A Study on the Inflation Hedging properties of Housing Assets in South Korea = 한국 주택 자산의 인플레이션 헷지 특성에 관한 연구

다국어 초록 (Multilingual Abstract)

Real estate has been widely recognized as an asset to mitigate inflation risk and has established itself globally as an attractive investment asset. The inflation hedging property of real estate refers to the characteristics whereby the cash flows generated from real estate increase in line with or beyond general inflation rate. Since the seminal study by Fama and Schwert (1977), extensive empirical research has examined the relationship between inflation and investment returns across various asset classes. While the inflation hedging properties of housing assets have been confirmed in numerous international studies, existing domestic research has often reported inverse or weak hedging effects.
The cash flows generated from owning real estate generally consist of capital gains and rental income. When these sources of income move in tandem with inflation, real estate can function as a hedge against future price increases. If rents can be flexibly adjusted in line with inflation, the hedging effect would be further enhanced. On the other hand, if rental contracts are adjusted passively based on past inflation, this hedging effect would be weakened. Accordingly, the effectiveness of real estate as an inflation hedge depends on the frequency of lease negotiation and the accuracy of inflation forecasts.
Futhermore, if housing asset returns across regions respond differently to the same inflationary shock, it would imply not only potentially widening regional asset disparities across regions but also that such differences go beyond the economic polarisation and may lead to comprehensive forms of social inequality across education, human capital, social capital and cultural capital. Particularly, when wealth polarisation is rooted in non-labour income, there is a risk that this entrenches economic hierarchies that cannot be resolved naturally through economic recovery alone.
This study investigates the inflation hedging properties of housing assets in South Korea, particualy focusing on apartments in Seoul, the country’s representative housing market. It evaluates not only its capital returns but also changes in capitalized/non-capitalized rental income, from the construction of price index of Jeonse, the dominant lease structure in the housing market in South Korea.
Accordingly, a machine learning model based on two of the most well-established algorithms, namely LightGBM (Light Gradient Boosting Machine) and ANN (Artificial Neural Network), is trained using complete transaction data of Seoul Apartments sales and Jeonse contracts from 2011 to 2024. This enables the estimation of both housing asset price and Jeonse price changes at the individual housing unit level. Unlike traditional surveyed or appraised-based repeat sales models and hedonic price models, this index approach allows for the construction of price indices with high spatial and temporal resolution. The key empirical contribution of this study lies in its ability to assess the inflation hedging performance of both capital and rental returns at the micro level of individual housing units, rather than at aggregated national or metropolitan scales. This, in turn, enables a more granular estimation of inflation risk.
As a result, the resulting house price and Jeonse price indices cover 2,160 apartment complexes in Seoul, encompassing 1,627,871 housing units, which account for approximately 92.4% of the total apartment stock in Seoul. The model performance for the House Price Automated Valuation Model (AVM) showed a Mean Absolute Percentage Error (MAPE) of 4.54% to 4.91%, while the Jeonse Price AVM recorded a MAPE of 7.62% to 7.83%.
Furthermore, the study examines potential discrepancies embedded in the official CPI figures and proposes adjusted variables of the Consumer Price Index that more accurately and promptly reflect housing cost component. These adjustments incorporate actual transaction-based rent trends and owner-occupied housing costs in place of survey-based estimates. The study compares several inflation series for Seoul, including the official CPI with housing costs, the CPI excluding housing costs, and two adjusted CPI measures that use actual transaction-based rent data. The results indicate that the official CPI increased by an average of 1.94% per year from 2011 to 2024, while the non-housing CPI rose by 1.95%, suggesting that housing cost component have a suppressing effect on the current overall CPI. When the surveyed-based rent index in the CPI was replaced with a 12-month rolling average of Seoul’s transaction-based rent index, the average annual increase rose to 2.17% per year. Moreover, when owner-occupied housing costs were also included, the adjusted CPI showed a further increase to 2.55% per year.
