인공신경망을 활용한 주택가격지수 예측에 관한 연구 : 서울 주택가격지수를 중심으로

다국어 초록 (Multilingual Abstract)

The purpose of this study is to build an artificial neural network model with superior prediction power compared to the existing econometric model to the forecasting of the seoul apartment price index. The index applies simple RNN (Recurrent Neural Network) and LSTM (Long Short Term Memory) algorithm, which are artificial neural network algorithm proven to be superior in time series analysis of stocks and other fields. In this study, the ARIMA (Auto Regressive Integrated Moving Average) model analysis was performed in the univariate analysis of the existing econometric models, and the VAR (Vector Auto Regressive) and VECM (Vector Error Correction Model) were performed in the multivariate analysis. The results of econometric models compared with the predicted outcomes by the artificial neural network models.
In the empirical analysis of this study, we used the Seoul apartment price index from January 2006 to October 2015 as learning data. We predicted the apartment price index for 24 months from November 2015 to October 2017. In the univariate analysis using only the apartment price index, the predicted values ​​from the ARIMA model were compared with the RMSE (Root Mean Square Error) of the predicted values ​​analyzed by the standard RNN and LSTM models.
The multivariate analysis used the apartment price index and six macroeconomic indices to affect the price index such as the consumer price index, expected inflation rate, loan rate, stock index, unemployment rate, and apartment transfer price index. After econometric modelling, this study compared the results with the prediction of the standard RNN and LSTM model.
The results of this study show that the RMSE of the forecasted value of the LSTM model is the lowest in both univariate and multivariate analyzes, and this empirically shows that the artificial neural network model is superior to the econometric model in predicting the housing prices. Comparing the results of univariate analysis with the results of multivariate analysis also confirmed that multivariate analysis is highly predictable in both the econometric and the artificial neural network models.
This study also confirmed that the difference in predictability between econometric model and artificial neural network model depends on the characteristics of time series data. Both univariate analysis and multivariate analysis showed a wide difference in the predictability of large apartments with high nonlinearity compared to medium and large-sized apartments with high linearity of apartment price data. In other words, it can be confirmed that the home price prediction using the artificial neural network model is more useful in the case of high volatility and high nonlinearity in housing prices.
In the artificial neural network model, the difference between the predictive power of the standard RNN and the LSTM was not large, but it was confirmed that the LSTM model was more stable than the standard RNN models through repetitive model construction. In this study, the difference between the standard RNN and the LSTM model is not large because the number of samples is small and the problem of slope disappearance in BPTT process of RNN is not large.

국문 초록 (Abstract)

