通过前面两篇文章，我们锁定了某个property，那么随之而来的就是出价环节。这个环节的核心在于，对一个房子的真实价值有一个把握，也就是你对房子真实价值的estimate越接近其真实价值越好。这个环节的难度在于把这个价值用一个数字表达出来，毕竟最后offer的时候你需要给出的只是一个数字。
对于小白如我来说，这个估值主要来源于三个方面：1-talk to people, 听有经验的人的建议，包括sale agent, buy agent, 有投资经验的朋友，自己的估值；2-模型计算，使用过AMP price finder付费服务的朋友可能知道，如果你输入一个property的地址，它会返回对这个property的估值。从我的使用经验来看，对大多数中等区间的房子，AMP给出的估值还是比较decent的。土豪朋友们反应，对豪宅的估值似乎比较不准确。我猜测，它背后的算法可能是两大块加成的。第一部分算法根据周围相似房产的价格给出一个benchmark，第二部分细调，应该是使用了某种machine learning的算法，输入的feature应该是诸如房间数，车库，屋顶等等，使用大量的sample来得到估值。再用房地产从业人员的经验做对比来细调算法的参数。而对于豪宅而言，第一是数量较小，算法的学习sample稀缺，第二是豪宅的feature太多，可能有很多装饰或者进阶的装修，所以估值较难。
虽然AMP的price finder service挺好用的，但是呢，需要支付费用还是有一定成本的，而且它的算法不是公开的，难以从中学习到insight。好消息是，AMP也开放了API，有兴趣的developer朋友们可以去爬一爬他们的数据，应该还是比较丰富的。爬到一定的数据量来建立模型，这个工程量也不是很小。但如果想学习house price modelling的朋友，可以下载kaggle网站的一个数据挖掘比赛提供的数据。这个数据提供的feature极其丰富，很有价值。
房屋定价模型
关于这个kaggle比赛的介绍如下，其数据是波士顿地区的房产数据。
在这个比赛的论坛里面，很多team公开了他们的code和analysis,所以在自己动手model之前可以看一下大家的工作。一般回复率比较高的帖子都值得一看。
这个帖子做了一些exploratory analysis，比如作者做了一些feature correlation的分析，寻找和房价correlated比较紧密的feature
又比如论坛里这个帖子，已经做了初步的回归分析，用的是regularised regression，作者发布了一些初步的结果。感兴趣的朋友，可以下载这个数据来试试建立自己的定价模型。
总结
在offer阶段，可以结合经验人士给出的估值，以及算法的估值，得出一个适合数字。这个数字作为offer阶段negotiate的一杆秤。在讨价还价的阶段，卖方总有些trick来把价格拉高。可以理解，给对方一些利润的空间。把握大方向，适度让利，毕竟咱们最重要的还是把买卖做成嘛。
