본 논문은 베이지안 머신 러닝 기법을 이용한 시계열 변수 예측에 관한 두 가지의 소논문으로 구성되어 있다. 「아파트 실거래가 예측: 베이지안 기계학습 접근법」은 베이지안 변수선 택 기법에 기반한 ...
본 논문은 베이지안 머신 러닝 기법을 이용한 시계열 변수 예측에 관한 두 가지의 소논문으로 구성되어 있다. 「아파트 실거래가 예측: 베이지안 기계학습 접근법」은 베이지안 변수선 택 기법에 기반한 기계학습 알고리즘을 적용해 개별 아파트 실거래가를 예 측하였다. 기존 국내 아파트 가격 예측연구는 주택가격지수 예측에 국한되어 있다. 하지만 아파트 실수요자와 판매자, 주택담보대출을 담당하는 은행, 앱 등을 통해 부동산 정보와 컨설팅을 제공하는 업체 등의 합리적 의사결정을 위해서는 개별 아파트 실거래가 예측이 필수적이다. 본 논문은 베이지안 기 계학습 접근법에 기반한 아파트 실거래가 예측기법을 제시하고, 경쟁모형들 과의 비교 평가를 통해 예측력을 검증한다. 아파트 실거래가 자료는 국민적 관심이 높은 서울의 은마 아파트와 신도시 개발로 인구유입률이 높은 김포 의 현대프라임빌 아파트를 사용하였다. 표본 외 예측결과, 현대프라임빌 아 파트의 장기 예측을 제외하고 모든 아파트, 예측시계, 예측력 평가 기준에서 본 연구가 제시한 예측 방법이 다양한 비교 모형들보다 우월한 것으로 나타 났다. 특히, 단기예측보다는 중기와 장기예측에서 전통적 모형보다 상당이 향상된 예측 정확도를 나타내었다. 「은행권 및 비은행권 가계대출 결정요인 분석과 장단기 예측」은 가계대 출에 의한 금융시장 불안정과 리스크의 효율적 대응을 위해 베이지안 머신 러닝 알고리즘을 이용해 가계대출을 예측하고, 결정요인을 분석하였다. 금융 시스템 불안은 모든 형태의 대출이 동시에 급증하기 보다는 일부 형태의 대 출이 급증할 경우에 발생할 가능성이 높다. 선제적인 정책적 대응을 위해서 는 대출 형태별 예측을 통한 모니터링 시스템 구축이 요구된다. 본 연구의 목적은 전체 가계대출을 은행권 주택담보대출(주담대), 은행권 마이너스 통장 대출(마통), 비은행권 주담대, 비은행권 마통 등 네 개의 유형으로 구분하여 예측하는 것이다. 가계대출의 결정요인과 예측모형이 다수이고, 가계대출 형 태에 따라 결정요인이 상이하다는 점을 감안하여, 본 연구는 베이지안 머신 러닝 기반의 가계대출 유형별 분포예측 알고리즘을 제시한다. 본 연구의 베 이지안 머신러닝 알고리즘은 변수 학습과정, 모형 학습과정, 예측 조합과정으 로 이루어진다. 예측 결과, 은행권 주담대는 주로 대출금리, 아파트 입주물량, 분양물량 등에 의해 예측가능하며, 은행권 마통의 주요 예측변수는 취업률과 전세가격지수이다. 반면, 비은행권 주담대는 대출금리와 아파트 매매전세가비 율 등에 의해 주로 결정되며, 비은행권 마통은 취업률, 전세가격지수와 더불 어 주가 수익률의 영향도 많이 받는 것으로 추정되었다. 각 유형 별 가계대 출은 높은 지속성으로 인해 향후에도 현재와 유사한 수준의 증가율을 보일 것으로 예측된다. 다만 예측치에 내재된 불확실성이 상당하기 때문에 가계대 출 급등락 가능성을 배제할 수 없다.
