머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측
Predicting the Real Estate Price Index Using Machine Learning Methods and Time Series Analysis Model
1
조회
0
다운로드
68
인용
0
참고문헌
키워드
초록
본 연구의 목적은 부동산 가격지수 예측을 위한 머신 러닝 방법의 활용가능성을 확인하는 것이다. 이를 위해 머신 러닝 방법인 서포트 벡터 머신, 랜덤 포레스트, 그래디언트 부스팅 회귀 트리, 심층신경망, LSTM과 시계열분석 방법인 자기회귀이동평균모형, 벡터자기회귀모형, 베이지언 벡터자기회귀모형을 이용하여 아파트 매매실거래가격지수를 예측하고 모형간 예측력을 비교하였다. 연구 결과, 첫째, 머신 러닝 방법의 예측력이 시계열분석 모형보다 우수한 것으로 나타났다. 둘째, 시장이 안정적인 상황에서는 머신 러닝 방법과 시계열분석 방법 모두 시장 추세를 적절히 예측하는 것으로 나타났다. 셋째, 구조적인 변화 또는 외부 충격으로 시장이 급변하는 경우 머신 러닝 방법은 시장 추세를 대체로 유사하게 예측하는 것으로 나타났으나, 시계열분석 방법은 시장 추세를 전혀 예측할 수 없는 것으로 나타났다. 향후 머신 러닝 방법을 활용함으로써 부동산 시장에 대한 예측의 정확성이 향상될 것으로 기대된다.
Abstract
This study aims to explore the feasibility of using machine learning methods to forecast the real estate price index. To do so, machine learning methods, such as support vector machine, random forest, gradient boosting regression tree, deep neural networks, and long short term memory networks (LSTM), and the time series analysis methods such as the autoregressive integrated moving average model (ARIMA), the vector autoregression model (VAR), and the Bayesian vector autoregressive model (Bayesian VAR), were used to predict the real estate price index for apartments. The following were the main findings of the comparison of their predictive abilities. First, the predictive power of machine learning methods is superior to that of the time series analysis methods. Second, in a stable market situation, both machine learning and time series analysis methods can predict market trends moderately well. Third, when the market undergoes a dramatic change due to structural changes or external shocks, the machine learning method can accurately predict market trends for the most part, whereas the time series analysis method fails to do so. Thus, the accuracy of real estate market forecasts can be expected to improve with the use of machine learning methods.
참고문헌 (34)
- 김근용, "주택가격 예측을 위한 모형설정과 검정", 국토, 197, pp.54~61 (1998), 국토연구원
- 김문성, "주택가격지수의 순환주기변동과 거시경제변수의 영향 분석", 부동산연구, 25(3), pp.7~25 (2015), 한국부동산연구원
- 김성환, "주택경기 예측 향상을 위한 시계열모형 구축", 2016년 한국주택학회 상반기 학술대회 발표자료집, pp.33~49 (2016), 한국주택학회
- 김양훈, "LSTM 언어모델 기반 한국어 문장 생성", 한국통신학회논문지, 41(5), pp.592~601 (2016), 한국통신학회
- 김은희, "LSTM 모델 기반 주행 모드 인식을 통한 자율 주행에 관한 연구", 한국ITS학회 논문지, 16(4), pp.153~163 (2017), 한국ITS학회[DOI]
- 민성욱, "딥 러닝을 이용한 주택가격 예측모형 연구", 박사, pp.2017
- 배성완, "딥 러닝을 이용한 부동산가격지수 예측", 부동산연구, 27(3), pp.71~86 (2017), 한국부동산연구원
- 서종덕, "데이터 마이닝 기법을 이용한 환율예측: GARCH와 결합된 랜덤 포레스트 모형", 산업경제연구, 29(5), pp.1607~1628 (2016), 한국산업경제학회
- 성병희, "Bayesian VAR모형을 이용한 경제전망", 경제분석, 7(2), pp.59~90 (2001), 한국은행
- 손정식, "부동산가격 예측모형에 관한 연구", 주택연구, 11(1), pp.49~75 (2003), 한국주택학회
- 송인호, "주택시장과 거시경제의 관계－주택가격, 금리, 소비, 총생산을 중심으로－", 부동산·도시연구, 8(1), pp.47~65 (2015), 부동산도시연구원
- 안성만, "한국어 음소 단위 LSTM 언어모델을 이용한 문장 생성", 지능정보연구, 23(2), pp.71~88 (2017), 한국지능정보시스템학회
- 이세희, "RNN을 이용한 고객 이탈 예측 및 분석", 한국컴퓨터정보학회 학술발표논문집, 24(2), pp.153~163 (2016), 한국컴퓨터정보학회
- 이영호, "데이터 분석적 사고력 향상을 위한 딥러닝 기반 학습 시스템 개발 연구", 정보교육학회논문지, 21(4), pp.393~401 (2017), 한국정보교육학회
- 이요섭, "딥 러닝 프레임워크의 비교 및 분석", 한국전자통신학회 논문지, 12(1), pp.115~122 (2017), 한국전자통신학회[DOI]
- 이우식, "딥러닝분석과 기술적 분석 지표를 이용한 한국 코스피주가지수 방향성 예측", 한국데이터정보과학회지, 28(2), pp.287~295 (2017), 한국데이터정보과학회[DOI]
- 이창로, "비모수 공간모형과 앙상블 학습에 기초한 단독주택가격 추정", 박사, pp.2015
- 이형욱, "서울시 주택가격지수의 모형별 예측력 비교 분석", 부동산학보, (38), pp.215~235 (2009), 한국부동산학회
- 임성식, "주택가격지수 예측모형에 관한 비교연구", 한국데이터정보과학회지, 25(1), pp.65~76 (2014), 한국데이터정보과학회[DOI]
- Bayesian VAR모형을 이용한 울산경제 예측, "정승", 울산발전연구원, 1~26, pp.이슈리포트, 제77권 (2014)
- 정원구, "인공신경망을 이용한 공동주택 가격지수 예측에 관한 연구*- 서울지역을 중심으로-", 주택연구, 15(3), pp.39~64 (2007), 한국주택학회
- 함종영, "사전확률분포를 이용한 주택시장 예측모형 비교 연구: Bayesian VAR모형을 중심으로", 부동산·도시연구, 8(2), pp.25~38 (2016), 부동산도시연구원
- Brieman, L., "Random forests", Machine learning, 45(1), pp.5~32 (2001)
- Glorot, X., "Understanding the difficulty oftraining deep feedforward neural networks", Proceedings of the 13th International Conference on Artificial Intelligence and Statistics, pp.249~256 (2010)
- He, Kaiming, "Delving Deep into Rectifers:Surpassing Human-Level Performance on ImageNet Classification", The IEEE International Conference on Computer Vision (ICCV), pp.1026~1034 (2015)
- Hinton, G. E., "A Fast Learning Algorithm for Deep Belief Nets", Neural Computation, 18(7), pp.1527~1554 (2006)
- Hochreiter, S., "Long short-term memory", Neural Computation, 9(8), pp.1735~1780 (1997)
- Litterman, R. B., "Forecasting with Bayesian Vector Autoregressions", Journal of Forecasting, 12(4), pp.365~378 (1993)
- Sims, C. A., "Bayesian Methods for Dynamic Multivariate Models", International Economic Review, 39(4), pp.949~968 (1998)
- Smola, A. J., "A tutorial on support vector regression", Statistics and Computing, 14(3), pp.199~222 (2004)
- Vapnik, V., "The nature of statistical learing theory" (1996), Springer
- "홈페이지"[URL]