[논문]ARIMA 모형을 활용한 예금은행 주택담보대출 분석 및 예측 연구

임찬영; 김희철

doi:10.17661/jkiiect.2019.12.3.265

ARIMA 모형을 활용한 예금은행 주택담보대출 분석 및 예측 연구
A Study on the Analysis and Prediction of Housing Mortgage in Deposit Bank Using ARIMA Model 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.12 no.3, 2019년, pp.265 - 272

임찬영 (BigData Specialist Dept., Namseoul University) , 김희철 (Department of Industrial & Management Engineering, Namseoul University)

초록
AI-Helper

본 연구에서는 예금은행 주택담보대출에 대해 매년 문제가 야기되는 지속적인 증가율을 정성적으로 파악하고, 다시 안정세를 보일 수 있는 특성요인을 파악하고자 향후 주택담보대출에 대해 정량적으로 분석하고 증가율 추세에 대한 대책을 마련하고자 예측 연구를 실행하였다. 빅-데이터 분석에 많이 쓰이는 R 프로그램을 활용하여 데이터를 분석한 결과 ARIMA 모형의 모수를 (0,1,1)(0,1,1)[12]로 추정하였을 때, MAPE와 RMSE의 검정 결과 기준으로 가장 최적의 ARIMA 모형인 것으로 나타났다. 해당 모수를 통해 향후 5년 (60개월간)의 추정치를 예측한 결과, 평균 4.5%대의 증가율을 나타냈다. 그러나 이는 사회 환경요인의 요인을 반영하지 않은 예측 값이기 때문에 다양한 사회 환경요인을 활용하여 외부 충격요인에 대한 구조적 모형 연구가 이루어져야 할 것이며, 추후 관련연구들은 이와 같은 한계들을 극복하여 진행될 필요가 있으며 정책적인 활용도를 높이기 위해 많은 실증연구가 이루어져야 하겠다.

Abstract ▼ AI-Helper

In this study, we conducted a prediction study to qualitatively identify the continuous growth rate that causes problems every year for deposit bank mortgage loans, identify the characteristic factors that could once again stabilize, and come up with measures for future quantitative analysis of mortgage loans and growth trends. Based on data analysis using the R program, which is widely used for big data analysis, the parameters of ARIMA model (0.1,1)(0.1,1)[12] were found to be most suitable. In these indicators, estimates over the next five years (60 months) increased 4.5% on average. However, this has limitations that do not reflect socio-environmental factors, which require further study of these limitations.

주제어

표/그림 (15)

그림 그림 1. 주택담보대출 월별 변화추세 Fig. 1. Trend of Monthly Housing Mortgage
표 표 1. 주택담보대출의 전년대비 증가율 Table 1. Rate of increase in housing mortgage
그림 그림 2. 주택담보대출의 추이 Fig. 2. Trend of Housing Mortgage
그림 그림 3. 예금은행 주택담보대출의 Seasonality, Trend, Random 요소로 시계열 분해 Fig. 3. Time series decomposition of Seasonality, Trend, Random elements of trade volume at housing mortgage
표 표 2. 예금은행 주택담보대출 기초통계 분석 Table 2. The Basic statistical analysis of trade volume at housing mortgage
그림 그림 4. Augmented Dickey-Fuller(ADF) 검정 결과 Fig. 4. The result of Augmented Dickey-Fuller(ADF)test
그림 그림 5. 차분과 로그를 취한 후 Augmented Dickey-Fuller(ADF) 검정 결과 Fig. 5. The result of Augmented Dickey-Fuller(ADF)test after difference and log
그림 그림 6. ARIMA 모형의 모수 추정 Fig. 6. Parameter estimation in the ARIMA model
그림 그림 7. 모수 결정 적합성 확인 Fig. 7. confirm assumption about parameter adequacy
그림 그림 8. 2014년부터 2018년 동안 주택담보대출 예측과 실측데이터의 비교 Fig. 8. Comparison of predicted and actual measurements
표 표 3. 계절 ARIMA 모형 예측 값의 MAPE와 RMSE Table 3. MAPE and RMSE of the seasonal ARIMA model
그림 그림 9. 주택담보대출의 향후 5년 미래 예측 Fig. 9. Forecasting the Future of Housing Mortgage Loans for the Next Five Years
그림 그림 10. 주택담보대출 월별 변화추세 Fig. 10. Trend of Monthly Housing Mortgage
표 표 4. 예금은행 주택담보대출 향후 5년에 대한 예측 평균값 Table 4. predicted mean of housing mortgage over the next five years
그림 그림 11. 2019년부터 2023년 예측 값의 Seasonality, Trend, Random 요소로 시계열분해 Fig. 11. Time series decomposition of Seasonality, Trend, Random elements of trade volume at housing mortgage forecast of 2013 to 2023

