Modelo Predictivo de Inversión en Obras de Arte

El proyecto busca analizar la industria del arte desde la perspectiva de una de las florecientes vías de inversión alternativa. La industria del arte se divide entre el arte especulativo, aquel dominado por autores famosos cuyas firmas tienen gran influencia en los precios de venta, y el arte más puro, en el que el precio de venta se determina por las características de la obra y no por la firma de su autor. El proyecto se centra en la predicción del valor del arte más puro mediante la creación de un modelo basado en una regresión hedónica cuyas variables son las características de la obra que influyen en su precio de venta combinado con la información que nos ofrece el precio de venta de aquellas obras que ya fueron vendidas en el pasado.
Se ha obtenido un modelo con un coeficiente de predicción de 0.45 el cual mejora al añadir la información del precio de venta anterior cuando este se encuentra disponible. Este modelo puede reducir costes, esfuerzo y tiempo a los tasadores de las casas de subastas, junto con el consiguiente aumento de la precisión de sus estimaciones. Adicionalmente, se han estudiado las relaciones entre las diversas variables analizadas, identificado relaciones significativas entre el precio de venta y las siguientes variables: siglo de creación, origen, suavidad y la casa de subastas en la que se vende dicha obra.

The project aims to analyze the art industry from the perspective of one of the growing alternative investments. The art industry is divided in speculative artwork and a purer artwork. The first one is ruled by famous artists whose signatures have a big impact in selling prices. On the other hand, in the purer version of art the selling price is determined by the features of artwork. The project is focused on the prediction of this pure form of art through the creation of a model based on a hedonic regression with variables that exhibit the visible features of artwork that influence the selling price. This model is combined with the information of the selling price of those pieces of art that have been sold previously.
We have obtained a model with a predictor coefficient of 0.45 which is improved when we add the selling price information of previously sold artwork. This model can reduce costs, efforts and time to appraisers who work in auction houses. On addition, we have studied the relationships between the variables analyzed. We have identified significant relationships between the selling price and the following variables: creation century, origin, smoothness and auction house in which the artwork is sold.