The first research hypothesis examines whether the inflation hedging effect of housing differs depending on the type of house price index used, such as those based on surveyed or appraised values, or actual transaction prices. Using a vector error correction model (VECM), the study finds that the conventional KB house price index, which relies on appraised prices, implies only a modest hedging effect of approximately 0.27 percent in response to a 1 percent rise in inflation. In contrast, the machine learning-based transaction price index indicates a much stronger hedge, with housing prices increasing by 2.60 percent approximately, thereby establishing a long-run cointegration relationship. These findings suggest that appraisal-based indices, which tend to smooth price movements, may significantly underestimate the inflation hedging capacity of housing assets and call for a re-examination of conclusions derived from appraisal-based data alone.
The second research hypothesis questions if the Jeonse prices, as proxy to capitalised rental income, also functions as inflation hedge. The second VECM focuses on rental returns by applying two types of Jeonse Price Indices (JPI): a standard transaction-based JPI and a cost-based JPI that represents opportunity cost of renting a house. These represent two approaches to capturing the rental return available to homeowners under Korea’s unique deposit-based lease system. The estimation results show that a 1% increase in inflation is associated with approximately 1.6195% increase in the JPI, and approximately 2.0368% increase in the cost-based JPI. These findings show that both the opportunity cost of Jeonse and the capital value of Jeonse deposits exhibit strong inflation-hedging properties. This suggests that landlords can pre-emptively set Jeonse prices to prevent future inflation risks, thereby reinforcing the role of Jeonse as a proactive means to inflation hedge.
Third hypothesis questions the degree to which housing asset hedges against inflation differs across localised submarkets within Seoul. The extent covers analysis annual real return across entire Seoul and major Seoul’s submarkets: the Gangnam and Gangbuk submarkets. While Seoul’s housing market showed a positive annual real return averaging 5.46% during 2012-2024 demonstrating consistent excess returns even after accounting for inflation, Gangnam submarkets outperformed with a 6.70% average, consistently delivering higher returns compared to Seoul and the Gangbuk submarket (4.71%). Considering the long-term holding behaviour of homeowners, the analysis by holding period of 3, 5, 7 and 9-years shows that the probability of achieving an annual capital return exceeding 5 percent increases as the holding period becomes longer. For Seoul as a whole, the probabilities are 57.52%, 67.41%, 83.61%, and 88.40% for the 3, 5, 7, and 9-year holding periods, respectively. In the Gangbuk submarket, the corresponding probabilities are 56.59%, 65.41%, 78.64%, and 86.86%, while in the Gangnam submarket, they are higher at 62.12%, 71.62%, 91.73%, and 93.45%. These findings suggest that the likelihood of achieving higher annual returns increases significantly with longer investment durations, with particularly pronounced probabilities observed in the Gangnam area.
Taken together, the findings indicate that both capital gains and rental income from housing assets in South Korea provide more than a one-to-one hedge against inflation. This underscores the effectiveness of real estate as an inflation protection tool, particularly when market-based measures are employed. It also highlights the importance of evaluating housing assets through both price dynamics and rent-setting behaviour when assessing their role as an inflation hedge.

국문 초록 (Abstract)

부동산은 인플레이션 리스크를 완화할 수 있는 자산으로 널리 인식되며 전 세계적으로 매력적인 투자자산으로 자리잡아 왔다. 부동산의 인플레이션 헤지(inflation hedge) 속성이란, 부동산으로부터 발생하는 현금흐름이 일반적인 물가상승률과 같거나 그 이상으로 증가하는 특성을 말한다. Fama와 Schwert(1977)의 연구 이후, 다양한 자산군에 걸쳐 인플레이션과 투자수익 간의 관계에 대한 광범위한 실증연구가 이루어졌다. 해외 연구에서는 주택자산의 인플레이션 헤지 속성이 다수 확인된 반면, 기존 국내 연구에서는 오히려 역의 관계나 약한 헷지 효과를 보고한 경우가 많았다.