본 연구는 주식 등 다른 분야의 시계열 분석에서 탁월한 성능이 입증된 인공신경망 알고리즘인 표준 순환신경망(RNN)과 이를 변형시킨 장단기기억(LSTM) 알고리즘을 서울 아파트가격지수의 예측에 적용하여 기존의 계량경제학 모형에 비해 우수한 예측력을 가진 인공신경망 모형을 구축하는 것을 목적으로 하였다. 이를 위해 본 연구에서는 기존의 계량경제학 모형 중 일변량 분석의 경우 자기회귀누적이동평균(ARIMA) 모형 분석을 실시하였고, 다변량 분석의 경우 벡터자기회귀(VAR) 모형과 함께 VAR 모형을 수정한 벡터오차수정모형(VECM) 분석을 실시하여 이를 인공신경망 모형으로 예측한 결과와 비교하였다.
본 연구의 실증분석에서는 2006년 1월부터 2015년 10월까지의 서울 전체 아파트가격지수와 중대형, 대형 아파트가격지수를 학습 자료로 이용하여 2015년 11월부터 2017년 10월까지 24개월 동안의 아파트가격지수를 예측하였다. 아파트가격지수만을 변수로 하는 일변량 분석에서는 ARIMA 모형에서 나온 예측값을 표준 RNN과 LSTM 모형으로 분석한 예측값의 평균제곱근오차(RMSE)와 비교하였다.
다변량 분석에서는 아파트가격지수 이외에 기존 논문들에서 아파트가격지수에 영향을 미치는 것으로 알려진 소비자물가지수, 기대 인플레이션율, 대출금리, 주가지수, 실업률, 아파트전세가격지수 등 6개의 거시경제 지표를 활용하여 VAR 모형과 VECM을 구축하였고, 이를 일변량 분석과 마찬가지로 인공신경망 모형인 표준 RNN과 LSTM 모형으로 예측한 결과값의 RMSE와 비교하였다.
본 연구의 분석결과 일변량 분석과 다변량 분석 모두 인공신경망 모형인 LSTM 모형으로 예측한 결과값의 RMSE가 가장 낮았으며, 이를 통해 주택가격의 예측에 있어서 계량경제학 모형에 비해 인공신경망 모형이 우수하다는 것을 경험적으로 확인할 수 있었다. 또한 일변량 분석의 결과값과 다변량 분석의 결과값을 비교한 결과 계량경제학 모형과 인공신경망 모형 모두에서 다변량 분석의 예측력이 높다는 것도 확인하였다.
아울러 본 연구를 통해 시계열자료의 특성에 따라 계량경제학 모형과 인공신경망 모형의 예측력 차이가 다르게 나타난다는 것도 확인하였다. 일변량 분석과 다변량 분석 모두 아파트가격 자료의 선형성이 높은 중대형 아파트에 비해 비선형성이 높은 대형 아파트의 예측력 차이가 크게 나타났다. 즉, 변동성이 크고 비선형성이 높은 자료일수록 인공신경망 모형을 이용한 주택가격 예측이 더욱 유용하다는 것을 확인할 수 있었다.
인공신경망 모형에서는 표준 RNN과 LSTM의 예측력의 차이는 크지 않았으나 반복적인 모형 구축을 통해 표준 RNN 모형에 비해 LSTM 모형이 안정적이라는 것을 확인할 수 있었다. 본 연구에서 표준 RNN과 LSTM 모형의 예측값 차이가 크지 않은 것은 샘플의 수가 많지 않아 RNN의 시간 역전파 과정에서의 기울기 소멸 문제가 크지 않았기 때문으로 판단된다.
본 연구에서는 주택 가격에 대한 시계열 분석에서 인공신경망 모형이 기존 계량경제학 모형에 비해 높은 예측력을 가지고 있다는 장점에도 불구하고 변수들 간의 동태적 인과 관계를 파악하기 어렵다는 한계도 확인하였다. 또한 인공신경망 모형의 예측력이 은닉층의 개수, 뉴런의 수, dropout 비율, 활성화 함수 선정 등 초모수 값에 민감하게 반응하기 때문에 최적 모형을 찾기 위해 끊임없는 시행착오를 해야 한다는 한계도 확인하였다. 결국 인공신경망 모형은 초모수 값의 변경을 통한 반복 학습으로 최적의 모형을 찾아야 하기 때문에 시간이 많이 걸리고 최적 모형의 선택에 작위성이 존재할 가능성이 높다는 단점도 가지고 있다.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구의 배경 및 목적 1
• 제2절 연구의 방법 및 범위 6
• 1. 연구의 방법 6
• 2. 연구의 범위 8
• 제2장 이론적 논의 및 선행연구 검토 10
• 제1절 주택가격 결정 및 예측에 관한 이론 10
• 1. 예측 분석 10
• 2. 주택가격 결정 요인 16
• 3. 주택가격 평가 27
• 제2절 계량경제학 모형을 이용한 주택가격 결정요인 분석 및 예측 36
• 1. 주택가격 구성 요소 36
• 2. 주택가격 분석 모형 38
• 제3절 인공신경망 모형을 활용한 주택가격 예측 47
• 1. 기계학습 47
• 2. 인공신경망 모형 53
• 제4절 선행연구 검토 62
• 1. 주택가격지수 예측에 관한 선행 연구 62
• 2. 본 연구의 차별성과 의의 85
• 제3장 계량경제학 모형을 이용한 주택가격 변화 분석 및 예측 87
• 제1절 일변량 시계열 분석 87
• 1. 분석자료 설명 87
• 2. 자기회귀누적이동평균(ARIMA) 분석 92
• 제2절 다변량 시계열 분석 98
• 1. 분석자료 설명 98
• 2. 벡터자기회귀(VAR)/벡터오차수정모형(VECM) 분석 110
• 제4장 인공신경망 모형을 이용한 주택가격 예측: 일변량 시계열모형 115
• 제1절 모형 설계 115
• 제2절 분석결과 118
• 1. 서울 전체 아파트가격지수 118
• 2. 서울 중대형 아파트가격지수 119
• 3. 서울 대형 아파트가격지수 120
• 제3절 분석결과 종합 121
• 제5장 인공신경망 모형을 이용한 주택가격 예측: 다변량 시계열모형 125
• 제1절 모형 설계 125
• 제2절 분석결과 130
• 1. 서울 전체 아파트가격지수 130
• 2. 서울 중대형 아파트가격지수 130
• 3. 서울 대형 아파트가격지수 131
• 제3절 분석결과 종합 132
• 1. 일변량 모형과의 예측값 비교 132
• 2. VECM 모형과의 예측값 비교 132
• 3. 인공신경망과 계량경제학 모형의 최종 예측값 비교 136
• 제6장 결론 137
• 참고문헌 142
• 국문초록 151
• Abstract 153

