딥러닝 모형을 활용한 부동산 조각투자 가격 예측 : 리츠와의 비교를 중심으로

부동산 조각투자 가격을 예측하고 리츠와 비교했다.

본 연구는 블록체인 분산원장 및 스마트컨트랙트 기술을 이용한 부동산 조각투자 플랫폼 서비스의 도입에 따른 국내 토큰증권(Security Token Offering: STO)의 시장 변화와 예측 모델을 분석하였다. 또한 이 연구는 부동산 조각투자 상품의 가격 예측을 위해 LSTM(Long Short-Term Memory) 모형, XGBOOST(eXtreme Gradient Boosting) 모형, VAR(Vector AutoRegressive) 모형을 비교 분석하여 예측 성능과 적용 가능성을 평가하고자 하였다. 분석 및 평가에 이해를 돕기 위해 리츠(REITs, 부동산투자신탁) 시장의 예측 모델도 같이 비교 분석하였다. 먼저, LSTM 모형을 활용한 데이터 분석에서는 거래량, 시가, 고가, 저가 및 종가의 5가지 기술적 변수를 사용하여 높은 예측력을 나타냈다. LSTM 모형의 Box Plot 분석 결과 리츠에서는 코람코더원리츠가 안정적인 투자 대상으로 나타났으며, 토큰증권 중에서는 TE 물류센터가 안정적인 예측 결과를 보여주었다. 거시경제 변수를 추가한 확장 모델에서는 토큰증권과 리츠에서 예측 성능에 큰 차이가 없었다. XGBOOST 모형을 활용한 예측에서는 전반적으로 높은 예측력을 보 였으며, 리츠와 토큰증권의 오차 기술 통계량 분석 결과, 토큰증권이 리츠보다 변동성이 높았다. 그러나 두 그룹의 예측 패턴은 비슷한 범주에 속하였다.

리츠 상품은 5개 변수를 사용한 예측이 8개 변수를 포함한 예측보다 다소 정확했으나 거시경제 변수가 예측 성능에 미치는 영향은 미미함을 나타냈다. 다음으로 VAR 모형을 활용하여 기술적 변수와 거시경제 변수를 통합한 예측 모델을 구축하였다. 거래량, 시가, 고가, 저가, 종가의 5가지 기술변수로 구성된 VAR 모형은 단위근 검정과 차분 과정을 통해 안정성을 확보하였으며, Box-Ljung 검정에서 모든 상품의 잔차에 자기상관 이 없음을 확인하였다. 리츠는 토큰증권에 비해 예측 오류 범위가 좁고 안정적인 예측 결과를 보여주었다. 특히, 미래에셋맵스리츠는 안정적인 중앙값과 평균을 기록하며 모델의 신뢰성을 입증하였다. LSTM과 XGBOOST 모델을 비교한 결과 부동산 조각투자 토큰증권의 예측에는 LSTM이 적합하며 리츠는 XGBOOST가 최적의 선택임을 확인 하였다. 이는 각각의 모델이 특정 상품의 특성에 따라 예측 성능이 다름을 보여준다. VAR 모형과 LSTM 네트워크를 비교한 결과 5개의 기술적 변수를 사용한 경우 부동산 조각투자 토큰증권에서는 VAR와 LSTM 모형 간의 예측 성능이 유사하였으나 리츠에서는 VAR 모형이 LSTM보다 우수한 예측력을 보여주었다. 8개 변수로 확장한 경우 토큰증권에서는 LSTM이 VAR보다 나은 예측력을 나타냈으며, 이는 LSTM이 복잡한 비선형 관계를 효과적으로 학습함을 시사한다.