부동산 보유로부터 발생하는 현금흐름은 일반적으로 자본이득 (capital gains)과 임대수익(rental income)으로 구성된다. 이러한 수익이 인플레이션과 함께 연동되어 움직일 경우 부동산은 미래 물가상승에 대한 방어 수단으로 기능할 수 있다. 특히 임대료가 인플레이션에 맞춰 유연하게 조정될 수 있다면 헷지 효과는 더욱 강화된다. 반대로, 임대계약이 과거의 인플레이션 기반하여 수동적으로 조정될 경우 또는 조정율이 미래의 기대 인플레이션에 못미칠 경우 이러한 헷지 효과는 약화된다. 따라서 부동산의 인플레이션 헷지 효과는 임대계약의 재조정 주기와 인플레이션 예측의 정확성에 따라 달라진다.
나아가, 동일한 인플레이션 충격에 대해 주택자산 수익률이 지역별로 다르게 반응한다면, 이는 지역 간 장기적인 실질 수익의 차이를 초래하고 자산 격차를 심화시킬 수 있다. 이러한 차이는 단순한 주택 소유 여부에 따른 경제적 양극화를 넘어, 교육, 인적 자본, 사회적 자본,문화 자본 등 보다 포괄적인 사회적 불평등으로 이어질 수 있다. 특히 부의 양극화가 비근로소득에 기반할 경우, 이러한 자산 격차는 단순한 경기 회복만으로는 해소되기 어려운 경제적 위계 구조를 고착시킬 수 있다.
본 연구는 한국의 대표 주택시장인 서울 아파트를 중심으로 주택자산에서 발생하는 현금흐름의 인플레이션 헷지 속성을 실증적으로 분석한다. 분석 대상은 자본이득뿐만 아니라, 전형적 임대 형태인 전세가격지수를 활용하여 포착한 자본화 (capitalized) 및 비자본화된 (non-capitalized) 임대수익을 분석에 포함한다. 이를 위해 본 연구는, 2011년부터 2024년까지의 서울 아파트 실거래가격 및 전세 확정자료 데이터를 LightGBM (Light Gradient Boosting Machine)과 ANN (Artificial Neural Network)이라는 두 가지 대표적인 머신러닝 알고리즘을 활용해 학습하였다. 추정 가격을 기반으로 산출된 주택 가격지수 및 전세가격지수는 서울시 전체 2,160개 아파트 단지를 포함하며, 총 1,627,871세대를 포괄한다. 머신러닝 모형을 구축한 결과, 주택가격 자동평가모형 (AVM)의 평균절대오차율 (MAPE)은 4.54%, 전세가격 모형은 7.83%로 나타나 높은 예측 정확도를 보였다. 이는 서울시 전체 아파트 재고의 약 92.4%에 해당하는 규모이다. 이러한 개별 단위 주택 수준에서 자본수익과 임대수익을 정밀하게 반영하고 있다는 점을 확인하였다.
또한 본 연구는 인플레이션의 변수로 통계청의 소비자물가지수 (CPI)를 채택하기에 앞서 기존 소비자물가지수에 내재된 잠재적 왜곡 가능성을 검토하고, 실제 주택비용을 보다 적시에 반영할 수 있도록 조정된 CPI 변수들을 제안하였다. 이러한 조정 변수는 기존 조사 기반 집세지수 대신 실거래 가격 기반 임대료 지수와 자가주거비용 (owner-occupied housing costs)을 반영한다. 비교 대상은 (1) 집세지수가 포함된 현행 공식 CPI, (2) 현행 집세지수를 제외한 CPI, (3) 실거래 기반의 집세지수로 조정된 CPI, (4) 실거래 가격 기반 집세지수와 더불어 자가주거비까지 반영한 CPI 등 총 네 가지이다. 분석 결과, 2011년부터 2024년까지 공식 CPI는 연평균 1.94% 상승하였고, 비주거 CPI는 1.95% 상승하여 현행 집세지수가 전체 CPI를 다소 억제하는 효과를 가지는 것으로 나타났다. 반면, 서울의 실거래 기반의 집세지수를 구축하여 이를 12개월 이동 평균하여 CPI에 반영한 경우, CPI1는 연 2.17% 상승하였고, 여기에 자가주거비용을 포함%(CPI2)하면 연 2.55까지 상승하였다.
