주제와 목적
본 프로젝트는 서울 25개 구의 아파트 실거래가 데이터를 활용해 다음 달 ㎡당 중앙가격의 상승·하락 방향을 예측하고, 이를 은행의 주택담보대출 담보가치 하락 리스크 모니터링 관점에서 해석한다.
- 핵심은 “집값을 정확히 맞히는 서비스”가 아니라 지역별 하락 가능성을 점검하는 보조 지표다.
- 차주 상환능력이나 대출 승인 여부를 자동 판단하지 않는다.
- 하락을 놓치는 비용과 오경보 비용을 함께 보는 리스크 운영점 관점으로 접근했다.
아파트 실거래가 기반 서울 주요 구별 주택가격 상승·하락 예측
서울 주요 구별
주택가격 하락 리스크 모니터링
주택담보대출 담보가치 하락 리스크 보조지표
연구 질문
서울 25개 구의 아파트 실거래가 패널 데이터를 활용해 다음 달 ㎡당 중앙가격이 상승할지 하락할지 예측하고, 담보가치 하락 리스크 모니터링 보조지표로 해석할 수 있는가?
서울 25개 구의 아파트 실거래가 패널 데이터를 활용해 다음 달 ㎡당 중앙가격이 상승할지 하락할지 예측하고, 담보가치 하락 리스크 모니터링 보조지표로 해석할 수 있는가?
DB
793,053원시 실거래 건수
GU
25서울 전체 자치구
M
3,300월×구 패널 셀
CAL
2015.01 ~ 2025.12분석 기간
!
이 웹 리포트는 실시간 예측 서비스가 아닙니다.
표시되는 예측은 각 시점 이전 데이터로만 학습한 walk-forward 백테스트 결과입니다.
RF default 기준 Majority 대비 약 +0.11 accuracy 개선 수준의 약한 신호이며,
실거래가 신고 시차, 거래 구성 변화, risk-tuned 운영점의 false alarm 증가 한계가 존재합니다.
0. 프로젝트 개요
우리 조가 무엇을, 왜, 어떻게 했는지 먼저 보기
1. 데이터와 문제 정의
거래 1건 단위 데이터를 월별·구별 패널로 변환
무엇을 가지고 예측했나
국토교통부 아파트 매매 실거래가 793,053건과 한국은행 기준금리를 결합해 서울 25개 구 × 2015~2025 월별 패널 3,300개 셀을 만들었다.
- 타깃: 다음 달 ㎡당 중앙가격이 하락하면 0, 상승하면 1
- 입력: 가격 레벨보다 변화율, 이동평균 대비 비율, rolling z-score 등 정상성 feature 중심
- 이유: 강남·노원처럼 가격 레벨이 다른 구를 한 모델에 넣기 위해 raw 가격 수준은 배제
2. 우리가 진행한 분석 여정
Step 0부터 발표 산출물까지
원시 수집
국토부 실거래가와 기준금리를 수집하고 원본을 보존했다.
월별 패널
거래 단위를 서울 25구×월별 ㎡당 중앙값과 거래량으로 집계했다.
라벨 생성
다음 달 가격 방향을 상승/하락으로 만들고 baseline을 먼저 확인했다.
Feature
가격 변화율, 추세 대비 괴리, 거래량 변화, 금리 변화 중심으로 구성했다.
모델 학습
Majority, Persistence, RandomForest, LSTM을 walk-forward로 비교했다.
해석
baseline 대비 개선, 하락 recall, false alarm trade-off를 발표 메시지로 정리했다.
산출물
PPT, 검증 차트, 웹 리포트로 팀 공유와 Q&A 대응 자료를 만들었다.
3. 비교한 모델
딥러닝 모델만 보지 않고 기준선부터 단계적으로 비교
4. 먼저 알아야 할 핵심 발견
아래 모델링 결과를 읽기 전 요약
단순 추세 지속은 실패했다
Persistence accuracy는 0.404로 Majority 0.530보다 낮다. 월별 가격 방향은 단순 momentum보다 반전 성격이 강했다.
RF는 Majority 대비 추가 신호를 확보했다
RF default accuracy는 0.641로 Majority 대비 +0.111 개선됐다. 신호는 가격 mean-reversion 변수에서 주로 나타났다.
Risk-tuned는 하락 recall을 높인다
RF risk-tuned는 down recall 0.854를 보였지만 accuracy는 0.589로 낮아진다. 리스크 운영점은 false alarm 비용과 함께 봐야 한다.
가격 예측이 아니라 담보가치 하락 모니터링
본 연구의 목적은 차주 부도나 대출 승인 여부를 자동 판단하는 것이 아니다. 지역별 가격 하락 가능성을 조기에 확인해 담보가치 변동 리스크를 점검하는 보조 지표를 만드는 것이다.
- 가격 하락 가능성이 높은 구간을 risk alert로 표시
- 하락 recall을 높이는 대신 false alarm 증가를 함께 공개
- 은행 업무 해석은 모니터링·사전 점검으로 한정
1. 분석 흐름
데이터 수집부터 모델 검증까지
데이터·전처리
검증 구조
2. 주요 결과
검증 PNG를 그대로 사용한 차트 갤러리
3. 백테스트 탐색기
RF risk-tuned test 예측을 구·월별로 확인
이 탐색기는 새 가격을 입력해 미래를 예측하는 도구가 아니라, 이미 검증된 walk-forward test 구간에서 모델이 언제 하락 경보를 냈는지 되짚어보는 백테스트 화면입니다.
2021 이전은 test 평가구간이 아니므로 예측 마커가 표시되지 않습니다. 경보는 RF risk-tuned 모델의 out-of-sample 하락 예측입니다.
4. 주요 지표 표
CSV 산출물에서 자동 생성
모델 성능 요약
대표 구 사례
5. 자료 다운로드
검증 PNG와 요약 CSV