참고문헌 (Reference)

1. 주택정책론, 하성규, 박영사, , 2010

2. 「시계열 분석과 예측」, 이우리, 탐진, , 2013

3. 벡터자기(VAR)모형의 이해, 문권순, 「통계분석연구」. 2(1): 23-56, , 1997

4. 부동산 가격 거품과 가격전망, 김경환, 이한식, 「대한부동산학회지」. 18: 59-81, , 2000

5. 주택가격지수 모형의 비교연구, 임성식, 「한국데이터정보과학회지」. 27(6): 1573-1583, , 2016

6. 「엑셀을 활용한 경영의사결정」, 김종욱, 박영사, , 2004

7. 관광수요 예특모형의 정확성 비교, 송근석, 이충기, 「관광연구저널」. 20(2): 351-369, , 2006

8. 주택가격의 변동성 결정요인 분석, 김현재, 「부동산학보」. 47: 255-269, , 2011

9. 「SAS/ETS를 이용한 시계열분석 4판」, 조신섭, 손영숙, 성병찬, 율곡출판사, , 2015

10. 주택 공급에 영향을 주는 요인 검토, 민창기, 「대한부동산학회지」. 25: 103-123, , 2007

11. 딥러닝을 이용한 부동산가격지수 예측, 배성완, 유정석, 「부동산연구」. 27(3): 71~86, , 2017

12. 한국의 주택가격과 거시경제: SVAR 분석, 이영수, 「부동산학연구」. 14(3): 129-147, , 2008

13. 「강남대학교 대학원 박사 학위 논문」, 민성욱, 딥러닝을 이용한 주택가격 예측모형 연구, , 2016

14. 주택가격지수 예측모형에 관한 비교연구, 임성식, 「한국데이터정보과학회 지」. 25(1): 65-76, , 2014

15. 참여정부 부동산정책이 현재에 주는 시사점, 김천구, 「한국경제주평」. 752(0): 1-16, , 2017

16. 부동산 가치형성에 미치는 요인에 관한 연구, 이원곤, 이종열, 「한국정책연 구」. 10(3): 285-299, , 2010

17. 서울 주택가격의 결정요인: 분위수 회귀분석, 김희호, 박세운, 「주택연구」. 21(2): 141-168, , 2013

18. ARIMA 모형을 이용한 주택시장의 가격예측 분석, 김동환, 「대한부동산학회 지」. 32(2): 277-294, , 2014

19. 건설경기 변화에 따른 건설기술자의 수급전망, 박환표, 이민우, 채명진, 「대 한건축학회 논문집 - 구조계」. 21(12): 199-207, , 2005

20. 인구의 연령구조 변화와 주택수요 및 주택가격, 김경환, 「대한부동산학회 지」. 17: 69-84, , 1999

21. 서울시 주택가격지수의 모형별 예측력 비교 분석, 이호병, 이형욱, 「부동산학 보」. 38: 215-235, , 2009

22. 유동성의 변동이 주택가격 변동성에 미치는 영향, 엄근용, 진창하, 「주택연 구」. 24(4): 5-28, , 2016

23. VAR 모형을 이용한 부동산가격 변동요인에 관한 연구, 안지아, 박헌수, 「부 동산연구」. 19(1): 27-49, , 2009

24. “가구생애주기를 감안한 주택수요특성 분석 연구”, 손경환, 박천규, 이수욱, 「국토연구」. 60: 171-187, , 2009

25. 「부동산시장분석론(Urban Economics and Real Estate Markets)」, DiPasquale, D., Wheaton, W.C., 부연사, , 2004

26. 글로벌 금융위기 시기 실제이익조정행태에 관한 연구, 안성윤, 「대한경영학 회 학술발표대회 발표논문집」. 253-264, , 2015

27. 단일변수 시계열 모형들의 주택가격지수 예측력 비교, 이영수, 「부동산학연 구」. 20(4): 75-94, , 2014

28. 시계열자료를 이용한 토지가격 형성요인에 관한 연구, 남희찬, 김종진, 「주거 환경」. 11(1): 77-84, , 2013

29. 인구구조 변화에 따른 장기주택수요 전망에 관한 연구, 정의철, 조성진, 「국 토계획」. 40(3): 37-46, , 2005

30. VECM 모형을 이용한 주택시장과 거시경제변수 관계 분석, 김동환, 「대한부 동산학회지」. 33(2): 179-203, , 2015

31. 「부동산투자 및 시장분석론: 계량 전략적 접 근방법」, 김선주, 이국철, 강병기, 신광식, 박문사, , 2011

32. 공간자기회귀모형의 근린가중치행렬 적용에 관한 연구, 박현수, 김찬호, 「국 토계획」. 42(2): 179-193, , 2007

33. 공간종속성을 이용한 아파트가격의 공간효과에 관한 연구, 박헌수, 안지아, 「부동산학연구」. 11(2): 119-128, , 2005

34. “거시경제 요인이 아파트가격 변동에 미치는 영향 연구”, 이석원, 「목원대학교 박사학위 논문」, , 2018

35. 공간계량경제모형을 이용한 아파트가격과 공간 효 과 분석, 박헌수, 정수연, 노태욱, 「국토계획」. 38(4): 115-125, , 2003

