PDF Download
PubReader
Export Citation
Email the Author
Share Facebook
Share Twitter
Cited by 0 Article
Metrics (View:8,025)
Ⅰ. 서 론
저금리·저성장에 따라 국내외 부동산 간접투자 상품으로서의 부동산펀드에 대한 관심이 높아지고 있다. 국내외 증시 흐름이 불안한 가운데 부동산 간접투자 상품인 부동산펀드는 기관 뿐 아니라 개인 투자자들에게도 투자 포트폴리오 구성에 있어 안정적인 수익이 기대되고 있기 때문이다.
주식과 채권 모두 투자전망이 불확실한 상황 하에서 대체투자수단으로 부동산간접투자가 연기금 등 기관투자자들을 중심으로 투자가 집중되고 있다.1)
부동산간접투자의 증대와 자본 시장에서의 강력한 영향력으로 인한 시장의 공개요구로 언론의 불균형 또한 심화되고 있다.2) 이러한 언론의 부동산펀드에 대한 판단은 국내 자본시장 및 부동산시장에 있어 유동화 및 파생을 통한 부동산간접투자 증대에 있어 위험성 판단에 장애요인으로 작용할 수도 있는 경향을 내포하고 있다.
국내에 판매되는 부동산펀드 판매상품 중 해외부동산펀드 상품의 비중이 급증하고 있다. 해외 부동산 펀드 대부분은 투자위험등급이 1~2등급(매우높은 위험~높은 위험)이다. 환율과 금리 변동에 따라 마이너스 수익을 낼 수도 있다.3)
일반적으로 투자자들은 고수익의 성취에 대한 관심보다는 자신의 돈을 잃는 것에 더 민감한 반응을 나타내는 것처럼 보인다.4)
국내외 부동산펀드는 수익에 비하여 위험성 또한 높다. 부동산 펀드 특성상 환매가 어려워 장기간 자금이 묶일 가능성은 감안해야 한다. 매각시점의 악재로 부동산가격이 떨어지며 오랜 기간 동안 투자금이 동결되는 피해를 볼 수 있다. 또한 부동산펀드 상품들이 투자하는 부동산이 금리 인상 등 변동 요인으로 큰 손실을 볼 우려가 있다.
본 연구는 국내외 부동산펀드 상품군의 위험 특성을 분석하여 가장 높은 위험등급인 1등급 위험(risk)의 분류분석 결과를 바탕으로 투자 기관 및 개인들로 하여금 투자상품 선별에 조력을 주어 위험을 최소화하여 손실을 최소화시켜 수익성을 극대화 시키고자 하는데 연구의 주된 목적을 두었다.
본 연구는 분류분석을 통한 부동산펀드 위험 특성을 예측하기 위하여 국내외 투자상품 402개의 펀드 판매사들의 실적데이터를 데이터마트로 구성하였다. 부동산펀드 상품들의 예측모형 판단의 기간은 최근 3년간의 기준을 2017.11월말(2014년 12월~2017년 11월)로 하여 1년 단위로 하였다. 이를 통해 투자가치 판단을 위해 정제된 데이터마트를 구성하여 데이터마이닝을 활용한 기계학습 예측분석을 실시한다. 이러한 데이터마이닝을 활용해 예측력을 확보하여 부동산펀드의 투자특성을 분석한다.
국내 자산운용사가 판매사를 통하여 판매한 부동산펀드 상품 위험 판단을 통한 투자성과 예측을 위하여 데이터마이닝을 이용한 기계학습 분석으로 서포트벡터머신(SVM), 로지스틱회귀분석(LR), 의사결정나무(C5.0), 인공신경망(ANN)을 실시하였다.
선행연구 및 기초이론검토를 통하여 부동산펀드 투자 위험 관련 선행연구를 분석하여 본 연구와의 차별성을 부각시킨다. 또한 자산운용사의 부동산펀드 투자 현황 및 투자수익률을 확인하여 대체투자로서 부동산펀드의 투자성과를 평가한다.
