia al vendedor: “modelo sugiere X, yo recomiendo Y por contexto local”
- Datos de cierre > datos de scraping de avisos (sesgo de sobreprecio)
De la teoría a la operación diaria
El conocimiento sin sistema se pierde en el día a día. Si querés profundizar en embudo de conversión inmobiliario o estrategia de contenido en redes, tenemos guías con números y pasos concretos.
Propimap te da fichas profesionales compartibles, métricas por propiedad (impresiones, vistas, consultas) y carga asistida por IA — para llegar a cada reunión con datos, no con "tené paciencia". El plan arranca gratis hasta 5 propiedades.