본 논문은 베이지안 머신 러닝 기법을 이용한 시계열 변수 예측에 관한 두 가지의 소논문으로 구성되어 있다. 「아파트 실거래가 예측: 베이지안 기계학습 접근법」은 베이지안 변수선 택 기법에 기반한 기계학습 알고리즘을 적용해 개별 아파트 실거래가를 예 측하였다. 기존 국내 아파트 가격 예측연구는 주택가격지수 예측에 국한되어 있다. 하지만 아파트 실수요자와 판매자, 주택담보대출을 담당하는 은행, 앱 등을 통해 부동산 정보와 컨설팅을 제공하는 업체 등의 합리적 의사결정을 위해서는 개별 아파트 실거래가 예측이 필수적이다. 본 논문은 베이지안 기 계학습 접근법에 기반한 아파트 실거래가 예측기법을 제시하고, 경쟁모형들 과의 비교 평가를 통해 예측력을 검증한다. 아파트 실거래가 자료는 국민적 관심이 높은 서울의 은마 아파트와 신도시 개발로 인구유입률이 높은 김포 의 현대프라임빌 아파트를 사용하였다. 표본 외 예측결과, 현대프라임빌 아 파트의 장기 예측을 제외하고 모든 아파트, 예측시계, 예측력 평가 기준에서 본 연구가 제시한 예측 방법이 다양한 비교 모형들보다 우월한 것으로 나타 났다. 특히, 단기예측보다는 중기와 장기예측에서 전통적 모형보다 상당이 향상된 예측 정확도를 나타내었다. 「은행권 및 비은행권 가계대출 결정요인 분석과 장단기 예측」은 가계대 출에 의한 금융시장 불안정과 리스크의 효율적 대응을 위해 베이지안 머신 러닝 알고리즘을 이용해 가계대출을 예측하고, 결정요인을 분석하였다. 금융 시스템 불안은 모든 형태의 대출이 동시에 급증하기 보다는 일부 형태의 대 출이 급증할 경우에 발생할 가능성이 높다. 선제적인 정책적 대응을 위해서 는 대출 형태별 예측을 통한 모니터링 시스템 구축이 요구된다. 본 연구의 목적은 전체 가계대출을 은행권 주택담보대출(주담대), 은행권 마이너스 통장 대출(마통), 비은행권 주담대, 비은행권 마통 등 네 개의 유형으로 구분하여 예측하는 것이다. 가계대출의 결정요인과 예측모형이 다수이고, 가계대출 형 태에 따라 결정요인이 상이하다는 점을 감안하여, 본 연구는 베이지안 머신 러닝 기반의 가계대출 유형별 분포예측 알고리즘을 제시한다. 본 연구의 베 이지안 머신러닝 알고리즘은 변수 학습과정, 모형 학습과정, 예측 조합과정으 로 이루어진다. 예측 결과, 은행권 주담대는 주로 대출금리, 아파트 입주물량, 분양물량 등에 의해 예측가능하며, 은행권 마통의 주요 예측변수는 취업률과 전세가격지수이다. 반면, 비은행권 주담대는 대출금리와 아파트 매매전세가비 율 등에 의해 주로 결정되며, 비은행권 마통은 취업률, 전세가격지수와 더불 어 주가 수익률의 영향도 많이 받는 것으로 추정되었다. 각 유형 별 가계대 출은 높은 지속성으로 인해 향후에도 현재와 유사한 수준의 증가율을 보일 것으로 예측된다. 다만 예측치에 내재된 불확실성이 상당하기 때문에 가계대 출 급등락 가능성을 배제할 수 없다.
This paper consists of two short theses on time-series variable forecasting using Bayesian machine learning methods. “Forecasting Actual Transaction Price of Apartments: Bayesian Machine Learning Approach” predicts the actual transaction price of individual apartments by applying a machine learning ...
