With Fin-Tech emerging as a key factor for innovation in the financial sector, there are constant attempts to predict the price of individual real estates objects using machine learning and deep learning methods in the real estate appraisals. However, many papers point out that the application of machine learning and deep learning, which are currently actively attempted in real estates appraisal, can be difficult for items that do not have much transactions or have insufficient volume, as they require learning phase. This paper proposes ways to create variables and incorporate them into machine learning and deep learning models using market sales comparison approach, one of the methods of real estates appraisal. This improved the overall accuracy of apartment price prediction and the accuracy of low-volume items, and confirmed that these tendencies work effectively for the real estates price prediction in areas with high price volatility.
핀테크 기술이 금융권의 새로운 혁신 성장 동력으로 떠오르고 있는 가운데, 부동산 감정분야에도 기계학습과 딥러닝 방식을 이용한 개별 물건의 가격 예측 시도가 지속적으로 존재한다. 하지만 현재 감정평가에서 활발히 시도 되고 있는 기계학습과 딥러닝을 활용한 방식은 기본적으로 학습을 필요로 하기 때문에 거래가 없거나 거래량이 부족한 물건의 경우 기계 학습의 적용 자체가 어려울 수 있다는 점이 여러 논문에서 한계로 지적되고 있다. 본 학위논문에서는 감정평가 방법 중 하나인 거래사례 비교법을 이용해 변수를 생성하고 이를 기계학습 모델과 딥러닝 모델에 통합하는 방법을 제안한다. 이를 통해 전반적인 아파트 가격 예측의 정확도와 거래량이 부족한 물건에 대한 정확도를 향상을 보였으며 이러한 양상이 가격 변동성이 심한 지역에서도 효과적으로 작동함을 확인했다.
