XGBOOST 모형을 활용한 부동산 조각투자 가격 예측: 카사 TE 물류센터를 중심으로
Predicting Real Estate Fractional Investment Prices with the XGBOOST Model : Centered on the Kasa TE Logistics Center
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 연구는 딥러닝 XGBOOST 모형을 활용한 부동산 조각투자 플랫폼의 가격 예측에 대해 알아보고자 한다. 금융위원회는 23년 2월 「토큰증권(Security Token) 발행· 유통 규율체계 정비 방안」을 발표하였다. 또한, 23년 7월 28일 윤창현 국민의힘 의원은 자본시장과 금융투자업에 전자증권법과 자본시장법 개정안을 대표 발의했다. 이에 본 연구는 토큰증권의 정의와 국내 정책과 운용현황에 관해 설명하고, 대표 부동산 조각투자 플랫폼인 카사코리아의 "TE 물류센터" 상품의 부동산 조각투자 가격을 예측하고자 한다. XGBOOST 모형을 활용하여 실증분석한 결과 Train RMSE은 0.00424, Test RMSE은 0.03228으로 나타났다. 이는 낮은 오차율, 즉 높은 예측력을 나타냈으며 가격 예측에 영향을 주는 특정 중요도 변수는 종가와 저가임을 확인할 수 있었다. 이를 통해 부동산 조각투자 가격 예측에 딥러닝 모형이 효과적임을 확인하였고, 부동산 조각투자 플랫폼과 같은 신종 투자 시장에 딥러닝XGBOOST 모델을 적용함으로써, 투자자들에게 더욱 신뢰할 수 있는 예측 정보를 제공할 수 있을 것으로 판단된다.
Abstract
This study aims to investigate the price prediction of a real estate fractional investment platform using the deep learning XGBOOST model. In February 23, the Financial Services Commission announced the “Plan to Improve the Regulatory System for Issuing and Distributing Security Tokens”. In addition, on July 28, 2023, Yoon Chang-hyun, a member of the National Assembly, proposed a bill to amend the Electronic Securities Act and the Capital Market Act to apply to the capital market and financial investment business. Therefore, this study explains the definition of token securities and the current status of domestic policies and operations, and attempts to predict the price of real estate fractional investment in the “TE Logistics Center” product of Kasa, a representative real estate fractional investment platform. The empirical analysis using the XGBOOST model shows that the Train RMSE is 0.00424 and the Test RMSE is 0.03228. This means that the error rate is low and the predictive power is high, and we can see that the specific important variables that affect the price prediction are the closing price and the opening price. This confirms the effectiveness of deep learning models in predicting the price of real estate fractional investments, and we believe that by applying deep learning XGBOOST models to new investment markets such as real estate fractional investment platforms, we can provide investors with more reliable prediction information.
참고문헌 (12)
- 김선웅, "머신러닝모형을 이용한 글로벌 자동차 기업의 주가 예측 비교", Journal of the Korean Data Analysis Society, 25(1), pp.249~263 (2023)
- 서병완, "블록체인 기반 디지털 플랫폼상의 국내 조각투자에 관한 사례연구", 한국디지털콘텐츠학회논문지, 24(3), pp.617~629 (2023)
- 정현조, "LSTM 모델을 이용한 조각투자 상품의 가격 예측: 뮤직카우를 중심으로", 지능정보연구, 28(4), pp.81~94 (2022)
- 임혜정, "부동산 조각투자의 법적 쟁점 및 규제", 不動産法學, 27(2), pp.85~127 (2023)
- 신동하, "RNN과 LSTM을 이용한 주가 예측율 향상을 위한 딥러닝 모델", 한국정보기술학회논문지, 15(10), pp.9~16 (2017)
- 한태동, "LSTM을 이용한 주가 예측: 기술 지표, 거시 경제 지표, 시장 심리의 조합을 중심으로", 융복합지식학회논문지, 9(4), pp.189~198 (2021)
- 김상환, "Xgboost 모형의 주가예측성과에 대한 실증연구", 사회과학연구, 39(1), pp.29~55 (2022)
- 김은미, "기계학습을 활용한 주택매도 결정요인 분석 및 예측모델 구축", 지적과국토정보, 50(1), pp.181~200 (2020)
- 하대우, "XGBoost 모형을 활용한 코스피 200 주가지수 등락 예측에 관한 연구", 한국데이터정보과학회지, 30(3), pp.655~669 (2019)
- Zhu, Zhe, "Prediction of Amazon’s Stock Price Based on ARIMA, XGBoost, and LSTM Models", Proceedings of Business and Economic Studies, 5, pp.127~136 (2022)
- Rasekhschaffe, K., "Machine learning for stock selection", Financial Analysts Journal, 75(3), pp.13~29 (2019)
- Daul, S., "Performance attribution of machine learning methods for stock returns prediction", The Journal of Finance and Data Science, 8, pp.86~104 (2022)[DOI]