Volatility in real estate values greatly impacts the national economy and can also act as a warning signal for financial crises. As such, a wide range of studies have been conducted to accurately estimate the transaction prices of real estate properties. The hedonic price model (HPM) is a long-used methodology for estimating real estate values and is still extensively used across various fields today. It estimates the transaction price based on the structural characteristics and living conditions of the real estate property, as well as the characteristics of the surrounding environment. The HPM is advantageous for analyzing the relationship between the characteristics and price of a property; however, one limitation of the model is that it does not consider the volatility of the real estate market.
To address this, we propose the pseudo self comparison method (PSCM). A pseudo self is defined as a real estate property with mostly the same hedonic features and similar price volatility as the target property. Examples include housing properties with different numbers of stories but the same floor plan, such as apartments and condominiums. The previous transaction price of the pseudo self and changes in the real estate market during the period of previous transaction were used as variables. To compare the proposed model with the HPM, we constructed a dataset of apartment transactions in Seoul and its surrounding region, Gyeonggi, and compared the price estimation results. The proposed technique was able to reduce the mean average percentage error by approximately one-fifth. Moreover, the error in price estimation did not significantly increase even when there was an increase in the volatility in the real estate market, demonstrating the model’s robustness.
Although the PSCM showed high estimation accuracy for real estate prices, it is difficult to apply it to multiplex houses and detached houses, whose hedonic features are distinctive. Therefore, we expanded this approach to develop a generalized PSCM. This method adds a module that searches for pseudo self candidates (PSCs) and a module that searches for similar transactions among the previous transactions of the PSCs. The first module applies a two-step clustering process; an initial cluster is formed based on the locational proximity context, after which a sub-cluster is formed within it based on the price context. For the second module, two previous transactions are matched based on the PSCs and then input into a deep learning-based similar transaction search module, after which the model is trained by predicting the dissimilarity score. Using the two proposed modules, the pseudo self’s previous transactions were selected even for real estate properties with completely different hedonic features, based on which PSCM variables were generated. The newly proposed approach outperformed the HPM in terms of price estimation ability, and the price estimation model combined with the HPM achieved an even higher performance. The results suggest that our proposed method adequately accounts for factors that are not considered in the existing HPM.
To conclude, the proposed PSCM regards property values in the same manner as real estate appraisers while also accounting for changes in the market; however, it also minimizes the subjective interference from the appraiser that is required for the actual evaluation and achieves high price estimation performance using only an automated approach. Therefore, the proposed PSCM is a suitable framework for mass valuation models of real estate properties.
부동산 가치의 변동성은 국가 경제에 미치는 영향이 크고, 금융위기의 신호탄이 될 가능성이 있어 부동산의 실거래가를 정확하게 추정하려는 연구가 광범위하게 이뤄지고 있다. 부동산의 가치를 추정하기 위하여 오래전부터 사용되어 왔으며, 현재에도 광범위하게 다양한 분야에도 활용되는 방법론은 헤도닉 가격 모형이다. 헤도닉 가격 모형은 부동산의 구조적인 특징과 부동산의 주변 환경 및 생활 여건의 특징들에 기반하여 가격을 추정하는 모형이다. 헤도닉 가격 모형은 부동산의 특징과 가격 간의 관계 해석에 강점이 있으나, 부동산 시장의 변동성을 고려하지 못하는 한계점이 있다.
우리는 이러한 한계를 극복하기 위하여 유사 자아 비교 방법를 제안한다. 유사 자아는 부동산의 헤도닉 특징은 대부분이 동일하며, 부동산의 가격 변동성이 유사하게 나타나는 다른 부동산으로 정의된다. 아파트에서 혹은 콘도미니엄과 같은 주택에서 같은 평형이지만 다른 층의 부동산들을 예로 들 수 있다. 우리는 유사 자아의 이전에 거래된 가격을 변수화 하였으며, 그 기간 동안의 부동산 시장의 변화도 변수화를 하였다. 우리가 제안한 모형과 헤도닉 가격 모형에 대한 비교를 위하여 서울과 이를 둘러싼 경기도의 아파트를 대상으로 실거래 데이터 셋을 구성하고 가격 추정 결과를 비교해보았는데, 평균절대비오차를 기준으로 에러를 1/5수준으로 줄일 수 있었으며 부동산 시장의 변동성이 급등하는 시점에도 가격 추정 에러가 크게 증가하지 않는 강인성을 확인할 수 있었다.
유사 자아 비교 방법은 부동산 가격 추정에서의 높은 정확도를 보이지만, 헤도닉 특징이 완전히 다르게 나타나는 연립/다세대 주택, 단독/다가구 주택 등에는 적용하기가 어렵다. 따라서, 우리는 일반화된 유사 자아 비교 방법으로 이전 접근방식을 확장하였다. 이 방법은 유사 자아 후보들을 탐색하는 모듈과 유사 자아 후보들의 이전 거래들 중에서 가장 유사한 거래 1건을 선택하는 유사 거래 탐색 모듈이 추가되었다. 유사 자아 후보들을 탐색하는 모듈은 2단계의 군집화 방법론의 적용을 거치는데 처음은 위치적 근접성을 기준으로 군집을 설정하고, 그 군집내 대상 부동산들을 다시 가격 상황을 기준으로 하위 군집을 설정하는 방식으로 구성되어 있다. 유사 거래 탐색 모듈은 유사 자아 후보들을 기준으로 두 건의 이전 거래를 매칭 후 이를 딥러닝을 기반의 유사 거래 탐색 모듈에 입력을 하면, 모델은 차이 점수를 예측하는 방식으로 학습하게 된다. 제안한 두 모듈을 통하여 헤도닉 특징이 완전히 다른 부동산들에도 유사 자아의 이전 거래를 선정하고, 이를 기반으로 유사 자아 비교 방법의 변수들을 생성하였다. 우리가 추가적으로 제안한 접근 방법은 헤도닉 가격 모형 보다 월등한 가격 추정 능력을 보여주었으며, 헤도닉 가격 모형과 통합하여 가격 추정 모델을 만들 경우에는 훨씬 더 향상된 가격 추정 능력을 보여주었다. 결과를 해석해 볼 때, 우리가 제안한 방법은 기존 헤도닉 가격 추정 모형에서 고려하고 있지 못한 부분을 잘 고려하고 있다고 판단할 수 있다.
결론적으로 우리가 제안한 유사 자아 비교 방법은 부동산 감정평가사들이 하는 것처럼 부동산의 가치를 직접 고려하며 그와 동시에 시장의 변화를 고려하는 모델이지만, 현실 평가에서 필요한 평가자의 주관의 개입을 극도로 최소화하며 자동화된 접근 방법만으로도 높은 부동산의 가격을 추정 능력을 보여준다. 따라서, 우리가 제안한 유사 자아 비교 방법은 부동산 대량 평가 모형에 적합한 프레임워크라고 평가할 수 있다.
