장기 균형 보정 엔진
부동산 데이터 특유의 비정상성(단위근) 문제를 극복합니다. 예측이 장기 균형 궤도에서 이탈하면 계량경제학 기반 오차 보정 메커니즘이 개입해 실제 궤도로 재정렬합니다.
1. 미학습 데이터 시계열 검증 결과
연구 다수가 보고하는 R² 0.9+ 는 학습 데이터 안에서 측정한 값입니다 — 미래를 맞추는 미학습 데이터 검증 과는 의미가 달라요. APT Insights 는 2024년 이후 학습에 한 번도 쓰지 않은 데이터로 측정한 실측 결과를 그대로 공개합니다 (아래 학술 수치는 비교가 아닌 참고 문헌).
| 연구 출처 | 알고리즘 · 검증 방식 | 오차율 (MAPE) | 설명력 (R²) |
|---|---|---|---|
| 김이환 외 (2022) | 랜덤포레스트 / 인공신경망 (ANN) Test 8:2 학습 데이터 내부 검증 |
RF 우수 (학습 내부) | RF 우수 (학습 내부) |
| Shi (2023, 베이징) | LightGBM 다요인 미학습 데이터 시계열 검증 |
— | 0.530 |
| Alvin MFM v26 | 다변량 하이브리드 · 전체 가격대·구간 평균 미학습 데이터 시계열 검증 |
7.67% | 0.95 |
김이환 외 (2022)
MAPE
RF 우수
R²
RF 우수
Shi (2023, 베이징)
MAPE
—
R²
0.530
Alvin MFM v26
MAPE
7.67%
R²
0.95
R² 0.95 · MAPE 7.67% 는 전체 가격대·예측 구간을 합친 보수적인 평균값 이에요 (2024년 이후 미학습 데이터 실측 기준). 이 R² 는 실제 거래값과 예측가 를 직접 비교한 결과로, 사용자 화면에 보이는 정확도와 같은 의미입니다.
학술 비교용 보정 지표 (단지마다 다른 가격대 영향을 표준화한 값) = 낙폭률 보정 R² 0.758. 같은 방식으로 측정한 학술 최상위권 모델 (Shi 2023, R² 0.53) 대비 큰 폭으로 우위입니다.
학습 단계별 정확도 (학습용 / 검증용 데이터 각각): 학습용 R² 0.604 · 검증용 R² 0.758 · 검증용 R² (장기 보정 적용 전) 0.606. 검증용 정확도가 학습용을 초과한다는 점에서 과적합(over-fitting) 위험이 낮습니다.
진짜 강점 — 중장기 예측 (실거주 주타깃)
1~1.5년 뒤를 맞추는 것이 진짜 가치예요. 데이터가 충분히 갖춰진 실거주 주타깃 (중저가~중가) 단지군의 16년치 미학습 데이터 검증 세부 결과:
실거주 주타깃 · 1년 예측 핵심 구간
이사·전세만기 주기와 일치하는 시점 · 중가 단지군
R²
0.80
MAPE
4.81%
전체 평균 MAPE 7.67% 대비 절반 수준 (-2.86%p) · 실거주 주타깃 단지군은 거래량이 안정적이고 매수 의사결정 주기와 잘 맞아 검증 신뢰도가 매우 높습니다
전체 평균 (검증 단지 전수 · 예측 시점별):
6개월
R² 0.97
MAPE 6.86%
12개월
R² 0.95
MAPE 7.67%
18개월
R² 0.86
MAPE 11.27%
미학습 데이터 실측: 6개월 MAPE 6.86% · 12개월 MAPE 7.67% · 18개월 MAPE 11.27%. 가까운 시점일수록 정확하고 멀어질수록 신뢰도가 낮아져요 — 2년 시점은 신뢰구간 폭이 약 ±15% 로 매우 넓어 점 예측의 의미가 제한적입니다. 초고가·외곽 단지 는 거래 데이터가 희박해 오차가 더 커지므로, 통계적으로 불안정한 세부 가격대는 과장 방지를 위해 표시하지 않아요.
백테스트와 실제 예측은 같은 방식입니다
위 백테스트는 기준일 그 시점까지의 정보만 가지고 1년 뒤 가격을 예측한 결과예요. 즉 미래의 거시·구조 지표값을 미리 알고 맞춘 게 아니라, 지금 시뮬레이션·아파트 상세에서 사용자가 보는 예측과 완전히 동일한 조건으로 측정했습니다. 미래 시점의 자료를 들여다보지 못하도록 모델 안에서 차단해 두었어요. 그래서 위 정확도가 실제 예측 신뢰도의 직접적인 기준이 됩니다.