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 2009년부터 2013년도까지의 주택담보대출 통계자료를 이용하여 2014년부터 2018년(5년)을 예측하고 이 예측 값과 실제 주택담보 대출액 통계분석자료와 비교하고자 한다. 따라서 2009년부터 2018년도까지의 예측자료와 실제자료를 이용하여 RMSE(Root Mean Square Error)와 MAPE(Mean absolute percentage error ) 검정을 통하여 예측 신뢰성을 확보하고 2018년 이후 향후5년에 대한 미래예측 연구를 수행하고자 한다. 따라서 2009년부터 2013 년도까지의 주택담보대출 통계자료에 대하여 R프로그램의 decompose function 함수를 이용하여 시계열 특징을 분해한 그림은 [그림 3]에 나타내었다.
본 연구에서는 2009년부터 2013년도까지의 주택담보대출 통계자료를 이용하여 2014년부터 2018년(5년)을 예측하고 이 예측 값과 실제 주택담보 대출액 통계분석자료와 비교하고자 한다. 따라서 2009년부터 2018년도까지의 예측자료와 실제자료를 이용하여 RMSE(Root Mean Square Error)와 MAPE(Mean absolute percentage error ) 검정을 통하여 예측 신뢰성을 확보하고 2018년 이후 향후5년에 대한 미래예측 연구를 수행하고자 한다.
이러한 주택담보대출의 증가추세와 정부의 대책마련에 관련해 본 연구는 지금까지 주택담보대출 규제에 관한 대부분의 연구와는 다른 측면으로 향후의 주택담보대출 패턴을 예측함으로써 미래주택담보대출의 증가추세에 대한 추이를 파악하고자 한다. 이러한 연구결과를 얻기 위하여 본 연구는 시계열 분석 방법인 ARIMA 모형을 사용하여 월별 주택담보대출액의 패턴을 파악하고 향후 5년의 주택담보대출액 추세를 예측한 결과분석이 도출 되었다.
이러한 주택담보대출의 증가추세와 정부의 대책마련에 관련해 본 연구는 지금까지 주택담보대출 규제에 관한 대부분의 연구와는 다른 측면으로 향후의 주택담보대출 패턴을 예측함으로써 미래주택담보대출의 증가추세에 대한 추이를 파악하고자 한다. 이러한 연구결과를 얻기 위하여 본 연구는 시계열 분석 방법인 ARIMA 모형을 사용하여 월별 주택담보대출액의 패턴을 파악하고 향후 5년의 주택담보대출액 추세를 예측한 결과분석이 도출 되었다.