반면, 리츠에서는 VAR 모형이 우수한 예측력을 보였다. 본 연구는 LSTM, XGBOOST, VAR 모델을 활용한 실증분석을 통해 부동산 조각투자 상품의 가격 예측에서 각 모델의 효율성과 한계를 체계적으로 규명하였다. 부동산 조각투자 토큰증권과 리츠의 시장 구조와 규제의 차이가 투자 전략 수립에 미치는 영향을 확인하였으며, 각각의 예측 모델이 각 시장 특성에 맞게 효과적으로 적용될 수 있음을 입증하였다. 결론적으로 본 연구는 부동산 조각투자 토큰증권과 리츠 시장에서 LSTM, XGBOOST, VAR 모델을 통해 시장 변동성을 예측하고 효과적인 투자 전략을 수립하는데 중요한 인사이트를 제공하였다. 이는 부동산 시장의 복잡한 패턴을 이해하고 분석하는데 기여하며 이론과 실무 간의 간극을 줄여 더 깊은 시장 이해와 예측의 정확도를 높이는 데 큰 역할을 할 것으로 기대된다. This study analyzed market changes and prediction models for Security Token Offerings (STO) in South Korea, introduced through a real estate fractional investment platform service utilizing blockchain distributed ledger and smart contract technology.

Additionally, this research aimed to evaluate the predictive performance and applicability of the VAR (Vector AutoRegressive) model, LSTM (Long Short-Term Memory) model, and XGBOOST (eXtreme Gradient Boosting) model by comparing them for forecasting the prices of real estate fractional investment products. To aid in analysis and evaluation, prediction models for the REITs (Real Estate Investment Trusts) market were also compared and analyzed. First, time series data analysis using the LSTM model demonstrated high predictive power by employing five technical variables: trading volume, opening price, highest price, lowest price, and closing price.

Box plot analysis of the LSTM model results showed that Koramco The One REITs were stable investment targets, while the TE Logistics Center among security tokens exhibited stable predictive outcomes. The extended model, which included macroeconomic variables, showed no significant difference in predictive performance between security tokens and REITs. The XGBOOST model also exhibited high predictive power overall. An analysis of the error technical statistics of REITs and security tokens indicated that security tokens had higher volatility than REITs. However, the predictive patterns of both groups fell into similar categories.

For REIT products, predictions using the five variables were more accurate than those including eight variables, indicating that macroeconomic variables had a minimal impact on predictive performance. Next, a predictive model integrating technical and macroeconomic variables was constructed using the VAR model. Composed of the five technical variables—trading volume, opening price, highest price, lowest price, and closing price—the VAR model ensured stability through unit root testing and differencing processes. The Box-Ljung test confirmed that there was no autocorrelation in the residuals of all products.

REITs demonstrated a narrower prediction error range and more stable predictive results compared to security tokens. Specifically, Mirae Asset Maps REITs recorded stable median and mean values, proving the model's reliability. Comparing the LSTM and XGBOOST models, it was found that LSTM was suitable for predicting real estate fractional investment security tokens, while XGBOOST was the optimal choice for REITs. This indicates that the predictive performance of each model varies depending on the specific characteristics of the products.

When comparing the VAR model and LSTM network, using the five technical variables, the predictive performance for real estate fractional investment security tokens was similar between VAR and LSTM models. However, for REITs, the VAR model demonstrated superior predictive power over the LSTM model. When expanded to include eight variables, LSTM showed better predictive performance than VAR for security tokens, suggesting that LSTM effectively learns complex nonlinear relationships. Conversely, the VAR model exhibited superior predictive power for REITs.

The sharp decline in closing prices around October 2022 was attributed to the increased borrowing costs and decreased investor sentiment due to the Lego incident, which reduced real estate transactions. Through empirical analysis using LSTM, XGBOOST, and VAR models, this study systematically identified the efficiency and limitations of each model in predicting the prices of real estate fractional investment products. It confirmed the impact of differences in market structure and regulation between real estate fractional investment security tokens and REITs on investment strategy formulation.

Additionally, it demonstrated that each prediction model could be effectively applied to the characteristics of each market. In conclusion, this study provided significant insights into predicting market volatility and formulating effective investment strategies in the real estate fractional investment security toke