그래서 APT Insights 는 단일 숫자만 보여주는 대신, 조절 가능한 6개 거시 지표와 다양한 가상 시나리오로 '금리 +1%p', '환율 1,500원' 같은 미래의 여러 경우의 수를 직접 돌려볼 수 있게 합니다 — 백테스트가 검증한 모델로 사용자가 직접 미래 가설을 입력해 분포를 보는 구조예요.
전체 평균 vs 실거주 주타깃 (18개월 이내 예측)
설명력 R² (높을수록 좋음)
평균오차 MAPE (낮을수록 좋음)
실거주 주타깃 = 실거래·입지 데이터가 충분히 갖춰진 중저가~중가 단지(서비스가 실제로 잘 커버하는 구간) · 16년치 미학습 데이터 검증 기준.
2. 사용자가 직접 검증 — 과거 시점 예측 즉석 재현
보통 예측 검증은 미래 예측을 박제해 두고 실거래가 쌓일 때까지 수개월~수년을 기다려야 신뢰를 확인할 수 있습니다. APT Insights 는 여기에 더해, 누구나 과거 임의 기준일 (예: 2년 전) 을 골라 그 시점 예측을 현재 운영 모델 그대로 (장기 균형 보정까지 포함) 즉석 재현하고, 실제 그 후 체결된 실거래와 바로 대조할 수 있습니다.
예측이 빗나갔다면 어떤 거시 지표가 그 사이 얼마나 변해 오차에 기여했는지까지 분해해 보여줍니다 — 실적이 쌓이길 기다리지 않고도 모델 정확도를 직접 확인하는, 사용자 관점에서 훨씬 직관적인 검증입니다. (정직성: 거시 지표는 과거 시점으로 복원되지만 지역·단지 입지는 현재값 기준이라 그만큼 오차가 있을 수 있음을 화면에 명시합니다.)
시뮬레이션 화면의 '예측 정확도 검증' · Trial 이상.
3. 시중 프롭테크 AVM 모델 한계 돌파
현재 시장의 부동산 AI 앱·자동가치산정모형(AVM) 다수는 도출 과정이 불투명한 블랙박스 구조로 거시 충격에 취약합니다. APT Insights는 이 구조적 한계를 정면 돌파합니다.
| 비교 항목 | 기존 프롭테크 AI · AVM | APT Insights |
|---|---|---|
| 모델 투명성 (XAI) | 결과만 제시하는 블랙박스 왜 올랐는지 이유 불명 |
수식 기반 화이트박스 + LLM 리포트 가격 변동 원인·인과 서술 |
| 거시 충격 대응력 | 단순 과거 가격 추세 외삽 |
거시·구조 요인 동적 시뮬레이션 "금리 1%p 인상 시" 즉각 반영 |
| 예측 안전성 (Risk) | 단일 가격 점 예측 변동성 발생 시 신뢰도 급락 |
확률적 신뢰 구간 80% 확률 X억~Y억 (적중률 88.9%) |
| 최종 산출물 | 앱 내 단순 차트·대시보드 |
전문가형 서술 애널리스트 리포트 |
모델 투명성 (XAI)
기존 AVM
결과만 제시하는 블랙박스
왜 올랐는지 이유 불명APT Insights
수식 기반 화이트박스 + LLM 리포트
가격 변동 원인·인과 서술거시 충격 대응력
기존 AVM
단순 과거 가격 추세 외삽
APT Insights
거시·구조 요인 동적 시뮬레이션
"금리 1%p 인상 시" 즉각 반영예측 안전성 (Risk)
기존 AVM
단일 가격 점 예측
변동성 발생 시 신뢰도 급락APT Insights
확률적 신뢰 구간
80% 확률 X억~Y억 (적중률 88.9%)최종 산출물
기존 AVM
앱 내 단순 차트·대시보드
APT Insights
전문가형 서술 애널리스트 리포트
단순 회귀를 넘어서는 3대 차별화 엔진
미학습 데이터 검증 전체 평균 MAPE 7.67% · R² 0.95 을 떠받치는 APT Insights 만의 검증된 구조
확률적 신뢰구간 엔진
점 예측의 한계를 탈피합니다. 거시 변수 간 상관성을 반영한 분포 시뮬레이션으로 낙관·중립·비관 대역을 산출하고, 통계적 보정으로 88.9% 적중률의 신뢰구간을 제공합니다.