제안 방법

auto.arima 함수를 이용하여 결정한 모형 차수와 모수 추정이 가정을 만족하는지를 확인하기 위하여 표준화 잔차와 ACF 잔차를 확인하고 Ljung-Box Q 통계량의 그래프를 통해 모형의 적합성을 진단하고자 한다. Ljung-Box Q 통계량은 다음과 같이 정의된다[13].
변수선택을 첫 번째로, 여러 예측변수 중에서 주택담보대출 자료만을 이용한 일 변수 모형보다 정확한 표본 외에 주택담보대출 예측력을 나타내는 ADL(Autoregressive Distributed Lag) 모형의 예측변수 만을 선택한다. 두 번째는 채택된 예측변수를 대상으로 다수의 시계열 예측모형을 추정하고, 표본의 예측력을 토대로 가중치를 산출한다. 마지막으로 예측 조합인데, 모형별 사후 예측 분포에 가중치를 부여한 분포를 사용되어야 한다고 하였다.
따라서 ARIMA(0,2,1)(0,1,1)[12]의 모형을 통해 과거 데이터(2009년부터 2013년까지 5년)로부터 2014년부터 2018년까지 5년의 주택담보대출을 예측하고 실제 통계자료와 비교를 위해 [그림 8]과 같이 자료를 중첩하여 표현하였다. 그 결과 실측값이 예측 값의 예측구간 95%의 범위 안에 대부분 포함되는 것을 보였다.
따라서 미래 예측을 위한 ARIMA 모형의 모수는 ARIMA(0,2,1)(0,1,1)[12]으로 결정하였다.
5%의 증가율을 보이고[6] 과거 2010년부터 2018년까지의 주택담보대출(예금취급기관)은 [표 1]에서 보이는 것과 같이 매년 증가(감소) 추세를 보이고 있다[7]. 또한 월별 특성요인이 있는지 파악하고자 [그림 1]과 같이 그래프를 통해 그 특성을 분석하였다.
본 연구를 진행하게 된 주요 요인은 매년 지속적으로 보도되는 주택담보대출액 패턴을 통해 향후 예금은행 주택담보대출액의 추세를 파악하고자 ARIMA 모형을 활용하여 예금은행 주택담보대출에 대해 정량적 분석 및 예측하였고, 다음과 같은 연구 결과를 도출 하였다.
본 연구의 분석 시계열을 안정화시키기 위하여 로그(log)를 취한 뒤 차분(diff)하여 다시 한 번 adf.test를 이용하여 [그림 5]와 같이 시계열의 안정성을 확보(p-value = 0.01)하였다[11].
7의 결과 값을 보이므로 낮은 오차율을 보이는 것을 확인 할 수 있다[16]. 예금은행 주택담보대출 통계 데이터의ARIMA(0,2,1)(0,1,1)[12] 모형을 통해 예측 값의 신뢰성을 확보하였고 이를 토대로 향후 5년에 대한 미래예측을 진행하였다.
강규호[4]는 '베이지안 머신 러닝을 이용한 은행권 주택담보대출 예측' 연구를 통해 우리나라 주택담보대출의 베이지안 머신러닝 예측 기법을 활용하여 예측결과를 분석하였다. 이 연구에서 주택담보대출의 예측은 3단계로 특징으로 구성하였다. 변수선택을 첫 번째로, 여러 예측변수 중에서 주택담보대출 자료만을 이용한 일 변수 모형보다 정확한 표본 외에 주택담보대출 예측력을 나타내는 ADL(Autoregressive Distributed Lag) 모형의 예측변수 만을 선택한다.

데이터처리

본 연구에서는 이러한 다양한 정확도 검정 방법 중 계절성 ARIMA의 모형에 대한 예측 정확도를 확인하기 위해 이상치(outlier)에 대한 민감도가 낮고, 다른 예측도 평가지표들 보다 상대적으로 신뢰도가 높은 MAPE(mean absolute percentage error)값을 활용하였다.[14] 또한 RMSE(root mean squared performance)의 검정까지 확인하여 예측 값의 정확도를 파악하였다. MAPE의 통계량은 다음과 같다[15].
또한 자료의 안정성을 확인하기 위해 R프로그램 tseries 패키지의 adf.test 함수를 이용하여 Augmented Dickey-Fuller (ADF) 단위 근 검정을 실행 하였다. 그 결과 [그림 4]와 같이 데이터는 안정성을 따르지 않는다는 귀무가설(p-value = 0.
그만큼 시간이 지날수록 주택담보대출의 대출금액은 비교적 증가하고 추이를 보이고 있다. 이러한 분석을 바탕으로 주택담보대출액 자료에 대한 정규성 판단을 위해 쟈크베라(Jarque-Bera)의 정규성 검정을 이용하고 그 결과는 [표 2]에 나타내었다. 이 표에서 유의확률( P-value = 0.

