Heaton Model을 이용한 글로벌 부동산 투자 포트폴리오 구축에 대한 연구

딥러닝 모델을 활용한 글로벌 부동산 투자 포트폴리오 구축을 연구했다.

본 연구는 글로벌 부동산 투자 포트폴리오 최적화를 위하여 딥러닝 기반의 Heaton 모델을 적용하고, 이를 실증적으로 검증함으로써 데이터 기반 투자 전략의 유용성을 제시하였다. 연구 대상은 서울, 뉴욕, 런던, 파리, 도쿄 등 5개 글로벌 도시와 오피스, 리테일, 호텔, 물류, 주거의 5개 부동산 섹터로 구성하였으며, 국가·도시·산업·부동산 카테고리별 107개 이상의 변수로 이루어진 대규모 데이터를 수집 및 전처리하였다. 이러한 복잡한 정보를 Heaton 모델에 학습시켜 비선형 상관관계와 잠재 패턴을 효과적으로 파악한 뒤, 자동 인코더(Autoencoder) 기반 특징 추출을 통해 최적의 포트폴리오 배분 전략을 도출하였다. 모형 검증을 위해 기간 분할 검증(Time-Split Validation)을 실시하여 다양한 시점과 경제 여건에서 모델의 일반화 능력을 점검하였으며, 검증 결과 Heaton 모델을 활용한 포트폴리오는 기존 균등 투자 전략 대비 수익 안정성과 위험 관리 측면에서 우수한 성과를 보였다. 특히 샤프 지수가 개선되고 변동성이 낮아진 점은 본 모델이 글로벌 부동산 자산군 간 복잡한 관계를 정교하게 반영하는 동시에 투자 효율성을 제고함을 입증한다.

본 연구는 글로벌 기관투자자의 자산 배분 전략을 고도화할 뿐만 아니라, 최근 성장하는 RWA(Real World Asset) 기반 디지털 부동산 투자 시장에서 개인투자자 맞춤형 포트폴리오 제안을 위한 실무적 시사점을 제공한다. 이를 통해 전통적 경험적 투자 방식에서 벗어나 데이터 중심의 정량적·과학적 투자 의사결정이 가능함을 확인하였으며, 향후 다양한 시장 및 자산군을 포함한 모델 고도화와 실시간 투자 자문 서비스 시스템 개발을 통해 더욱 안정적이고 효율적인 글로벌 부동산 투자 전략 수립에 기여할 것으로 기대된다. This study aims to optimize global real estate investment portfolios by applying a deep learning-based Heaton model and empirically verifying its effectiveness. We focus on five major global cities (Seoul, New York, London, Paris, Tokyo) and five real estate sectors (office, retail, hotel, logistics, residential).

Leveraging a comprehensive dataset encompassing more than 80 variables—ranging from macroeconomic indicators and urban-level metrics to industry- and property-specific data—we trained the Heaton model to capture complex, nonlinear interrelationships and latent patterns among diversified real estate assets. By employing an Autoencoder architecture, the Heaton model extracts key features from high-dimensional inputs, enabling it to recommend optimal asset allocation strategies that balance returns and risks. To validate the model’s generalization and robustness, a time-split validation framework was applied.

The results demonstrate that the Heaton model-based portfolio consistently outperforms traditional equal-weight investment strategies in terms of risk-adjusted returns, evidenced by improved Sharpe ratios and reduced volatility. This research provides practical insights for global institutional investors seeking to refine their real estate asset allocation strategies, as well as for individual investors entering the rapidly growing RWA (Real World Asset)-based digital real estate investment market.

By shifting from traditional, experience-driven decision-making to a data-driven, quantitative approach, this study highlights the potential of AI-driven models to enhance both portfolio stability and long-term investment efficiency. Future research will explore extending the dataset, integrating additional asset classes, and developing real-time advisory systems, thereby contributing to more stable and efficient global real estate investment decision-making.