실증분석은 국내 자산운용사 및 판매사의 국내 부동산펀드 투자 실적을 원데이터로 하여 데이터마이닝 분류분석을 이용한 펀드투자 위험 특성 예측 분석을 실시한다.5) 이를 위해 분류의 정확도 분석을 실시하고 정분류율을 통한 예측력 확보를 바탕으로 종속변수인 투자성과에 중요한 영향을 미치는 독립변수를 검증한다.
분석 데이터 마트 구성을 위한 원시데이터는 금융투자협회 데이터를 참조하였다. 국내외 부동산펀드의 위험 특성 비교분석을 위하여 금융투자협회 국내외 부동산펀드 판매 데이터6)를 활용하였다.
데이터마이닝 분류분석 위험예측에 활용한 실증분석 프로그램은 SPSS22.0, SPSS Modeler를 활용하였다.
실증분석 연구모형으로는 인공신경망(ANN), 서포트벡터머신(SVM), 로지스틱회귀분석(LR), 의사결정나무(C5.0) 모형을 활용하여 분류의 정확도와 예측력을 비교분석하였다. 이에 대한 모형도식은 <그림 1>과 같다.
Ⅱ. 선행연구 및 분석방법
국내의 선행연구는 주로 리츠 또는 부동산펀드의 다른 자산과 함께 포트폴리오를 구성할 경우 리스크는 낮추고 수익률은 안정화시키는 포트폴리오 효과를 논증하거나 거시경제변수가 리츠 수익률 또는 부동산펀드 수익률에 어떠한 영향을 끼치는지를 연구한 논문이 주류를 이루었다.7) 부동산간접투자상품에 대한 선행연구로서의 부동산펀드에 관한 선행연구는 부동산펀드 성과요인, 수익률 영향 요인에 관한 연구가 주류를 이루고 있다. 선행연구를 종합하면 부동산펀드의 성과는 거시경제요인과 투자대상 부동산의 특성을 비롯하여 펀드운영자의 능력 등 제반 영향요인들이 복합적으로 작용한 결과라고 볼 수 있다.
김종원(2013)8), 김은주(2010)9)를 비롯한 다수 연구자들이 부동산펀드와 거시경제지표와의 관련성을 연구하였다. 이경순(2010)10)은 2009년 10월 기준 리츠와 부동산펀드 가운데 임대형 자산(오피스, 상업용)에 투자한다. 설립 후 6개월이 지난 상품 중 자료를 구할 수 있는 공모형 리츠 10개, 사모형 리츠 14개, 부동산펀드 7개를 대상으로 배당수익률 결정요인을 분석하였다. 보수운용비율, 운용기간, 부동산 개수, 총자산의 크기가 영향을 미친다고 하였다. 김재훈(2008)11)은 리츠의 자기자본수익률의 지표인 배당률과 유의한 관계가 있는 독립변수로 LTV, 연간이자율, 자산관리회사, 부동산 종류, 리츠의 종류임을 실증하였다. 장용삼 외 2인(2011)12)은 리츠와 타 금융자산의 수익-위험 분석을 통해 리츠의 특성을 확인하였다.
해외 선행연구에서 David Enke(2005)13)는 데이터 마이닝을 위한 기계학습에 사용되는 정보획득 방법을 소개하였다. 다수의 금융 및 경제변수의 예측 관계를 평가하였다. 수준 추정 및 분류를 위한 신경망 모델이 효과적인 미래 가치 예측을 위해 조사되었다.
K.C.Tseng(2010)14)은 ‘데이터마이닝을 활용한 금융주식 예측’ 연구에서 주가의 예측을 위한 예측의 정확성을 증가시키기 위해 인공신경망(ANN)과 OLS모형을 비교하였다.
