DOI QR코드

DOI QR Code

A Study on the Analysis and Prediction of Housing Mortgage in Deposit Bank Using ARIMA Model

ARIMA 모형을 활용한 예금은행 주택담보대출 분석 및 예측 연구

  • IM, Chan-Young (BigData Specialist Dept., Namseoul University) ;
  • Kim, Hee-Cheul (Department of Industrial & Management Engineering, Namseoul University)
  • Received : 2019.04.24
  • Accepted : 2019.06.13
  • Published : 2019.06.30

Abstract

In this study, we conducted a prediction study to qualitatively identify the continuous growth rate that causes problems every year for deposit bank mortgage loans, identify the characteristic factors that could once again stabilize, and come up with measures for future quantitative analysis of mortgage loans and growth trends. Based on data analysis using the R program, which is widely used for big data analysis, the parameters of ARIMA model (0.1,1)(0.1,1)[12] were found to be most suitable. In these indicators, estimates over the next five years (60 months) increased 4.5% on average. However, this has limitations that do not reflect socio-environmental factors, which require further study of these limitations.

본 연구에서는 예금은행 주택담보대출에 대해 매년 문제가 야기되는 지속적인 증가율을 정성적으로 파악하고, 다시 안정세를 보일 수 있는 특성요인을 파악하고자 향후 주택담보대출에 대해 정량적으로 분석하고 증가율 추세에 대한 대책을 마련하고자 예측 연구를 실행하였다. 빅-데이터 분석에 많이 쓰이는 R 프로그램을 활용하여 데이터를 분석한 결과 ARIMA 모형의 모수를 (0,1,1)(0,1,1)[12]로 추정하였을 때, MAPE와 RMSE의 검정 결과 기준으로 가장 최적의 ARIMA 모형인 것으로 나타났다. 해당 모수를 통해 향후 5년 (60개월간)의 추정치를 예측한 결과, 평균 4.5%대의 증가율을 나타냈다. 그러나 이는 사회 환경요인의 요인을 반영하지 않은 예측 값이기 때문에 다양한 사회 환경요인을 활용하여 외부 충격요인에 대한 구조적 모형 연구가 이루어져야 할 것이며, 추후 관련연구들은 이와 같은 한계들을 극복하여 진행될 필요가 있으며 정책적인 활용도를 높이기 위해 많은 실증연구가 이루어져야 하겠다.

Keywords

JBJTBH_2019_v12n3_265_f0001.png 이미지

그림 1. 주택담보대출 월별 변화추세 Fig. 1. Trend of Monthly Housing Mortgage

JBJTBH_2019_v12n3_265_f0002.png 이미지

그림 2. 주택담보대출의 추이 Fig. 2. Trend of Housing Mortgage

JBJTBH_2019_v12n3_265_f0003.png 이미지

그림 3. 예금은행 주택담보대출의 Seasonality, Trend, Random 요소로 시계열 분해 Fig. 3. Time series decomposition of Seasonality, Trend, Random elements of trade volume at housing mortgage

JBJTBH_2019_v12n3_265_f0004.png 이미지

그림 4. Augmented Dickey-Fuller(ADF) 검정 결과 Fig. 4. The result of Augmented Dickey-Fuller(ADF)test

JBJTBH_2019_v12n3_265_f0005.png 이미지

그림 5. 차분과 로그를 취한 후 Augmented Dickey-Fuller(ADF) 검정 결과 Fig. 5. The result of Augmented Dickey-Fuller(ADF)test after difference and log

JBJTBH_2019_v12n3_265_f0006.png 이미지

그림 6. ARIMA 모형의 모수 추정 Fig. 6. Parameter estimation in the ARIMA model

JBJTBH_2019_v12n3_265_f0007.png 이미지

그림 7. 모수 결정 적합성 확인 Fig. 7. confirm assumption about parameter adequacy

JBJTBH_2019_v12n3_265_f0008.png 이미지

그림 8. 2014년부터 2018년 동안 주택담보대출 예측과 실측데이터의 비교 Fig. 8. Comparison of predicted and actual measurements

