머신러닝과 패널고정효과를 활용한 아파트 실거래가 예측 (Predicting the Apartment Transaction Price by Using Machine Learning Methods and the Fixed Effects Model)

서지정보

· 발행기관 : 한국주택학회
· 수록지 정보 : 주택연구 / 30권 / 1호 / 43 ~ 69페이지
· 저자명 : 김승현, 김원혁, 이윤수

초록

정확한 주택가격 예측은 주택 구매를 희망하는 사람과 주택 소유자뿐만 아니라 금융기관, 정부 등 모든 부동산 시장 참여자에게 매우 중요한 문제이다. 본 연구는 마이크로데이터를 활용한 주택가격 예측 분석 모형의 성과를 평가하기 위해, 머신러닝 기법과 패널고정효과의 예측력을 비교하였다. 본 연구는 아파트 단지 단위의 패널 자료를 이용하여 거시경제변수와 정책변수 뿐만 아니라 기존 시계열 모형에서 고려하지 못한 주택의 특성을 예측에 활용한다. 2006년 1월부터 2020년 7월까지 서울시의 아파트 실거래가를 이용하여 아파트 단지 단위에서 분석한 결과 머신러닝 기법이 패널고정효과모형보다 더 우수한 예측력을 나타냈으며, 특히 머신러닝 기법 중 랜덤 포레스트 모형이 다변량 적응 회귀 스플라인(MARS) 모형보다 높은 예측 정확성을 나타내는 것으로 분석되었다. 주택가격 예측 분야에서 마이크로데이터를 이용하여 머신러닝의 활용 가능성을 확인하였으며, 앞으로 더 많은 데이터가 축적 및 학습되면 추정 예측력이 더욱 높아질 것으로 기대한다.

영어초록

Predicting the prices of housing is a critical issue for all real estate market participants, including financial institutions and governments, as well as homeowners and potential buyers. To evaluate the performance of a housing price prediction analysis model, this study compares machine learning methods and the fixed effects model based on the panel data of actual transactions between January 2006 and July 2020 in Seoul. For this purpose, we are also considering the characteristics of the apartment complex, based on the hedonic pricing approach, as well as macroeconomic variables and policy variables. We find that the Random Forest (RF) model shows higher predictive accuracy than the Multivariate Adaptive Regression Splines (MARS) model in machine learning. Our study shows the potential of the wide use of the machine learning method by utilizing micro-data in predicting and forecasting housing prices more accurately.

참고자료

· 없음