이론/모형

이 연구에서 주택담보대출의 예측은 3단계로 특징으로 구성하였다. 변수선택을 첫 번째로, 여러 예측변수 중에서 주택담보대출 자료만을 이용한 일 변수 모형보다 정확한 표본 외에 주택담보대출 예측력을 나타내는 ADL(Autoregressive Distributed Lag) 모형의 예측변수 만을 선택한다. 두 번째는 채택된 예측변수를 대상으로 다수의 시계열 예측모형을 추정하고, 표본의 예측력을 토대로 가중치를 산출한다.
본 연구에서 사용한 기법과 관련 있는 ARIMA 모형에 관한 연구로는 조준호, 변제섭, 김희철[5]은 ‘글로벌 해운시장 현황 분석 및 시계열 모형을 이용한 부산 신항 컨테이너 물동량 예측에 관한 연구’를 통해 국제 해운시장의 동향과 국내 해운시장의 위기설에 대한 국내외적 요인을 파악하고, 부산 신항의 물동량이 회복세를 보일 수 있는 요인들을 알아보고자 부산 신항의 향후 물동량에 대하여 분석하고, 예측추이의 파악과 회복 추이를 분석하는데 ARIMA 모형을 사용하였다.
ARIMA 모형의 추정을 통한 예측의 보다 정확한 정확도는 ME(mean squared), MAPE(mean absolute percentage error), RMSE(root mean squared performance), MSE(mean squared error), MAE(mean absolute error) 등의 통계량을 활용하여 확인하는 방법이 있다. 본 연구에서는 이러한 다양한 정확도 검정 방법 중 계절성 ARIMA의 모형에 대한 예측 정확도를 확인하기 위해 이상치(outlier)에 대한 민감도가 낮고, 다른 예측도 평가지표들 보다 상대적으로 신뢰도가 높은 MAPE(mean absolute percentage error)값을 활용하였다.[14] 또한 RMSE(root mean squared performance)의 검정까지 확인하여 예측 값의 정확도를 파악하였다.
또한, [그림 10]에서 보여주듯이 2019년부터 2023년까지의 예측 값에 대한 월별 변화 추세의 패턴에서 계절성(Seasonality) 추세를 볼 수 있다. 이러한 상황을 확인하기 위하여 R프로그램의 decompose function 함수를 이용하였다. 즉, [그림 11]에서 계절성은 반복적인 패턴으로 계절성 시계열 특징을 나타내고 있다.

성능/효과

[그림 9]에서 보여주듯이 2019년부터 2023년까지 예금취급기관의 주택담보대출액 예측 값 평균은 40,629,249 (단위 : 십억 원)을 보였다. 2019년부터 2023년까지의 예측 값에서는 감소세 없이 매년 4%대의 꾸준한 증가 추세를 예측하였다.
따라서 ARIMA(0,2,1)(0,1,1)[12]의 모형을 통해 과거 데이터(2009년부터 2013년까지 5년)로부터 2014년부터 2018년까지 5년의 주택담보대출을 예측하고 실제 통계자료와 비교를 위해 [그림 8]과 같이 자료를 중첩하여 표현하였다. 그 결과 실측값이 예측 값의 예측구간 95%의 범위 안에 대부분 포함되는 것을 보였다.
둘째, 주택담보대출액의 지속적 증가율을 문제 삼고 있지만, 주택담보대출이 갑작스런 하락세를 보이더라도 문제를 야기할 수 있다. 예를 들어 과한 부동산 규제가 이루어지면 부동산 시장이 냉각되어 주택담보대출이 하락세를 보이기 때문이다.
셋째로는 예측된 향후 5년 (60개월) 동안 예금은행 주택담보대출의 추세는 평균 4.5% 내외의 증가율이 예상되며 추후에도 지속적인 증가세를 보일 것으로 판단된다.
첫째, 예금은행 주택담보대출액 값은 본 연구 통계데이터의 시작점인 2009년 1월부터 지속적으로 증가해왔다. 증가추세는 2013년에 전년대비 증가율 2.5 %대로 회복세를 보이는 듯, 하지만 2015년 9%대의 증가율로 2009년부터 2018년까지의 예금은행 주택담보대출 증가율의 평균은 6.8 %의 큰 폭의 증가추세를 보이고 있다.
첫째, 예금은행 주택담보대출액 값은 본 연구 통계데이터의 시작점인 2009년 1월부터 지속적으로 증가해왔다. 증가추세는 2013년에 전년대비 증가율 2.

후속연구

이와 같은 예금은행 주택담보대출의 예측 결과는 단순한 부동산 규제뿐 아니라 다양한 정부대책을 마련하고 부동산 시장, 가계 빚을 안정화 시킬 방안을 마련하는데 참고 자료로 이용될 수 있으리라 기대한다. 그러나 주택담보대출 예측의 경우 사회 환경요인(예를 들면 은행 부패지수 등)의 요인을 반영하지 않은 예측값이기 때문에 다양한 사회 환경요인 및 경제 동향을 활용하여 외부 충격요인에 대한 구조적 모형 연구가 이루어져야 할 것이며, 추후 관련연구의 방향은 위에서 기술한 바와 같은 한계들을 극복하여 연구가 진행될 필요가 있으며 정책적인 활용도를 높이기 위해서는 보다 많은 실증연구가 이루어져야 하겠다.
이와 같은 예금은행 주택담보대출의 예측 결과는 단순한 부동산 규제뿐 아니라 다양한 정부대책을 마련하고 부동산 시장, 가계 빚을 안정화 시킬 방안을 마련하는데 참고 자료로 이용될 수 있으리라 기대한다. 그러나 주택담보대출 예측의 경우 사회 환경요인(예를 들면 은행 부패지수 등)의 요인을 반영하지 않은 예측값이기 때문에 다양한 사회 환경요인 및 경제 동향을 활용하여 외부 충격요인에 대한 구조적 모형 연구가 이루어져야 할 것이며, 추후 관련연구의 방향은 위에서 기술한 바와 같은 한계들을 극복하여 연구가 진행될 필요가 있으며 정책적인 활용도를 높이기 위해서는 보다 많은 실증연구가 이루어져야 하겠다.

