서울시 아파트 매매가격지수 예측력 비교 연구 - 시계열과 딥러닝 모형 중심으로

Abstract

본 연구는 서울시 아파트에 대하여 KB국민은행의 주택매매가격지수(KB)와 한국부동산원의 공동주택실거래가격지수를 30개의 거시경제변수들과 다변량 데이터 분석하고자 하며, 시계열 분석 모형과 딥러닝(Deep Learning) 분석 모형을 설계하여 모형의 예측력을 비교 분석하고자 하였다. 분석에 사용된 주택매매가격지수(KB)는 거래여부와 상관없이 모든 주택유형의 가격변동률을 확인할 수 있고, 매매실거래가격지수는 실제 거래된 주택의 가격변동률을 확인할 수 있다. 매매실거래가격지수가 주택매매가격지수(KB)보다 변동폭이 큰 경향이 있어, 전반적인 시장 파악을 위해서는 2가지의 지수를 병행해서 확인할 필요가 있기 때문에 함께 예측력을 비교 분석하고자 하였다. 시계열 분석 모형을 설계하기 위하여 30개의 거시경제변수와 주택매매가격지수(KB)와 매매실거래가격지수간의 그랜저 인과관계 분석을 통해 변수간 인과관계를 확인하였으며, 선행관계가 있는 변수를 선정하여 공적분 검정을 통해 VECM(Vector Error Correction Model) 모형으로 예측 모델을 설계하였다. 딥러닝 분석 모형을 설계하기 위하여 30개의 거시경제변수를 모두 입력변수로 사용하였고, LSTM(Long Short Term Memory)모형과 GRU(Gated Reccurent Unit) 모형으로 예측 모델을 설계하였다. 최적의 딥러닝 모형을 설계하기 위하여 하이퍼파라미터(hyperparameter)를 반복적으로 변경하면서 모형의 성능을 측정하였다. 시계열 분석 모형과 딥러닝 분석 모형의 예측력에 대한 성능 평가는 RMSE(Root Mean Square of Errors)평가지표로 비교하였다. 2006년 1월부터 2021년 11월까지 191개월을 학습하고 2021년 12월부터 2022년 5월까지 6개월을 예측하는 시계열 분석 모형 및 딥러닝 분석 모형을 설계하였고, 주택매매가격지수(KB)와 매매실거래가격지수 모두 딥러닝 분석 모형이 시계열 분석 모형 보다 예측력이 높은 것으로 나타났다. 다만, 시계열 분석 모형의 경우 단위근 검정, 그랜저 인과관계 검정, 공적분 검정 등 통계적으로 분석할 수 있다는 부분이 있기 때문에 시계열 분석 모형과 딥러닝 분석 모형을 함께 사용하는 것이 객관적으로 관계성을 확인할 수 있는 것으로 보인다.