100 Tage lang allein mit AI entwickelter Apartment-Preis-Simulator (Web/iOS/Android)

Hallo, ich bin der Ingenieur hinter Apartment Insight APT Insights, einem Dienst zur Analyse des koreanischen Apartmentmarkts und zur Preissimulation.

Da ich lange vor allem im Frontend und in der Datenvisualisierung gearbeitet habe, waren Backend-Infrastruktur, asynchrone Queues sowie Statistik und Zeitreihenprognose für mich sehr fremde Bereiche. Ich hätte nie gedacht, dass ich sogar selbst ein Marktpreis-Prognosemodell bauen würde, aber durch die enge Zusammenarbeit mit AI-Agenten konnte ich technische Grenzen überwinden und ein etwa 100-tägiges Solo-Entwicklungsprojekt abschließen, das zu 100 % von AI-Agenten vorangetrieben wurde.

Als mein Kind größer wurde und wir ein Zuhause für ein dauerhaftes Ankommen suchten, begann ich, den Apartmentmarkt zu studieren. Anfangs war es ein persönliches Toy-Projekt, um die zukünftigen Preise potenzieller Wohnanlagen für den Eigenbezug zu simulieren. Später wurde es durch die Einbeziehung makroökonomischer Variablen, statistisches Modeling und den Ausbau eines serverlosen Infrastruktur-Stacks zu einem Dienst erweitert, der Anlagen im ganzen Land abdeckt. Kürzlich habe ich nicht nur Web/PWA, sondern auch offizielle native Apps im iOS App Store und im Google Play Store veröffentlicht und stelle sie kostenlos und ohne Werbung zur Verfügung.

1. Die Overfitting-Grenzen von Point Forecasts und die Problemdefinition

Bestehende Methoden zur Marktpreis-Schätzung und punktuellen Vorhersage (Point Forecast) neigen leicht dazu, auf die Frage „Wie viel wird dieses Apartment in genau 24 Monaten wert sein?“ überzuoptimieren (Overfitting). Das liegt daran, dass der Immobilienmarkt stark von makroökonomischen Variablen wie Zinsen, Wechselkursen, Haushaltsverschuldung und Politik beeinflusst wird.

Daher hielt ich es für praktikabler, nicht einen einzigen exakten Zielwert zu präsentieren, sondern über eine szenariobasierte probabilistische Simulation ein zentrales 50-%-Intervall (P25 ~ P75) zu berechnen.

2. Statistisches Modeling & Simulationsstruktur

Um das zu lösen, habe ich die Prognose-Engine entlang von drei Hauptachsen entworfen.

16 aktive Makro-, Struktur- und Regionalfaktoren: Offizielle ECOS-Statistiken der Bank of Korea (Zinsen, Wechselkurse, Haushaltsverschuldung, Baukosten) werden mit qualitativen und regionalen Indikatoren (Politik, Stimmung, Lage usw.) kombiniert; durch die Rekonstruktion historischer Datensnapshots wurde die zeitliche Konsistenz sichergestellt.
VECM(Korrektur der Residuen des Vektorfehlerkorrekturmodells): Die Korrektur erfolgt passend zum Umzugszeitpunkt und Marktumfeld; zusätzlich wurde eine Residual-Momentum-Korrekturschicht auf Basis des Vektorfehlerkorrekturmodells (VECM) angewendet, um langfristige Gleichgewichtsbeziehungen zu erhalten.
Monte-Carlo-Simulation & Interpolation von Point-Forecast-Trajektorien: Preis-Szenarien für die nächsten 24 Monate werden per Interpolation von Point-Forecast-Trajektorien und Monte-Carlo-Simulation als Wahrscheinlichkeitsbereich von P25 ~ P75 berechnet.

3. Quantitative Modellleistung und transparente OOS-Backtests

Um Generalisierungsleistung und Zuverlässigkeit des Modells sicherzustellen, führe ich regelmäßig 12-monatige Forward-OOS-Backtests auf Out-of-Sample-Daten für repräsentative Bewertungs-Kohortenanlagen sowie allgemeine Validierungs-Stichprobenanlagen durch.

12-Monats-Forward-OOS MAPE der zurückgehaltenen Stichprobenpreise: 6,32 % (auf Basis der offiziellen Bewertungs-Kohorte)
Korrigiertes R^2 der zurückgehaltenen Stichproben: 0.610 (nach Kohorten-Backtest-Validierung)
Validierungs-Qualitäts-Gate: vollständig bestanden
Tägliche OOS-Validierung von 5 zufälligen Anlagen & Main-Highlight: Auf der Seite des technischen Whitepapers werden die Ergebnisse eines täglich zufällig gezogenen 12-Monats-Forward-OOS-Backtests für 5 Anlagen transparent veröffentlicht; darunter wird die Anlage mit dem mittleren Median-Fehler automatisch auf der Startseite als Heute validiertes Apartment hervorgehoben.
Vermeidung von Stichprobenbias: Auch für allgemeine Stichprobenanlagen, die nicht in der Bewertungs-Kohorte enthalten sind, wird ein separates Tracking durchgeführt, um die Generalisierungsfähigkeit auf Anlagen im ganzen Land kontinuierlich und ohne Verzerrung durch Trainingsdaten zu validieren.

4. Offizieller Launch im App Store/Google Play und Aufbau einer Multi-Plattform

In einer einheitlichen Monorepo-Umgebung (pnpm workspace + Turborepo) wurde die Zugänglichkeit für verschiedene Geräte sichergestellt und das Produkt offiziell für Web, PWA, iOS App Store und Android Google Play Store veröffentlicht.

Einheitliche Pipeline für Web / PWA / Native WebView: Eine Next.js(Vercel)-Infrastruktur dient als Hauptserver; per Capacitor-Packaging und Anbindung nativer Plugins wurde das System auf native iOS-/Android-App-Umgebungen erweitert.
Lösung für Social Login und In-App-Browser-Probleme: Beim Login mit Kakao, Apple und Google wurde ein Flow für OIDC-Nonce-Validierung und die Übergabe von Native SDK ↔ Server Credentials (Handoff) aufgebaut, um Blockaden durch In-App-Browser zu umgehen. (Fallback auf virtuelle E-Mail, wenn der Kakao-Mail-Zustimmung nicht zugestimmt wurde)
Toolchain zur automatischen Asset-Synchronisierung: Aus einer einzigen SVG-Quelle werden PWA-Splashes (40 Auflösungen), Android-Launcher-/Splash- und iOS-App-Icon-Assets automatisch erzeugt.
Redundante Push-Pipeline: Bei Prognoseänderungen für beobachtete Anlagen werden Web Push und native OS-Pushs (FCM/APNs) nach zweistufiger Wichtigkeit (Strong/Normal) aufgeteilt und gesammelt über eine asynchrone Pipeline mit Cloudflare Queue / QStash versendet.

5. Infrastruktur sowie AI-getriebenes Entwicklungs-Troubleshooting / Lessons

Mit einer serverlosen Hybrid-Architektur (Next.js + Neon Postgres + Cloudflare Workers + Hono + Cloudflare Queue / Upstash Redis) habe ich die monatlichen Fixkosten minimiert und das Projekt eigenständig entwickelt.

Sicherstellung der Train-/Serve-Konsistenz: Ich entdeckte einen Train/Serve Skew, bei dem sich das Recency-Gate wegen der Differenz in Tagen zwischen dem Stichprobenfenster-Stichtag beim Backtesting/Training und dem neuesten Handelstag beim Serving änderte, und erreichte durch die Trennung des Stichprobenfenster-Stichtags und die Ausrichtung historischer Reproduktionsparameter (as-of) vollständige Konsistenz zwischen Serving und Backtests.
On-Demand-Katalog mit verzögertem Aufbau: Statt alle Apartments im ganzen Land vorab zu sammeln und Kosten zu verschwenden, wurde eine Pipeline angebunden, die nur den Katalog der Region (Si/Gun/Gu), aus der Nutzer kommen, sowie reale Transaktionen beobachteter Anlagen asynchron verzögert aufbaut.
Automatische Akkumulation von Stichproben mit Qualitätsverstößen: Abnorme Stichproben, die in zufälligen Validierungs-Batches an Fehler-Gates scheitern, werden in einem Append-only-Repository gesammelt und vor dem Modell-Tuning als Priorität für Verbesserungen genutzt.
Überwindung des Upstash-Redis-Memory-Limits: Als bei umfangreichen Daten-Backfills wegen roher JSON-Daten das Memory-Limit erreicht wurde, trennte der Agent die Struktur direkt in eine Echtzeit-Dynamic-Lookup-Architektur (Live fetch) auf und stoppte so Infrastruktur-Kostenlecks.
Korrektur der Obergrenze für Politik-Gewichtungen: Ein Problem, bei dem die Gewichtung von Kreditrichtlinien bei Anlagen in bestimmten Preissegmenten ungewöhnlich stark anstieg, wurde durch Einspeisung einer Kalibrierungsformel für Obergrenzen korrigiert.

Wenn Sie Feedback haben oder Fragen zu Immobilien-Zeitreihenmodellierung, VECM/Monte-Carlo-Simulation oder serverloser/Capacitor-Hybrid-Infrastruktur, freue ich mich auf den Austausch in den Kommentaren.

Main Landing: https://apt-insights.com
Technisches Whitepaper: https://apt-insights.com/model
Web-Anwendung: https://app.apt-insights.com