딥 러닝을 이용한 미국 오피스 자본환원율 예측에 관한 연구

Abstract

부동산을 포함한 대체투자 시장의 규모가 매년 증가하는 상황에서 기관 투자자들은 부동산 투자를 결정할 때 자본환원율(Capitalization Rate)을 대표적인 평가지표로 활용한다. 최근 인공지능 알고리즘의 발전으로 시간의 순차적인 흐름 또는 순서를 가진 데이터를 이용해 미래의 값을 효율적으로 예측할 수 있는 딥 러닝 기반의 순환 신경망 모형이 다양한 예측 분야에서 널리 활용됨에도 불구하고, 자본환원율 예측을 위해 적용된 연구는 없었다. 따라서 본 논문은 딥 러닝 기반의 순환 신경망 모형을 활용해 오피스 자본환원율을 예측하고 전통적인 다변량 시계열 모형과 예측력을 비교 분석하여, 오피스 자본환원율 예측에 있어서 딥 러닝 모형의 적용 가능성 유무를 확인하고자 하였다.

실증분석을 위해 NCREIF에서 제공하는 감정평가 기반의 오피스 자본환원율 자료를 이용하였으며, 자본환원율에 영향을 미치는 설명 변수들은 머신러닝 기반의 순열 특성 중요도(PFI)를 통해 중요도가 높은 5개의 변수를 선별하였다. 분석 기간은 1992년 3분기부터 2019년 4분기까지를 훈련 데이터로, 2020년 1분기부터 2021년 4분기까지를 테스트 데이터로 구분하였으며, 모형 간 예측력 비교를 위해 딥 러닝 모형은 LSTM과 GRU 모형을, 다변량 시계열 모형은 VECM과 상태공간모형을 이용해 각각 테스트 데이터 기간의 예측 값과 실제 값 비교를 통해 모형의 예측력을 하였다. 나아가 변동성이 심한 상황에서 예측력 비교를 위해 실거래가 기반의 오피스 자본환원율 자료를 이용해 비교 분석하였으며. 상관분석 결과 중요도가 높은 변수들을 도출해 변수 선택 방법이 자본환원율 예측에 미치는 영향을 살펴보았다.

본 연구에서 발견한 주요 결과는 다음과 같다. 첫째, 시계열 기반의 오피스 자본환원율 예측에 있어서 딥 러닝 모형의 예측력이 다변량 시계열보다 우수한 것을 확인하였으며, 그중 GRU 모형이 예측력이 가장 우수했다. 딥 러닝 기반의 순환 신경망 모형은 기울기 손실 문제를 해결하기 위해 고안된 모형으로 기존 시계열 모형의 문제점인 장기 의존성 문제를 게이트 메커니즘을 이용해 효과적으로 해결할 수 있으며, 버리고 취할 정보를 효율적으로 기억하는 결정 과정이 존재해 기존의 다변량 시계열 모형과 비교하여 예측력이 우수한 것을 확인했다(김양훈 외, 2016; Brownlee, 2017).

둘째, 상대적으로 심한 가격 변동성이 실거래가 기반의 자본환원율 자료에서도 딥 러닝 모형의 예측력이 우수한 것을 확인했으며, 그중 GRU 모형의 예측력이 가장 우수한 것을 확인하였다. 거래가 기반의 자본환원율은 평활화가 존재하는 감정평가 기반의 자본환원율에 비해 변동성이 존재하지만, 장기 의존성 문제를 효과적으로 해결한 딥 러닝 모형은 변동성이 심한 실거래가 기반 자본환원율 예측에서도 과거의 정보를 효과적으로 기억하고, 다변량 시계열 모형보다 더 많은 과거 시차를 이용해 예측하기 때문에 변동성이 심한 자료에서도 예측력이 우수한 것을 확인했다. 결과적으로 데이터의 변동성이 존재하는 경우 딥 러닝 모형이 기존 시계열 모형보다 높은 예측력을 보이는 것을 확인했다.

셋째, 변수 선택 방법은 자본환원율 예측력에 영향을 미치는 것을 확인했다. 머신러닝 기반의 Wrapper 방식인 PFI를 이용해 자본환원율과의 중요도가 높은 변수를 도출해 예측했을 때, 상관분석을 이용했을 때보다 예측력이 우수한 것을 확인했다. PFI는 상관관계 계수로 포착되지 않는 비선형 또는 상호작용 효과와 같은 다른 유형의 관계를 포착할 수 있는 장점으로 인해 예측력 향상에 유의한 영향을 미치는 것을 확인했다.

본 연구는 시계열 데이터의 예측 분석에서 높은 성능을 보이는 딥 러닝 기반의 순환 신경망 모형이 개발됨에도 불구하고, 최근 부정적인 거시경제 상황과 급격한 공실률 상승을 보이는 미국 오피스 시장을 보면서 기관 투자자들이 중요한 투자 지표로 보는 오피스 자본환원율 예측에 관한 연구가 필요하지만, 관련 연구가 부족한 것에서 시작되었다. 본 연구를 통해 기관투자자들이 장기적인 관점에서 효율적인 포트폴리오 관리에 기여할 것으로 예상되며, 해당 시점에 오피스 투자 여부를 결정하는 과정에서 머신러닝을 이용한 데이터 기반의 의사 결정 과정에 일정 부분 기여할 것으로 기대한다.