2016 — 2025
Capstone Project del Master in Data Analytics di Epicode: raccolta e analisi dei dati ufficiali del mercato immobiliare italiano nell'ultimo decennio, con l'obiettivo di costruire un modello di previsione per il primo semestre 2026.
L'analisi copre le province di Bologna, Milano, Napoli, Palermo, Roma e Torino — scelte per rappresentare aree geografiche, dimensioni di mercato e dinamiche di prezzo diverse. I dati riguardano esclusivamente abitazioni civili in stato normale, la tipologia prevalente nel mercato residenziale italiano.
Dati scaricati da fonti ufficiali pubbliche, utilizzati esclusivamente a fini accademici. La previsione 2026 è una stima statistica su base storica, non tiene conto di eventi futuri imprevedibili e va letta come indicazione di tendenza, non come valore certo.
Prezzo medio al metro quadro, provincia per provincia, dal 2016 al 2025 — media di circa 42.000 righe di quotazioni OMI.
Prezzo e volumi raccontano due storie diverse: nel 2021-2022 crescono insieme, poi si separano.
Due modelli statistici a confronto — regressione polinomiale e SARIMAX — con il migliore scelto per ogni provincia in base ai risultati sui dati storici.
Media — R² 0.07
Bologna ha un andamento molto regolare: prezzi in calo graduale fino al 2019, poi risalita costante. Una curva matematica semplice descrive bene questo pattern stabile, mentre SARIMAX tende a sovrastimare le variazioni su serie così piatte.
Alta — R² 0.848
Milano è la provincia con la crescita più accelerata del decennio: +382 €/mq, impennata marcata dal 2022. SARIMAX impara che un prezzo in salita tende a continuare a salire, cogliendo il momentum in atto — il risultato è l'R² più alto tra tutte le province.
Bassa — entrambi i modelli faticano su questa serie
Napoli ha subito un doppio shock: crollo brusco nel 2020, rimbalzo nel 2021-2022. Due cambi di direzione ravvicinati confondono SARIMAX, che li amplifica invece di smorzarli. La regressione produce stime più prudenti.
Bassa — mercato troppo stabile per entrambi i modelli
Palermo è il mercato più stabile: prezzi in un range ristretto per tutto il decennio, senza trend forte né shock. Con così poca variazione da modellare, SARIMAX va in overfitting, imparando oscillazioni casuali invece di un pattern reale.
Media — R² -2.4 (il migliore disponibile)
Roma ha un andamento a V: discesa continua dal 2016 al 2021, poi risalita decisa fino al 2025. SARIMAX coglie che negli ultimi semestri i prezzi salgono con costanza; la regressione, allenata anche sugli anni di calo, sottostima la ripresa recente.
Bassa — serie troppo piatta e volatile per entrambi
Torino è il caso più difficile: i prezzi oscillano di pochi euro per 10 anni senza direzione chiara. SARIMAX va in overfitting grave (R² -184): con così poco segnale, il modello memorizza le micro-oscillazioni invece di un pattern. La regressione, pur imperfetta, è più conservativa.
SQL — variazione % anno su anno (window function)
WITH prezzo_annuo_provincia AS (
SELECT Prov, Anno,
ROUND(AVG(Prezzo_medio_mq), 0) AS Prezzo_medio_annuo
FROM omi_qi_vcn
GROUP BY Prov, Anno
)
SELECT
Prov, Anno, Prezzo_medio_annuo,
LAG(Prezzo_medio_annuo) OVER (
PARTITION BY Prov ORDER BY Anno
) AS Prezzo_Anno_Precedente,
ROUND(
(Prezzo_medio_annuo - LAG(Prezzo_medio_annuo) OVER (
PARTITION BY Prov ORDER BY Anno
)) * 100.0 / LAG(Prezzo_medio_annuo) OVER (
PARTITION BY Prov ORDER BY Anno
), 2
) AS Variazione_Percentuale
FROM prezzo_annuo_provincia
ORDER BY Prov, Anno;Python — selezione del miglior ordine SARIMAX per AIC
def trova_miglior_ordine(y_train, esogene_train, ordini):
miglior_aic = float('inf')
miglior_ordine = None
for ordine, ordine_stagionale in ordini:
try:
modello = SARIMAX(
y_train,
exog=esogene_train,
order=ordine,
seasonal_order=ordine_stagionale,
enforce_stationarity=False,
enforce_invertibility=False,
)
risultato = modello.fit(disp=False)
if risultato.aic < miglior_aic:
miglior_aic = risultato.aic
miglior_ordine = ordine
except Exception:
continue
return miglior_ordine, miglior_aic