En este trabajo se presentan modelos predictivos para el precio de un activo de difícil valuación como la vivienda. Se utilizan dos fuentes de datos novedosas para la ciudad de Montevideo: una proveniente de sitios web obtenidos mediante web scraping (para el per odo febrero 2018 - enero 2019) y otra de registros administrativos de transacciones de la Direcci on General de Registros (DGR) para el per odo enero 2017 - julio 2018. Se implementan tres modelos fácilmente replicables: modelo lineal, arbol de regresión y bosques aleatorios, y se compara su poder predictivo. Los resultados arrojan una mejor performance del modelo de bosques aleatorios (Random Forest) respecto al modelo lineal hedónico, ampliamente difundido en la literatura. Se busca incorporar al análisis de predicción de precios una metodología aún escasamente difundida a nivel nacional así como poner a disposición una nueva base de datos.

This work presents predictive models of a hard-valuation asset like housing. With this aim, two data bases were gathered for the city of Montevideo: on-line publications through web scraping (February 2018 - January 2019) and transactional data from the National Registration Office (January 2017 - July2018). Three easily replicable models are trained: linear model, regression treeand random forest, and their predictive power is compared. Results show bet-ter predictive power with simple random forest models than those obtained with the classic linear hedonic model. The main objective is to incorporate into the price prediction analysis a still poorly disseminated methodology atnational level, as well as to make a new database available.