기계학습을 활용한 아파트 월세지수 산정에 관한 연구
A Study on the Estimation of Apartment Rent Index Using Machine Learning
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 국내 월세 시장의 구조적 특수성을 체계적으로 반영하기 위해, 실거래가 기반의 월세지수 작성 방안을 모색하고 반복매매모형 및 기계학습 모형[GBM(gradient boosting model), ANN(artificial neural network), ensemble]을 적용하여 산정된 지수를 비교 · 분석하였다. 실거래가 중위값 추이를 분석한 결과, 2011년 1월 대비 2024년 12월 월세가격은 약 1.52배 상승하였으며, 실거래가 기반의 반복매매지수와 기계학습기반 월세지수 모두 유사한 누적 상승률을 보였다. 반복매매지수는 산정 방식의 특성상 거래가 없는 기간 및 세부 지역 단위에서 표본수 감소로 인한 지수의 불안정성이 우려되는 반면, 기계학습 기반 지수는 비선형 관계와 다양한 입력 변수를 반영함으로써 시장의 급변에도 민감하게 대응할 수 있으며, 거래 공백기에도 안정적인 추세 파악이 가능한 것으로 나타났다. 특히, GBM 기반 지수는 단기적 변동성을 민감하게 반영하는 데 강점을 보였고, ANN 기반 지수는 연속적인 가중치 업데이트를 통해 평활화 효과가 우수하여 장기 추세를 파악하는 데 유리한 것으로 확인되었다. 두 모형을 결합한 앙상블 지수는 각 모형의 상반된 편향을 상쇄함으로써 보다 시의성 있고 안정적인 성능을 보였다.
Abstract
This study explored a method for constructing a rent index that systematically reflects structural characteristics of South Korea’s monthly rental market. Using actual transaction data, the study developed rent indices based on the repeat-sales model and the machine learning models (Gradient Boosting, Artificial Neural Network and Ensemble) and compared their respective outputs. Median points of the actual transaction data showed that monthly rent prices increased by approximately 1.52 times between January 2011 and December 2024. Both the repeat-salesbased and the machine learning-based indices exhibited similar cumulative growth. The former was prone to instability in periods without any transaction or in small-area units due to a reduction in sample size, whereas the latter demonstrated the ability to respond sensitively to abrupt market changes and reliably captured trends even during transaction gaps by incorporatingnonlinear relationships and a wide range of input variables. The GBM-based index specifically showed strength in reflecting short-term fluctuations, while the ANN-based index, through continuous weight updates, had excellent smoothing effects and was advantageous for identifying long-term trends. The ensemble index, combining both models, offset each one's opposing biases and delivered more timely and stable performance.