첫 번째 연구 가설은 인플레이션 헷지 효과가 사용하는 주택가격지수의 유형, 즉 조사ㆍ평가 가격 기반 지수인지, 실거래 가격 기반 지수인지에 따라 달라지는지를 검토한다. 벡터오차수정모형(VECM) 분석 결과, 감정가격 기반의 KB 주택가격지수를 사용할 경우 헷지 효과는 연 약 0.27%로 미미한 수준이었으나, 머신러닝 기반 실거래 가격지수를 사용할 경우 인플레이션 1% 상승 시 주택가격은 약 2.60% 상승하는 것으로 나타났다. 이는 양(+)의 장기적인 공적분 관계를 형성하며 명목 인플레이션을 초과하는 자산가격 상승을 보여주며, 기존의 평활화된 조사평가 지수에 기반한 선행연구에서 주택자산의 헷지 능력을 과소평가할 수 있음을 시사한다.
두 번째 연구가설은 통해 전세가격이 자본화된 임대수익의 대용 변수로서 인플레이션 헷지 기능을 수행하는지를 검토하였다. 두 번째 VECM에서는 전세가격지수(JPI)의 두 가지 유형을 사용하였는데, 하나는 실거래 기반 전세가격의 명목 가격 변화를 나타내는 전세가격지수 이며, 다른 하나는 전세의 기회비용을 실질적으로 반영하는 비용 기반 전세가격지수이다. 이는 한국 고유의 전세 제도 하에서 주택 소유자가 기대할 수 있는 임대수익을 두 가지 방식으로 측정한 것이다. 추정 결과, 인플레이션이 1% 상승할 경우 전세가격지수는 약 1.61% 상승하고, 비용 기반 전세지수는 약 2.03% 상승하는 것으로 나타났다. 이는 전세보증금의 자본가치와 기회비용 모두 인플레이션 헷지 속성이 강하다는 것을 시사하며, 집주인이 인플레이션으로 인한 임대수익 하락을 방지하기 위해 전세가격을 선제적으로 설정할 수 있음을 보여준다.
세 번째 가설을 통하여 서울 내 국지적 지역 간 주택자산의 인플레이션 헷지 정도가 상이한지 분석한다. 분석은 개별 주택별로 실질수익률을 산출 한 후, 서울 전체 및 강남권·강북권 하위시장 내 소재한 주택의 연평균 실질 수익률을 비교하는 방식으로 수행되었다. 2012년부터 2024년까지 서울 전체는 연평균 5.46%의 실질 수익률을 기록하며 명목 인플레이션을 초과하는 수익을 지속적으로 보여주었다. 이 중 강남권은 평균 6.70%로 서울 평균 및 강북권(4.71%)보다 일관되게 높은 실질 수익률을 나타냈다. 나아가 소유자의 주택 장기 보유 행태를 고려한 3년, 5년, 7년, 9년 등 보유기간에 따른 결과를 살펴보면, 서울 전체 기준으로 자본수익률이 5%를 초과할 확률은 3년, 5년, 7년, 9년 보유 시 각각 57.52%, 67.41%, 83.61%, 88.40%로 나타나, 보유 기간이 길어질수록 연간 실질 수익률이 높아지는 것으로 나타났다. 강북권에서는 56.59%, 65.41%, 78.64%, 86.86%, 강남권에서는 이보다 높은 62.12%, 71.62%, 91.73%, 93.45%를 기록했다. 이는 투자 기간이 길어질수록 높은 연수익을 달성할 가능성이 크게 증가하며, 특히 강남과 같은 수요가 풍부한 지역에서 그 확률이 두드러지게 높다는 것을 시사한다.