행동재무학적 요인 통합
시장은 이성적이지 않습니다. 지정학적 리스크와 시장 심리 요인을 모델에 통합해 공포·불확실성마저 수치화. 극단적 하락장에서도 강건한 예측을 제공합니다.
검증된 이론적 토대
이론적 뿌리
노벨상 수상자의 공적분 이론에서 최신 등각 예측까지, 학계가 검증한 방법론 위에 만들어진 모델입니다.
시계열 보정 · 공적분 (VECM)
장기 균형 추세를 잡아내는 후처리 알고리즘의 수학적 뼈대
Engle & Granger (1987)
노벨경제학상 — 공적분(Cointegration) 이론을 창시한 기념비적 논문 (Econometrica)
Gattini & Hiebert (2010)
축소형 VECM 으로 유럽 주택가격 장기 추세 포착 우월성 실증 (ECB Working Paper No. 1249)
Glaeser & Nathanson (2017)
주택가격 외삽(extrapolation) 모델 — 1년 모멘텀 + 5년 평균회귀 패턴의 행동재무학적 근거 (J Financial Economics 126:147-170)
Shi (2023, 베이징)
다변량 LightGBM 미학습 데이터 R² 0.53 — 학계 최상위권 정확도 레퍼런스
APT Insights v24.4+ Clean Pool
VECM β 학습 시 개별 단지의 이상 거래 왜곡을 방지하기 위한 선별적 패널 표본 구성(Selective Panel Sampling) 기법
거시 충격 · 행동재무학
신용 사이클·시장 심리·정책 충격을 수식 안으로
Genesove & Mayer (2001)
주택시장 손실 회피(Loss Aversion) — 매도자가 명목 손실 시 호가를 25~35% 높게 설정한다는 실증. 가격 하방 경직성 + 회복 가속 근거 (QJE 116:1233-1260)
Stein (1995)
다운페이먼트 제약 모형 — 신용 한도가 저가 자산의 하방 민감도를 비대칭적으로 키운다는 이론 (QJE 110:379-406)
Mian & Sufi (2014 · 2018)
신용 사이클·가계부채가 주택가격 폭등·폭락에 미치는 영향 — 부채 압력 하한선 근거
Pyo (2022)
한국 주택시장 sentiment shock — HMCI (주택시장 신뢰지수) 충격이 가격·변동성에 미치는 영향 실증 (KDI Journal)
Soo (2013)
뉴스 미디어 톤으로 매수 심리지수 정량화 — 미국 34개 도시 sentiment 가 2년 이상 가격을 선행 (U Michigan Ross)
Kilian (2009)
스태그플레이션 환경의 유가 (Brent) 충격 계수 산정 (American Economic Review)
APT Insights v25+ Dynamic Recovery
전세가율 약세 및 고금리 환경 하에서 신축/인기 자산의 하방 복원력(Bear Recovery)이 제약받는 비선형적 다운페이먼트 반응 모델
확률 분포 · 등각 예측
단일 점 예측이 아닌 신뢰 구간 — Conformal Prediction 아키텍처
Shafer & Vovk (2008)
Conformal Prediction tutorial — 분포 무관 신뢰구간 이론 (JMLR)
Romano · Patterson · Candès (2019)
Conformalized Quantile Regression — PI 폭 calibration 근거 (NeurIPS)
Tobin (1958)
Tobit 모형 (Censored Normal) — MC 시뮬레이션 극단 쏠림 방지 분포 근거 (Econometrica)
신축 프리미엄 · 자산 수명 주기
거래 부족 신축 단지의 가치 평가 및 경과 연수에 따른 가치 감쇄 메커니즘
이용각 & 최막중 (2012)
신규 분양아파트와 중고아파트의 가격 차이에 관한 실증분석 — 한국 신축 아파트의 가치 프리미엄 및 결정 요인 규명 (국토계획)
Lim & Choi (2020)
한국 신축 아파트 가치 프리미엄(평균 +18%) 분석 및 준공 후 경과 연수(t)에 따른 선형 감쇄(5년차 수렴) 실증
※ 각 문헌은 모델 설계 시 참조한 공개 학술 자료입니다. 인용은 학문적 영감 출처를 명시하기 위함이며, 저자들의 본 서비스 추천·승인을 의미하지 않습니다.
실전 리스크 관리에 직결되는 프로덕션급 설명 가능 AI(XAI)
통계적 곡예로 과거 데이터를 맞추는 연습용 모델이 아닙니다. 설명 불가능한 딥러닝을 배제하고, 다변량 거시·구조·지역 요인을 결합한 화이트박스 모형에 LLM 추론을 덧입힌 하이브리드 AVM 입니다.