36. 거시경제변동이 가계신용 및 주택가격에 미치는 영 향 연구, 오정석, 김윤중, 한봉수, 「한국지역개발학회지」. 23(3): 1-18, , 2011

37. 딥러닝 모형을 활용한 서울 주택가격지수 예측에 관한 연구, 전명진, 이태형, 「주택도시연구」. 8(2): 39-56, , 2018

38. “서울시 아파트 매매시장 유형별 가격변동 영향요인 분석”, 고종완, 「부동산학 보」. 58: 116-127, , 2014

39. 미래예측기법을 이용한 주택의 미래분석. 「지리학논총」. 55, 김용창, 이성호, 56합본호: 69-90, , 2010

40. 어메니티요소가 주택가격에 미치는 영향력의 시계열적 변 화, 김진유, 이창무, 「국토계획」. 40(1): 59-74, , 2005

41. 아파트매매가격지수와 거시경제변수에 관한 시계열모형 연구, 이훈자, 「한 국데이터정보과학회지」. 28(6): 1471-1479, , 2017

42. 회귀모형과 신경망모형을 이용한 아파트가격 모형에 관 한 연구, 김태훈, 홍한국, 「국토연구」. 43: 183-200, , 2004

43. 글로벌 부동산 버블 위험 진단 및 영향 분석. 「KIEP 연구보고서」, 양다영, 김경훈, 김효상, 정영식, 강은정, 대외경제정책연구원, , 2018

44. 머신러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지 수 예측, 유정석, 배성완, 「주택연구」. 26(1): 107-133, , 2018

45. 의사결정나무모형을 이용한 노년기 주거유형선택 예측에 관한 연구, 최상일, 박태진, 강정규, 「주거환경」. 9(2): 235-251, , 2011

46. 우리나라 주택시장의 매매 전세 가격변동 거시결정요인의 동태분석, 김윤영, 「경제학연구」. 60(3): 127-153, , 2012

47. 부동산 개발 수요의 예측에 관한 연구. 「사회과학논총」. Vol.8: 165-181, 노태욱, 강남대학교 사회과학연구소, , 1999

48. 인공신경망-금융시계열 모형을 이용한 KOSPI 200 주가지수의 변동성 예측, 한인구, 노태협, 이택호, 「경영학 연구」. 34(3): 683-713, , 2005

49. 아파트 전세가격에 관한 연구- 미시적 공간적 거시적 접근을 중심으 로-, 성주한, 「건국대학교 박사학위논문」, , 2011

50. 주택시장과 거시경제의 관계: 주택가격, 금리, 소비, 총생산을 중심 으로, 송인호, 「부동산도시연구」. 8(1): 47-65, , 2015

51. 어메니티 요소가 수도권 아파트 전세가격에 미치는 효과 분 석에 관한 연구, 김희재, 전명진, 「부동산학보」. 53: 114-128, , 2013

52. 주택가격결정의 이론 및 실증적 분석에 관한 연구-서울 아 파트 시장을 중심으로, 성주한, 김승욱, 「대한부동산학회지」. 32(2): 5-20, , 2014

53. 데이터마이닝기법을 활용한 강남구 중소형 오피스 필딩의 매매가격 결정요인 분석, 이현석, 문근식, 최재규, 「한국콘텐츠학회논문지」. 15(7): 414-427, , 2015

54. 인공신경망을 이용항 공동주택가격지수 예측에 관한 연구 – 서울지역을 중심으로, 이상엽, 정원구, 「주택연구」. 15(3): 39-64, , 2007

55. VAR모형을 이용한 거시경제변수가 서울 아파트 전세가격에 미치는 영향에 관한 연구, 윤영식, 성주한, 「GRI 연구논총」. 16(3): 373-400, , 2014

56. 아파트가격에 영향을 미치는 요인의 시공간적 영향력 변화 연구-서울시 25개 구를 대상으로, 홍하연, 이주형, 「서울도시연구」. 16(2): 87-108, , 2015

57. 거시경제 지표 변화와 주택가격 관계에 관한 실증연구. 「한국감정원 부동산시장 분석보고서」, 김현식, 2015년 상반기 동향 및 하반기 전망. 72-91, , 2016