本文提出了一种使用机器学习回归模型创建价格指数的方法。 在我们的研究中，我们开发了2000年至2019年纽约市的六种商业房地产价格指数。本研究中使用的回归模型是极限梯度提升树（XGBT），支持向量回归（SVR）和平均神经网络（ avNNet）。 比较结果的基准是普通最小二乘（OLS）。主要有两种索引方法：链式（使用样本外数据构建索引）和池式（使用内部样本构建索引）。样本数据。 两种主要的索引方法可以分为使用Paasche和Laspeyres之类的索引公式的子类别。这项研究中另一个重要的因素是建立索引的最佳训练窗口的大小（以年为单位）。 结果表明，机器学习方法总体上产生较低的估计误差。 然而，这些较低的估计误差并不总是构成更稳定的指标。 此外，所有模型（包括基准）都对样本外估计误差的训练窗口大小敏感。
