O objetivo deste trabalho é estudar a precificação de propriedades imobiliárias na cidade de São Paulo com o intuito de encontrar oportunidades sub específicas. A modelagem utilizada considera variáveis intrínsecas (número de quartos, área construída, ano de construção, etc.), assim como variáveis extrínsecas (qualidade do asfalto, transporte público, florestamento, etc.) para estimar o preço de mercado de cada propriedade e, para isso, utiliza dados provenientes de listagens online de apartamentos e bases de dados públicas. Uma modelagem estatística inovadora é proposta para encontrar oportunidades, buscando explorar a robustez de distintos modelos de aprendizagem de máquina (Hedônico, KNN e XGBoost), ao ponderar os resultados segundo os seus respectivos erros percentuais médios. Os resultados indicam ser possível encontrar oportunidades, o que motiva futura pesquisa de aprofundamento na metodologia.

The objective of this work is to study the princing of real estate properties in the city of São Paulo in order to find underpriced opportunities. The modeling used takes into account intrinsic variables (number of bedrooms, built área, year of construction, etc.), as well as extrinsic variables (quality of the asphalt, public transportation, afforestation, etc) to estimate the Market price of each property, using data from online apartment listings and public database. An innovative statistical modeling is proposed to find opportunities, aiming to explore the robustness of different machine learning models (Hedonic, KNN, and XGBoost) by weighing the results according to their respective average percentage erros. The results indicate that it is possible to find opportunities, which motivates furthernresearch to deepen the methodology.