본 연구의 기존 선행연구와의 차별성은 기존 부동산펀드 관련 선행연구들이 부동산펀드의 성과요인 및 수익률 영향요인 분석이 위주였으나 자산운용사 및 판매사를 통하여 실무에서 투자된 부동산펀드 상품 실적 실무 데이터를 바탕으로 데이터마이닝 분류분석 기법을 활용한 위험 특성 예측에 중점을 둔 연구라는 점이다.
부동산투자에서의 위험이란 부동산투자를 통해 장래 발생하는 수익의 변동성을 말한다.15) 부동산펀드 투자 등 투자의 경우에 어떤 투자로부터 미래에 얻을 수 있는 결과를 확실하게 알지 못하는 상황을 불확실성(uncertainty) 또는 위험(risk)이 있는 상황이라 한다.16)
부동산펀드(real estate fund)는 다수 투자자로부터 자금을 모아서 공동기금을 조성하여 전문적인 투자기관에 맡겨 부동산, 부동산과 관련한 대출 및 유가증권 등에 투자하여 운용성과에 따라 수익을 분배하는 투자신탁(business trust), 투자회사(corporation) 또는 간접투자상품을 말한다.17) 부동산펀드는 투자수익률이 고정되어 있지 않고 불확실하며 원금손실을 가져올 수 있는 위험성을 가지고 있다.
펀드는 1~5등급으로 투자위험 수준이 나뉘는데 보통 1등급이 가장 기대수익률이 높으나 원금손실 위험도 가장 큰 상품이다. 위험등급별 펀드유형은 1등급~5등급으로 구분되어 있다. 위험등급 1등급펀드에는 1년 만에 필요한 돈을 투자해서는 절대 안된다. 부동산펀드는 일반적으로 3등급 중간 위험을 구성한다. 가장 위험도가 높은 위험 1등급의 기준은 변동성 25%이상이다.18)
증권화된 부동산상품에 대한 간접투자는 부동산을 소유하지 않으면서 투자하는 형태로서 부동산 직접투자에서 발생할 수 있는 각종 위험요소를 크게 감소시킬 수 있다.19) 부동산 증권화 상품은 부동산자체가 가지고 있는 위험을 금융자체의 위험으로 바꾸어 상품화하고 있다. 부동산펀드는 실물자산이 금융자산화하면서 부동산고유의 리스크20)와는 다른 새로운 위험이 발생하게 되었다.
부동산펀드는 그 대상이 되는 프로젝트 사업성의 불확실성에서 오는 위험을 피할 수 없다. 이러한 불확실성이야말로 높은 수익률을 제공할 수 있는 기회요인이기도 하다.
리츠의 주요한 3가지 유형으로는 지분형(Equity Trusts), 저당대출형(Mortage Trusts), 혼합형(Hybrid Trusts)이 있다. 지분형이 보유하고 있는 자산과 저당대출형이 보유하고 있는 자산의 차이는 명확하다. 지분형은 부동산에 대한 소유권 지분을 취득하는 반면, 저당대출형은 부동산저당대출채권을 매수하여 부동산 지분 소유자보다 선순위의 저당채권자가 된다. 두 가지 형태의 펀드의 장점을 결합하는 더욱 복잡한 투자 형태가 발전하였는데, 이를 혼합형 펀드라고 한다.21)
저당대출형에 있어서는 향후 일반적인 대출형의 경우 보다 수익 참여도가 높은 메자닌금융이 활성화될 것으로 본다.
