Jadco ADL team

Ce qui nous a inspirés

C'était notre tout premier hackathon, et nous avons choisi le défi de JADCO parce qu'il semblait être le plus adapté aux débutants. Le projet nous a semblé très intéressant, mais aussi assez technique : toute sa complexité résidait dans le fait qu'il demandait des connaissances en immobilier que nous n'avions pas au départ, comme les règles du Tribunal administratif du logement (TAL), la ligne directrice de l'Ontario, ou la différence entre un renouvellement et une relocation.

Ce qui nous a accrochés, c'est un chiffre trompeur : la médiane des loyers affichait +10,85 % en 2023, alors que les locataires n'ont jamais vécu une telle hausse. Comprendre pourquoi est devenu notre point de départ.

Ce que nous avons appris

Une moyenne peut mentir sans qu'aucun chiffre soit faux. En 2023, trois immeubles haut de gamme sont entrés dans le portefeuille : la médiane mesurait le changement d'immeubles, pas la hausse des loyers. En comparant chaque appartement à lui-même, la vraie hausse était de 2,29 %.
Les données ne disent pas toujours ce que leur description annonce. PromoPay, décrit comme un frais mensuel, est en fait un rabais unique.
Le loyer affiché n'est pas le revenu. En 2025, le loyer écrit sur le bail a augmenté de 7,04 %, mais le loyer réellement encaissé de seulement 3,58 % : les rabais absorbaient la moitié de la hausse.
Et surtout, nous avons découvert que la science des données et l'IA s'appliquent bien au-delà de la santé ou de la tech : l'immobilier, la réglementation et la finance offrent aussi des problèmes passionnants.

Comment nous l'avons construit

Tout est fait en Python et Jupyter (pandas, NumPy, matplotlib), à partir du notebook de départ.

Étape 1 : comparer chaque appartement à son bail précédent, sur la clé sPropCode + sUnitCode, et annualiser la hausse :

$$ g = \left(\frac{L(t)}{L(t-1)}\right)^{1/\Delta t} - 1 $$

où $$L(t)$$ est le loyer effectif du bail et $$\Delta t$$ l'écart entre les deux baux, en années.

Étape 2 : séparer 5 segments selon la province, le régime réglementaire (TAL, section F pour les immeubles neufs, Ontario) et le type de bail.

Étape 3 : prévoir chaque segment en mélangeant une donnée publique (taux du TAL ou croissance des loyers de la SCHL) et la tendance interne d'Équinoxe, puis retirer l'effet des concessions. La hausse du portefeuille combine les segments selon leur poids :

$$ \hat{g}(2026) = \sum w(s) \, \hat{g}(s) $$

Étape 4 : valider par backtest sur 2023, 2024 et 2025 : notre modèle atteint une erreur moyenne de 1,22 point, contre 1,40 et 1,55 pour deux méthodes de référence.

Résultat : une hausse de 3,25 % en 2026, dans une fourchette de 1,77 % à 5,18 % selon l'évolution des rabais.

Les défis rencontrés

Apprendre le domaine en même temps que le code. Il a fallu comprendre le fonctionnement du TAL, de la section F du bail et des règles ontariennes avant de pouvoir modéliser quoi que ce soit.
Notre premier modèle a échoué au backtest. Il ajoutait au taux du TAL un écart historique faussé par l'année 2022. Le backtest nous l'a montré, et nous avons corrigé la méthode : c'est sans doute la leçon la plus importante du week-end.
Le temps. Faire un modèle rigoureux, documenté et reproductible en quelques heures demandait de bien se répartir le travail à trois.

Ce fut un défi stimulant et très agréable pour un premier hackathon. Nous repartons avec l'envie d'appliquer ces méthodes à d'autres domaines.