질의응답

핵심어	질문	논문에서 추출한 답변
	해당 데이터가 비정상성을 따르는 단위 근을 가지고 있는 이유는 무엇인가?	또한 자료의 안정성을 확인하기 위해 R프로그램 tseries 패키지의 adf.test 함수를 이용하여 Augmented Dickey-Fuller (ADF) 단위 근 검정을 실행 하였다. 그 결과 [그림 4]와 같이 데이터는 안정성을 따르지 않는다는 귀무가설(p-value = 0.88)을 기각 할 수 없다. 따라서 해당 데이터는 비정상성을 따르는 단위 근을 가지고 있는 것으로 판단하였다.
	주택담보대출 증가세의 원인은 무엇인가?	5%) 증가했다. 주택 공급 물량이 늘어나며 집단 대출이 증가한 것이 주택담보대출 증가세의 원인으로 분석된다. '국내은행의 주택담보 인정비율(LTV) 구간별 주택담보대출 현황'에 따르면 지난해 상반기 LTV 60% 이상 대출이 30.
	RMSE(Root Mean Square Error)란 무엇인가?	RMSE(Root Mean Square Error)는 잔차(관측에서 나타나는 오차)의 제곱 합을 산술평균한 값의 제곱근으로서 관측 값들 간의 상호간 편차를 의미한다. 표준편차를 일반화시킨 척도로서 실제 값과 추정값과의 차이가 얼마인가를 알려주는데 많이 사용되는 척도이다.

참고문헌 (16)

http://www.fnnews.com/news/201902191751021758
https://www.yna.co.kr/view/AKR20190223036000002?input1195m
Kim Hee Cheul, Hyun-Cheul Shin, "Estimating the Determinants of Loan Amount of Housing Mortgage : A Panel Data Model Approach", korean society of computer and information, Vol.16, No.7, 2011.7.
Kyu Ho Kang, "Mortgage Loan Prediction: Bayesian Machine Learning Approach", KDIC,2018.19.004,pp.99-129
JO Jun-Ho, Byon Je-Seop, Kim Hee-Cheul, "Analysis of Global Shipping Market Status and Forecasting the Container Freight Volume of Busan New port using Time-series Model",Journal of Korea institute ofinformation, electronics, and communication technology,v.10 no.4, 2017
http://www.fnnews.com/news/201902191751021758
http://kosis.kr/search/search.do "KOSIS National Statistical Table"
Chang-Beom Kim, "Forecasting the Seaborne Trade Volume using Intervention Multiplicative Seasonal ARIMA and Artificial Neural Network Model", Journal of Korea Port Economics Association, Vol. 31, No.1,pp.5-20, 2015
https://blog.naver.com/happyrachy/221428771766
https://anomaly.io/seasonal-trend-decomposition-in-r/
http://www.dodomira.com/2016/04/21/arima_in_r/
https://datascienceschool.net/view-notezook/e4b52228ac5749418d51409fdc4f9cef
https://m.blog.naver.com/PostView.nhn?blogIdrisk_girl&logNo220834418182&proxyRefererhttps%3A%2F%2Fwww.google.co.kr%2F
Jong-San Choi, "Evaluation of Estimation and Forecast Accuracy on Retail Meat Prices by Seasonal Time Series Models", The korean of food preservation Vol.33,No.1,pp.10-13, 2016
Yoon Yeo Jin, Kim Min Gyu, Lee, Jong Sin "Calculation of Measurement Error and RMSE about Total-station Using Precise Baseline", Journal of the Korean cadastre Information association v.14 no.2 ,pp.99-106,2012
https://www.statisticshowto.datasciencecentral.com/rmse/

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증