This paper consists of two short theses on time-series variable forecasting using Bayesian machine learning methods. “Forecasting Actual Transaction Price of Apartments: Bayesian Machine Learning Approach” predicts the actual transaction price of individual apartments by applying a machine learning algorithm based on Bayesian variable selection. Existing Korean apartment price forecasting studies are limited to house price index forecasting. However, predicting the actual transaction price of individual apartments is essential for rational decision-making by actual buyers and sellers of apartments, banks in charge of mortgage loans, and companies that provide real estate information and consulting through apps. This paper provides a forecasting method for apartment transaction prices based on a Bayesian machine learning approach, and verifies its predictive power through comparative evaluation with competitive models. As for the apartment transaction price data, the Eunma apartment in Seoul, which has high public interest, and the Hyundai Primeville apartment in Gimpo, which has a high population inflow rate due to new city development, were used. As a result of out-of-sample forecasting, the predictive power of the proposed model outperforms all other comparative models in all apartments, time horizons, and evaluation criteria. In particular, in the medium and long-term forecasting rather than the short-term, the predictive power of the proposed model is significantly improved compared to the existing traditional models. “Determinants of Bank and Non-bank Household Loans and Short- and Long- Horizon Forecast” applies Bayesian machine learning algorithm to predict household loans and analyze the determinants for efficient response to financial market instability and risks caused by household loans. The instability of the financial system is likely to occur when particular types of loans surge rather than all types of loans surge at the same time. A preemptive policy response requires a monitoring system based on forecasts by different loan types. The purpose of this study is to forecast household loans by categorizing into four types : bank mortgage loan, bank credit loan, non-bank mortgage loan, and non-bank credit loan. Given the fact that there are numerous determinants and forecasting models for household loans, and that the determinants differ depending on the type of household loans, this study sets out the density forecasting algorithm based on Bayesian Machine Learning. which consists of a variable learning process, a model learning process, and a forecasting combination process. We find bank mortgage loans are largely predicted by the loan rates, the volume of apartments to be moved in, and the number of apartment units to be sold. while the key determinants of bank credit loans are the employment rate and Jeon-se price index. On the other hand, the non-bank mortgage loans are largely determined by the loan rates and the ratio of apartment sales prices relative to Jeon-se prices. The non-bank credit loans are also influenced by not only the employment rate and the Jeon-se price index but also stock returns. Due to their high persistence, household loans are expected to show similar growth rates in the future. However, one may not exclude the possibility of a sudden changes of household loans because there exists a high degree of uncertainty inherent in this forecast.
This paper consists of two short theses on time-series variable forecasting using Bayesian machine learning methods. “Forecasting Actual Transaction Price of Apartments: Bayesian Machine Learning Approach” predicts the actual transaction price of individual apartments by applying a machine learning algorithm based on Bayesian variable selection. Existing Korean apartment price forecasting studies are limited to house price index forecasting. However, predicting the actual transaction price of individual apartments is essential for rational decision-making by actual buyers and sellers of apartments, banks in charge of mortgage loans, and companies that provide real estate information and consulting through apps. This paper provides a forecasting method for apartment transaction prices based on a Bayesian machine learning approach, and verifies its predictive power through comparative evaluation with competitive models. As for the apartment transaction price data, the Eunma apartment in Seoul, which has high public interest, and the Hyundai Primeville apartment in Gimpo, which has a high population inflow rate due to new city development, were used. As a result of out-of-sample forecasting, the predictive power of the proposed model outperforms all other comparative models in all apartments, time horizons, and evaluation criteria. In particular, in the medium and long-term forecasting rather than the short-term, the predictive power of the proposed model is significantly improved compared to the existing traditional models. “Determinants of Bank and Non-bank Household Loans and Short- and Long- Horizon Forecast” applies Bayesian machine learning algorithm to predict household loans and analyze the determinants for efficient response to financial market instability and risks caused by household loans. The instability of the financial system is likely to occur when particular types of loans surge rather than all types of loans surge at the same time. A preemptive policy response requires a monitoring system based on forecasts by different loan types. The purpose of this study is to forecast household loans by categorizing into four types : bank mortgage loan, bank credit loan, non-bank mortgage loan, and non-bank credit loan. Given the fact that there are numerous determinants and forecasting models for household loans, and that the determinants differ depending on the type of household loans, this study sets out the density forecasting algorithm based on Bayesian Machine Learning. which consists of a variable learning process, a model learning process, and a forecasting combination process. We find bank mortgage loans are largely predicted by the loan rates, the volume of apartments to be moved in, and the number of apartment units to be sold. while the key determinants of bank credit loans are the employment rate and Jeon-se price index. On the other hand, the non-bank mortgage loans are largely determined by the loan rates and the ratio of apartment sales prices relative to Jeon-se prices. The non-bank credit loans are also influenced by not only the employment rate and the Jeon-se price index but also stock returns. Due to their high persistence, household loans are expected to show similar growth rates in the future. However, one may not exclude the possibility of a sudden changes of household loans because there exists a high degree of uncertainty inherent in this forecast.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.