분석 결과를 종합하면, 국내 주택자산은 자본수익과 임대수익 모두에서 인플레이션에 대해 1:1 이상의 비율로 반응하며, 강한 인플레이션 헷지 속성을 지닌 것으로 나타났다. 특히 실거래 가격 기반의 지수 산정 방식을 활용할 경우, 주택자산은 더욱 효과적인 인플레이션 방어 수단으로 측정될 수 있음을 확인하였다. 아울러, 가격 변동과 임대료 설정 행태라는 이중 경로를 통해 주택자산의 헷지 효과가 나타난다는 점을 고려할 때, 전세에서 월세로의 전환과 같은 임대구조의 변화 및 주택시장의 제도적 개입이 인플레이션의 주택시장으로의 전이 메커니즘에 미치는 영향을 규명하는 후속 연구가 필요하다.

목차 (Table of Contents)

• Chapter 1. Introduction １
• Section 1.1. Background and Motivation １
• Section 1.2. Research Scope and Methodology ４
• Chapter 2. Theoretical Background and Literature Review ６
• Section 2.1. Inflation Hedging Effect ６
• 2.1.1. Inflation ６
• 2.1.2. How Real Estate hedges Inflation ８
• 2.1.3. The Inflation Hedging effect of Real Estate １０
• Section 2.1. House Price Index １４
• 2.1.1. An overview of House Price Indices １４
• 2.1.2. Machine Learning Approach １９
• Section 2.3. Submarket Resilience to Inflation ２１
• 2.3.1. Housing Submarkets ２１
• 2.3.3. Submarket Resilience to Inflation ２５
• Chapter 3. Research Hypothesis and Model ２７
• Section 3.1. Research Hypothesis ２７
• Section 3.2. Research Model ２９
• 3.2.1. The Basic concept of VECM ２９
• 3.2.2. Cointegration Relationship ３１
• Chapter 4. Data ３４
• Section 4.1. The Rate of Inflation ３４
• 4.1.1. Consumer Price Index ３４
• 4.1.2. The Potential Discrepancies of CPI housing cost component ３５
• 4.1.3. Adjusting the CPI ３８
• 4.1.4. Descriptive Statistics ４０
• Section 4.2. Return of Housing Asset ４３
• 4.2.1. Modelling of House Price Index ４３
• 4.2.2. Automated Valuation Model ４４
• 4.2.3. Machine Learning estimated price-based Indices ５６
• 4.2.4. Comparison with Existing Indices ６２
• 4.2.5. Stability of Index ６７
• Chapter 5. VECM Analysis ７０
• Section 5.1. House Price Index and Inflation ７０
• 5.1.1. Unit Root Test ７１
• 5.1.2. Johansen Cointegration Tests ７２
• 5.1.3. House Price and Inflation ７４
• Section 5.2. Jeonse Price Index and Inflation ７６
• 5.2.1. Dual function of Jeonse Price: Capitalized value and the Opportunity Cost ７６
• 5.2.2. Unit Root Test ７８
• 5.2.3. Johansen Cointegration Tests ７９
• 5.2.3. Jeonse Price and Inflation ８１
• Section 5.3. Summary of Findings ８２
• Chapter 6. Regional Analysis ８３
• Section 6.1. Submarket trend ８３
• 6.1.1. House price trend of submarkets ８４
• 6.1.3. Cross correlation analysis of submarkets ９２
• Section 6.2 Submarket Resilience ９４
• 6.2.1. Real return by submarket ９４
• Chapter 7. Conclusion and Implications ９９
• Appendix A. １０２
• Appendix B. １０４
• Appendix C １１６
• Bibliography １２１