JBJTBH_2019_v12n3_265_f0009.png 이미지

그림 9. 주택담보대출의 향후 5년 미래 예측 Fig. 9. Forecasting the Future of Housing Mortgage Loans for the Next Five Years

JBJTBH_2019_v12n3_265_f0010.png 이미지

그림 10. 주택담보대출 월별 변화추세 Fig. 10. Trend of Monthly Housing Mortgage

JBJTBH_2019_v12n3_265_f0011.png 이미지

그림 11. 2019년부터 2023년 예측 값의 Seasonality, Trend, Random 요소로 시계열분해 Fig. 11. Time series decomposition of Seasonality, Trend, Random elements of trade volume at housing mortgage forecast of 2013 to 2023

표 1. 주택담보대출의 전년대비 증가율 Table 1. Rate of increase in housing mortgage

JBJTBH_2019_v12n3_265_t0001.png 이미지

표 2. 예금은행 주택담보대출 기초통계 분석 Table 2. The Basic statistical analysis of trade volume at housing mortgage

JBJTBH_2019_v12n3_265_t0002.png 이미지

표 3. 계절 ARIMA 모형 예측 값의 MAPE와 RMSE Table 3. MAPE and RMSE of the seasonal ARIMA model

JBJTBH_2019_v12n3_265_t0003.png 이미지

표 4. 예금은행 주택담보대출 향후 5년에 대한 예측 평균값 Table 4. predicted mean of housing mortgage over the next five years

JBJTBH_2019_v12n3_265_t0004.png 이미지

References

  1. http://www.fnnews.com/news/201902191751021758
  2. https://www.yna.co.kr/view/AKR20190223036000002?input=1195m
  3. Kim Hee Cheul, Hyun-Cheul Shin, "Estimating the Determinants of Loan Amount of Housing Mortgage : A Panel Data Model Approach", korean society of computer and information, Vol.16, No.7, 2011.7.
  4. Kyu Ho Kang, "Mortgage Loan Prediction: Bayesian Machine Learning Approach", KDIC,2018.19.004,pp.99-129
  5. JO Jun-Ho, Byon Je-Seop, Kim Hee-Cheul, "Analysis of Global Shipping Market Status and Forecasting the Container Freight Volume of Busan New port using Time-series Model",Journal of Korea institute ofinformation, electronics, and communication technology,v.10 no.4, 2017
  6. http://www.fnnews.com/news/201902191751021758
  7. http://kosis.kr/search/search.do "KOSIS National Statistical Table"
  8. Chang-Beom Kim, "Forecasting the Seaborne Trade Volume using Intervention Multiplicative Seasonal ARIMA and Artificial Neural Network Model", Journal of Korea Port Economics Association, Vol. 31, No.1,pp.5-20, 2015
  9. https://blog.naver.com/happyrachy/221428771766
  10. https://anomaly.io/seasonal-trend-decomposition-in-r/
  11. http://www.dodomira.com/2016/04/21/arima_in_r/
  12. https://datascienceschool.net/view-notezook/e4b52228ac5749418d51409fdc4f9cef
  13. https://m.blog.naver.com/PostView.nhn?blogId=risk_girl&logNo=220834418182&proxyReferer=https%3A%2F%2Fwww.google.co.kr%2F
  14. Jong-San Choi, "Evaluation of Estimation and Forecast Accuracy on Retail Meat Prices by Seasonal Time Series Models", The korean of food preservation Vol.33,No.1,pp.10-13, 2016
  15. Yoon Yeo Jin, Kim Min Gyu, Lee, Jong Sin "Calculation of Measurement Error and RMSE about Total-station Using Precise Baseline", Journal of the Korean cadastre Information association v.14 no.2 ,pp.99-106,2012
  16. https://www.statisticshowto.datasciencecentral.com/rmse/