메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Jung Taek Rhee (Yonsei University) Won Bin Ahn (Korea Institute of Science and Technology) Kyong Joo Oh (Yonsei University)
저널정보
계명대학교 자연과학연구소 Quantitative Bio-Science Quantitative Bio-Science Vol.40 No.1
발행연도
2021.5
수록면
31 - 37 (7page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
In this paper, we use the machine learning model to make predictions about the winning bid rate of apartments nationwide. The winning bid rate for apartments should consider various variables. There is a possibility that the existing hedonic priming models might predict uncertain results because of methodological constraints. In this paper, we aim to improve the predictions of apartment auction winning rates by utilizing algorithms such as Random Forest, XGBoost, LightGBM, and DNN, which are robust to problems such as nonlinearity and multicollinearity. A total of 111,232 nationwide apartment auction data were learned and tested from January 2010 to June 2020 by using the data provided by the GG auction and macroeconomic variables collected from KOSIS. In addition, a moving window methodology and an extending window methodology are applied considering by the characteristics of the social science data whose probability structure changes over time. Empirical study shows that the Gradient Boosting models outperforms other models in terms of MAPE, RMSE, MedAE, and AbsMean. There is no significant difference between a moving window methodology and an extended window methodology.
#Real estate #Auction #Forecasting #Machine learning #Deep learning

목차

ABSTRACT
1. Introduction
2. Methodology
3. Data and Methods
4. Data Analysis
5. Conclusion
References

참고문헌 (27)

참고문헌 신청
Ibbotson RG / 1984 / Real estate returns : A comparison with other investments / Real Estate Econ 12:219 google schola 김진희 / 2014 / 우리나라 아파트의 특성과 아파트 가격: 분위회귀분석 / 산업경제연구 27(1):173~195 dbpia Kim HH / 2015 / Determinants of house prices in Seoul auc-tion market / Pac Rim Prop Res J 21:91~113 google schola Sirignano J / 2016 / Deep learning for mort-gage risk / arXiv preprint arXiv:1607.02470 google schola Feng G / 2018 / Deep learning for predicting asset returns / arXiv preprint arXiv:1804.09314 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

Machine Learning Algorithms for Predicting the Returns of IPO Companies
Yeon Ji Choi ,  Hee Soo Lee ,  Kyong Joo Oh Quantitative Bio-Science 2021 .11
XGBOOST 모형을 활용한 부동산 조각투자 가격 예측: 카사 TE 물류센터를 중심으로
이선구 ,  유선종 GRI 연구논총 2024 .02
Prediction of Bidding Rate of Residential Auction Items using Model Stacking
Tae Hyun Pa ,  k ,  Jae Joon Ahn 외 1명 Quantitative Bio-Science 2021 .11
KOSPI200 Index Prediction Using Sequence-to-Sequence based on Denoising Filter and Attention Mechanism
Sang Gyu Lee ,  Hee Soo Lee ,  Kyong Joo Oh Quantitative Bio-Science 2020 .11
머신러닝 기반 음식점 추천시스템 설계 및 구현
최환석 ,  팽전 ,  이우섭 디지털콘텐츠학회논문지 2020 .02

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2021-047-001745516