아파트매매가격지수 예측에 관한 비교 연구 : 서울과 6대 광역도시를 중심으로 = Comparative Study on the Prediction of the Apartment Sales Price Index - Focused on Seoul and 6 Metropolitan Cities

국문 초록 (Abstract)

부동산에 편중되어 있는 가계의 자산구조로 인해 부동산 가격 변동은 국가경제에 큰 영향을 미치게 된다. 주택가격에 대한 정확한 예측은 주택가격의 불확실성을 감소시킬 뿐만 아니라 관련 정책의사결정에 도움을 줄 수 있다. 본 연구의 목적은 2006년 1월부터 2019년 11월까지의 서울 및 6대 광역시 아파트 매매 실거래 가격지수를 대상으로 계량 시계열 모형과 인공신경망 모형을 활용하여 주택가격을 예측하고, 높은 예측력을 지닌 예측모형을 구축하는 데에 있다. 분석결과를 통해 정책적 시사점을 도출하고자 한다. 본 연구에서는 기존의 계량시계열 모형 및 표준 LSTM 모형이외 양방향(Bidirectional) LSTM 및 GRU모형을 추가하여 제시된 모형의 예측력을 비교분석하여 높은 예측력을 지닌 인공신경망 모형을 제시하였다. 실증분석결과 지역에 따라 높은 예측력을 보이는 인공신경망 모형이 다르다는 것을 확인하였다. 지역별로 예측력 높은 인공신경망 모형 구축 후 변수의 추가·삭제와 같은 자유로운 조작을 통해 지역에 적합한 거시경제변수가 주택가격지수에 미치는 효과를 파악하여 원하는 정책효과를 거두는 것이 가능할 것이다.

다국어 초록 (Multilingual Abstract)

Due to the household s asset structure concentrated on real estate, changes in real estate prices have a great influence on the national economy. Accurate forecasting of house prices not only reduces uncertainty in house prices, but can also help in making relevant policy decisions. The purpose of this study is to estimate housing prices using a time-series model and artificial neural network model for the actual transaction price index for apartment sales in Seoul and six metropolitan cities from January 2006 to November 2019, and forecast with high predictive power. It is in building a model. In this study, by adding bidirectional LSTM and GRU models in addition to the existing weighing time series model and Vanilla LSTM model, we compared the predictive power of the proposed model and presented an artificial neural network model with high predictive power. As a result of empirical analysis, it was confirmed that the artificial neural network model with high predictive power differs depending on the region. After constructing a highly predictive artificial neural network model for each region, it is possible to grasp the effects of macroeconomic variables suitable for the region on the housing price index through free manipulation such as adding and deleting variables to achieve desired policy effects.

목차 (Table of Contents)

• Ⅰ. 서론 Ⅱ. 이론적 고찰 및 선행연구의 검토 Ⅲ. 연구모형 및 분석방법 Ⅳ. 실증분석 Ⅴ. 결론

참고문헌 (Reference)

1 "한국은행 홈페이지"

2 "한국감정원 홈페이지"

3 "통계청 홈페이지"

4 송인호, "주택시장과 거시경제의 관계－주택가격, 금리, 소비, 총생산을 중심으로－" 부동산도시연구원 8 (8): 47-65, 2015

5 최미화, "재건축아파트 특성에 따른 가격예측에 관한 연구" 건국대학교 대학원 2008

6 이태형, "인공신경망을 활용한 주택가격지수 예측에 관한 연구 : 서울 주택가격지수를 중심으로" 단국대학교 대학원 2019

7 주일택, "양방향 순환신경망을 이용한 주식 가격 예측 모형 연구" 동신대학교 대학원 2018

8 배성완, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측" 한국주택학회 26 (26): 107-133, 2018

9 민성욱, "딥러닝을 이용한 주택가격 예측모형 연구" 강남대학교 대학원 2017

10 배성완, "딥 러닝을 이용한 부동산가격지수 예측" 한국부동산연구원 27 (27): 71-86, 2017

11 Priemus, "Recent Changes in the Social Rented Sector in the Netherland" 36 : 1996

12 Nyce, C., "Predictive analytics white paper"

13 김양훈, "LSTM 언어모델 기반 한국어 문장 생성" 한국통신학회 41 (41): 592-601, 2016

14 Jirong G., "Housing price forecasting based on genetic algorithm and support vector machine" 38 : 2011

15 Cao Q, "Forecasting wind speed with recurrent neural networks" 221 (221): 2012

16 김동환, "ARIMA 모형을 이용한 주택시장의 가격예측 분석" 대한부동산학회 32 (32): 277-294, 2014

17 Cao Q., "A comparison between Fama and French's model and artificial neural networks in predicting the Chinese stock market" 32 (32): 2005