En transparent beskrivning av hur våra prognoser tas fram — vilka modeller vi använder, vilka datakällor de bygger på, och hur vi mäter träffsäkerhet.
Prognosen bygger på tre oberoende modeller som var och en angriper frågan från olika håll. Genom att kombinera dem i en ensemble får vi prognoser som är mer robusta än någon enskild modell.
Modellerna tränas på historisk data från 2005 och framåt, och uppdateras månadsvis när ny data blir tillgänglig.
En tidsseriemodell som fångar de återkommande mönstren i bostadspriserna. Den svenska bostadsmarknaden har stark säsongsvariation — priserna stiger typiskt på våren och hösten och planar ut på sommaren och vintern. SARIMA modellerar både dessa säsongsmönster och den underliggande trenden.
Styrka: Bäst på kortsiktiga prognoser (1–3 månader) i stabila marknader. Lägst prognosfel av alla modeller i backtesting.
Svaghet: Kan inte se externa chocker komma (räntehöjningar, konjunkturnedgångar).
Bygger på observationen att bostadspriser har stark autokorrelation — det som hände förra månaden är den bästa enklaste prediktorn för vad som händer nästa månad. Modellen använder de senaste 4 månadernas prisförändring för att prognostisera nästa.
Styrka: Fångar momentum och mean reversion. Bra på längre horisonter (6–12 månader).
Svaghet: Följer trenden blint — missar vändpunkter.
Den enda modellen som använder externa datakällor — räntor, konsumentförtroende, Stabelos aktiebaserade indikator, transaktioner/utbud-kvoten, inflation och mer. Totalt 130 variabler. XGBoost är en maskininlärningsmodell (gradient boosted trees) som kan fånga icke-linjära samband mellan makroekonomiska variabler och bostadspriser.
Styrka: Kan se vändpunkter komma genom makrosignaler. Under räntechocken 2022 hade den 72% riktningsträffsäkerhet jämfört med AR-modellens 50% (slängt mynt).
Svaghet: Högre brus än tidsseriemodellerna i lugna perioder. Kan inte extrapolera utanför historiska intervall.
De två tidsseriemodellerna ser bara historiska priser — de kan inte reagera på ränteförändringar, förändrat konsumentförtroende eller skiftande utbud/efterfrågan. Makromodellen är den enda som kan använda dessa signaler, varav flera (särskilt Stabelos aktiebaserade indikator med 85% korrelation) har stark historisk förklaringskraft. Därför får trendmodellerna 50% tillsammans och makromodellen 50%.
Totalt används 172 variabler från 8 källor. Alla utom Valueguard hämtas automatiskt via API:er.
| Källa | Vad | Uppdatering |
|---|---|---|
| Valueguard HOX | Kvalitetsjusterat bostadsprisindex (bostadsrätter + villor, regionalt) | Månadsvis |
| SCB | BNP, KPI, befolkning, bygglov, hushållsskuld, disponibel inkomst, byggkostnader | Månadsvis/kvartalsvis |
| Riksbanken | Styrränta, statsobligationer (2/5/10 år), STIBOR, SEK/EUR | Dagligen |
| Konjunkturinstitutet | Konsumentförtroende, Konjunkturbarometern | Månadsvis |
| Mäklarstatistik | Transaktionsvolymer, utbud (antal till salu) | Månadsvis |
| Stabelos aktieindikator | Portfölj av 10 konsumtionsbolag (Yahoo Finance) | Månadsvis |
| Nasdaq OMX | OMXS30-index (förmögenhetseffekt) | Månadsvis |
| Google Trends | Sökintresse för bostadsrelaterade termer | Månadsvis |
Vi prognostiserar Valueguard HOX-index, ett kvalitetsjusterat hedoniskt prisindex som täcker cirka 95% av alla mäklarförmedlade bostadsaffärer i Sverige. Till skillnad från enkel prisstatistik kontrollerar HOX för förändringar i bostadsmixen — om det plötsligt säljs fler små lägenheter en månad påverkar det inte indexet.
HOX publiceras med separata index för bostadsrätter och villor, samt per region (Stockholm, Göteborg, Malmö, riksnivå). Vi använder kontraktsdatum (inte registreringsdatum) för maximal aktualitet.
HOX publicerar inte ett kombinerat regionalt index för alla bostadstyper. För att visa ”Alla bostäder” per stad beräknar vi ett viktat genomsnitt av bostadsrätts- och villaprognoserna:
Vikterna baseras på transaktionsvolymer per bostadstyp och region.
Alla prognoser presenteras med 90%-konfidensintervall. Det innebär att det faktiska utfallet förväntas hamna inom intervallet i ungefär 9 av 10 fall. Intervallen beräknas från respektive modells historiska prognosfel.
Konfidensmåttet (Hög/Medel/Låg) visar hur väl de tre modellerna överensstämmer. När alla pekar åt samma håll är konfidensen hög. När modellerna ger motstridiga signaler (t.ex. trendmodell positiv men makromodell negativ) är konfidensen låg.
Modellerna valideras med walk-forward backtesting från 2010 till idag. Det innebär att vi simulerar vad modellen hade prognostiserat vid varje historisk tidpunkt, med tillgång till enbart data som var tillgänglig vid den tidpunkten (inget fuskande med framtida data).
Resultat för nationellt 3-månadershorisont:
Ingen modell kan förutspå allt. Våra prognoser har följande kända begränsningar: