Hola. Soy un ingeniero que desarrolla APT Insights, un servicio de análisis del mercado de apartamentos y simulación de precios en Corea.
Como durante mucho tiempo me dediqué principalmente al desarrollo frontend y a la visualización de datos, áreas como la infraestructura backend, las colas asíncronas, la estadística y los modelos de pronóstico de series temporales me resultaban muy ajenas. Nunca imaginé que llegaría a construir por mi cuenta incluso un modelo de predicción de precios, pero colaborando activamente con agentes de IA pude superar mis límites técnicos y completar, en unos 100 días, un desarrollo individual guiado al 100% por agentes de IA.
Empecé a estudiar el mercado de apartamentos para encontrar un hogar donde mi hijo pudiera crecer y establecerse, y al principio todo comenzó como un proyecto personal para simular los precios futuros de complejos residenciales candidatos para vivir. Después, al incorporar variables macroeconómicas, modelado estadístico y una evolución del stack de infraestructura serverless, se expandió a un servicio que cubre complejos de todo el país. Recientemente, además de web/PWA, lancé también las apps nativas oficiales en la App Store de iOS y en Google Play, y las comparto gratis y sin anuncios.
1. Límites del sobreajuste en la respuesta única (Point Forecast) y definición del problema
Los métodos existentes de estimación de precios y predicción puntual única (Point Forecast) tienden a sobreajustarse (Overfitting) a la pregunta: "¿Cuánto costará exactamente este apartamento dentro de 24 meses?". Esto se debe a que el mercado inmobiliario está muy influido por variables macroeconómicas como tasas de interés, tipo de cambio, deuda de los hogares y políticas públicas.
Por eso, en vez de presentar una sola cifra como respuesta, consideré más práctico calcular un rango probabilístico basado en escenarios mediante simulación probabilística, obteniendo el intervalo central del 50% (P25 ~ P75).
2. Estructura del modelado estadístico y la simulación
Para resolver esto, diseñé el motor de predicción en torno a 3 ejes principales.
- 16 factores activos macro, estructurales y regionales: combiné estadísticas oficiales de ECOS del Banco de Corea (tasas de interés, tipo de cambio, deuda de los hogares, costos de construcción) con indicadores cualitativos y regionales (políticas, sentimiento, ubicación, etc.), y restauré snapshots de datos históricos para asegurar consistencia temporal entre distintos momentos.
- Corrección de residuos con VECM (modelo vectorial de corrección de error): se aplica una corrección según la fecha de mudanza y el entorno del mercado, junto con una capa de corrección de momentum de residuos VECM para mantener relaciones de equilibrio de largo plazo.
- Simulación Monte Carlo e interpolación de trayectorias de predicción puntual: los escenarios de precios futuros a 24 meses se calculan como un rango probabilístico P25 ~ P75 mediante interpolación de trayectorias de predicción puntual y simulación Monte Carlo.
3. Rendimiento cuantitativo del modelo y backtesting OOS transparente
Para asegurar la capacidad de generalización y la confiabilidad del modelo, realizo periódicamente backtesting Forward OOS de validación fuera de muestra a 12 meses sobre complejos del cohorte de evaluación representativo y muestras de validación de generalización.
- MAPE de precios en muestra retenida de Forward OOS a 12 meses: 6.32% (según el cohorte oficial de evaluación)
- R^2 ajustado en muestra retenida: 0.610 (según validación de backtesting del cohorte)
- Quality gate de validación: aprobado en su totalidad
- Validación OOS diaria de 5 complejos aleatorios y destaque principal: en la página del whitepaper técnico publico de forma transparente, todos los días, los resultados del backtesting Forward OOS a 12 meses de 5 complejos seleccionados aleatoriamente, y entre ellos se destaca automáticamente en la pantalla principal 1 complejo con la mediana de error como el apartamento validado de hoy.
- Prevención de sesgo muestral: también hago seguimiento separado de complejos de muestra de generalización que no están incluidos en el cohorte de evaluación, para verificar continuamente la capacidad de generalización a complejos de todo el país sin sesgo hacia los datos de entrenamiento.
4. Lanzamiento oficial en App Store/Google Play y construcción multiplataforma
En un entorno de monorepo único (pnpm workspace + Turborepo), aseguré accesibilidad desde distintos dispositivos y lancé oficialmente en web, PWA, App Store de iOS y Google Play de Android.
- Pipeline único para Web / PWA / Native WebView: con infraestructura Next.js (Vercel) como servidor principal, lo extendí al entorno de apps nativas iOS/Android mediante empaquetado con Capacitor e integración de plugins nativos.
- Resolución de problemas con login social e in-app browser: al iniciar sesión con Kakao, Apple y Google, construí un flujo de verificación OIDC Nonce y traspaso de credenciales entre SDK nativo y servidor (Handoff) para resolver el bloqueo de navegadores integrados en apps. (Se aplicó fallback a correo virtual cuando no hay consentimiento para el correo de Kakao).
- Toolchain de sincronización automática de assets: a partir de una sola fuente SVG, genera automáticamente assets para splash PWA (40 resoluciones), launcher/splash de Android e íconos de app de iOS.
- Pipeline de notificaciones push redundante: cuando cambia la predicción de un complejo de interés, Web Push y notificaciones push nativas del sistema operativo (FCM/APNs) se bifurcan en 2 niveles de prioridad (Strong/Normal) y se envían en lote mediante un pipeline asíncrono de Cloudflare Queue / QStash.
5. Infraestructura y troubleshooting/lecciones de desarrollo guiado por IA
Desarrollé de forma autónoma con una arquitectura híbrida serverless (Next.js + Neon Postgres + Cloudflare Workers + Hono + Cloudflare Queue / Upstash Redis), minimizando el costo fijo mensual.
- Asegurar consistencia entre entrenamiento y serving: detecté un Train/Serve Skew donde cambiaba el gate de recencia por la diferencia en días entre la fecha base de la ventana muestral durante backtesting/entrenamiento y la fecha de la transacción más reciente durante serving, y logré consistencia total entre serving y backtesting separando la fecha base de la ventana muestral y alineando parámetros históricos reproducibles (
as-of). - Catálogo de construcción diferida on-demand: en vez de recolectar de antemano todos los apartamentos del país y desperdiciar costos, integré un pipeline que construye de forma asíncrona y diferida solo el catálogo de las regiones (si/gun/gu) desde donde llegan usuarios y las transacciones reales de los complejos de interés.
- Acumulación automática de muestras con violaciones de calidad: construí un pipeline de autodiagnóstico que acumula en un repositorio append-only las muestras anómalas que no pasan el error gate en lotes de validación aleatoria, para usarlas como muestras prioritarias de mejora antes del ajuste del modelo.
- Superación del límite de memoria de Upstash Redis: cuando al hacer backfill de grandes volúmenes de datos se alcanzó el límite de memoria debido a los datos JSON originales, el agente separó la estructura hacia consultas dinámicas en tiempo real (Live fetch), evitando fugas de costo de infraestructura.
- Corrección del límite superior del peso de políticas: corregí un problema en el que el peso de políticas de crédito se disparaba anormalmente en complejos de cierto rango de precios, inyectando una fórmula de calibración con límite superior.
Si tienen comentarios o preguntas desde la perspectiva de modelado de series temporales inmobiliarias, simulación VECM/Monte Carlo o infraestructura híbrida serverless/Capacitor, con gusto conversemos en los comentarios.
- Landing principal: https://apt-insights.com
- Whitepaper técnico: https://apt-insights.com/model
- Aplicación web: https://app.apt-insights.com
3 comentarios
El enlace al documento técnico está arrojando un error 404.
https://edge.apt-insights.com/v1/public/whitepaper
Gracias por el aviso. ¡Ya lo corregí!
Parece que olvidé incluir la función para compartir apartamentos en el texto, jaja. Les dejo un enlace para probar, de paso, de Helio City, un complejo grande y conocido.
(¡Tomen los resultados de la predicción solo como referencia y, para el modelado detallado, consulten el libro blanco!)
Se abre directamente sin iniciar sesión, así que pueden entrar con confianza para echarle un vistazo a la UI de los gráficos.
https://app.apt-insights.com/s/apt/9NPumhVmCv