Inspiration
Chaque année, Collection Équinoxe doit prévoir la hausse de ses loyers pour budgéter ses revenus et fixer ses loyers de renouvellement. Le réflexe naturel, c'est de regarder le loyer médian d'une année à l'autre. Sauf que cette médiane annonçait +10,8 % en 2023, alors que la hausse réelle, mesurée appartement par appartement, n'était que de 2,3 %.
Ce piège nous a accrochés : comment donner un chiffre fiable quand les moyennes simples mesurent surtout qui loue, et pas combien chaque locataire paie de plus ?
Ce que fait le projet
Nous estimons la hausse de loyer 2026 de Collection Équinoxe (six immeubles à Laval, Mont-Royal, Pointe-Claire et Ottawa) :
- 4,35 % : hausse annualisée à unité constante, en loyer effectif (après concessions), portefeuille combiné, pondérée par le loyer ;
- 3,35 % à 5,34 % : scénarios bas et haut ;
- 5,77 % : la même méthode en loyer contractuel, le chiffre à utiliser pour fixer les loyers ;
- 4,83 % : contre-vérification indépendante par XGBoost.
Comment nous l'avons construit
1. Comprendre les données. Nous avons vérifié chaque colonne au lieu de croire sa description. Par exemple, PromoPay est décrit comme un rabais mensuel, mais c'est en fait un mois presque gratuit accordé une seule fois (un seul mois dans 88 % des cas). Nous avons aussi recalculé le loyer effectif pour confirmer ce que contient sRentEffective.
2. Neutraliser l'effet de mix. Trois immeubles haut de gamme sont entrés dans le portefeuille en 2023-2024. Nous comparons donc chaque unité à son propre bail précédent, sur la clé sPropCode + sUnitCode (la clé sSite + sUnitCode fait entrer en collision 248 unités sur 1 061). Résultat : 3 179 paires de baux sur 890 unités.
3. Séparer ce qui se comporte différemment. Six segments : trois régimes (immeubles contrôlés par le TAL, immeubles neufs du Québec, The Met en Ontario) × deux types de baux (renouvellement, relocation). Le plafond d'une province n'est jamais appliqué à l'autre.
4. Intégrer le marché. Taux du TAL, enquêtes de la SCHL et IPC de Statistique Canada, avec uniquement les valeurs publiées à la date de la prévision.
5. Le modèle. Pour chaque segment \(s\), on mélange la tendance interne et le signal externe, puis on pondère par la part du loyer effectif des baux qui arrivent à échéance :
$$\hat g_s = \alpha \cdot \text{interne}_s + (1 - \alpha) \cdot \text{externe}_s, \qquad g = \sum_s w_s \, \hat g_s$$
avec \(\alpha = 0{,}5\), fixé avant de regarder les résultats du backtest.
6. Valider. Backtest sur 2023, 2024 et 2025, chaque fois en se plaçant au 31 décembre de l'année précédente. Erreur absolue moyenne de 1,58 point, contre 1,65 pour une référence naïve. Un modèle XGBoost entraîné unité par unité sert de contre-vérification.
Défis rencontrés
- Contractuel ou effectif ? Dès 2024, les deux hausses divergent (7,0 % contre 3,6 % en 2025). Au Québec, le TAL s'applique au loyer inscrit au bail : le propriétaire a donc intérêt à le garder haut et à rendre la différence en concessions. Nous avons choisi de livrer les deux chiffres, chacun pour son usage.
- Un biais vers le haut. Notre modèle surestimait chaque année au backtest. Nous avons trouvé pourquoi : le TAL, la SCHL et l'IPC mesurent des loyers contractuels, alors que notre cible est effective. Appliqué au loyer contractuel, le même modèle n'a presque plus de biais (+0,18 point).
- Trois années de backtest seulement. Avec si peu de points de mesure, il était tentant de choisir la meilleure des 40 configurations testées. Nous avons gardé celle fixée à l'avance pour ne pas choisir sur du bruit.
- Des règles différentes selon la province. The Met, à Ottawa, est exempté de la ligne directrice ontarienne, mais le préavis de 90 jours et la limite d'une hausse par 12 mois s'appliquent toujours.
Ce que nous avons appris
- Une médiane peut raconter une histoire complètement fausse quand la composition change.
- Il faut lire ce que contiennent les colonnes, pas seulement leur description.
- Un modèle simple et explicable, validé honnêtement, vaut mieux qu'un modèle complexe ajusté sur trois points.
- Comprendre pourquoi un modèle se trompe (ici, contractuel contre effectif) en apprend plus que la valeur de son erreur.
Prochaines étapes
- Affiner la classification des régimes avec la section F des baux.
- Utiliser les séries SCHL par zone lorsqu'elles sont fiables (Laval, centre-ville d'Ottawa).
- Prolonger le backtest à mesure que de nouvelles années de données sont disponibles.
Built With
- jupyter
- matplotlib
- numpy
- pandas
- python
- scikit-learn
- xgboost
Log in or sign up for Devpost to join the conversation.