펀드수익률은 운영성과를 나타내는 지표로 일정기간 동안 기준가격이 얼마나 증감했는지를 나타낸다.22) 부동산펀드가 공시하는 자료들은 다양한 정보를 제공한다. 이러한 자료들에는 부동산펀드들이 소유하고 있는 부동산가치를 정확하게 제공해 주지 않는다. 이와 관련된 합리적인 해결책은 일반인이 생각하는 것보다 어려운 작업이다.23)
펀드평가 모형으로는 첫째, 순자산가치모형이 있다. 펀드 기간수익률이란 <(종료일 수정기준가 - 시작일 수정기준가)/시작일 수정기준가*100(%)>로 계산 한다. 리츠 및 부동산펀드 모두 주로 개인들이 직접 투자하는 주택보다 오피스 등 상업용 부동산에 투자한다. 둘째, 소득승수모형(Income(FFO) Multiple)이 있다. 셋째, 고든 모형(Gorden Dividened Discount Model)이 있다. 이 모델에서 주식의 가치는 차기배당금(D1)을 요구수익률(K)과 배당성장율(G)의 차로 나눈 값이다.
펀드는 한 상품에만 투자하기 보다는 여러 상품에 나누어 투자하는 것이 현명하다.원금 손실이 발생해도 수익이 회복되기를 기다렸다가 만족할 만한 수익을 올렸을 때 환매할 수 있을 정도로 여유가 있는 자금인지 확인한 후 투자하는 것이 바람직하다.
공모부동산펀드 시장에 비하여 사모부동산펀드 시장의 성장세가 높은 가운데 기관투자자가 국내외 부동산에 대한 투자를 늘리고 있으며 2010년 이후 해외부동산펀드에 대한 투자가 커지고 있다.24)
2004년 도입된 부동산펀드는 수탁고 8,610억 원, 2005년 2조 5,609억 원 2006년 4.1조 원으로 태동하였다. 꾸준히 성장하여 2012년 말 19조 9051억 원, 2016년 10월말 현재 43.6조 원의 펀드수탁고를 기록하고 있다.
| 년도 | 주식 | 채권 | 부동산 | 합계 |
|---|---|---|---|---|
| 2012 | 1,118 | 345 | 14 | 3,261 |
| 2013 | 1,100 | 324 | 16 | 3,310 |
| 2014 | 1,161 | 335 | 21 | 3,448 |
| 2015 | 1,216 | 343 | 19 | 3,746 |
| 2016 | 1,147 | 349 | 20 | 3,608 |
Ⅲ. 분석자료 및 수익률 추정
데이터마이닝은 모형의 타당성 평가를 위하여 데이터를 훈련데이터(training data)와 평가데이터(test data)로 구분한다.25) 훈련데이터는 모델을 생성하는데 이용되고, 평가데이터는 최종적인 평가를 수행하는데 사용된다. 본 연구에서는 훈련 데이터 80%, 검증용 데이터 10%, 평가데이터 10%로 나누어 분석을 실시하였다.
본 연구에서는 국내외 부동산펀드의 수익률 예측분석을 위하여 분류모델(Classification Model)을 통하여 예측의 정확도를 확인하였다. 이러한 예측의 정확성을 바탕으로 펀드 판매사별 부동산펀드로 판매된 최근 3년(2014~2017년) 사례(402N, 매우큰위험의 펀드(1)-230N, 매우큰위험이 아닌 펀드(0)-172N)하여 위험(Risk) 특성을 분류 분석한다. 분류모델에 사용된 이론을 살펴보면 다음과 같다.
신경망(Neural Network)은 뇌구조에 영향을 받았다. 신경망모형((Neural Network Model)은 생물학적 신경망의 구조로부터 착안된 학습 알고리즘으로서, 특히 입력 값을 바탕으로 잠재변수를 만들고 잠재변수를 기반으로 출력 값을 예측하는 비선형구조를 가지는 모형이다.26) ANN은 SVM같이 블랙박스 알고리즘이다. 그래서 뉴런의 이동과 데이터 변이의 구조와 메카니즘은 매우 복잡하고 독창적이지 않다.
뉴런의 기능과 활동 구조식은 다음 (식 1)과 같다.
신경망에 있어서의 신경은 정보가 통과하는 다층 구조로 하나의 Input layer, 하나 또는 그이상의 Hidden layer, 그리고 Output layer로 되어 있다. 다계층 신경망은 위에서 언급한 바와 같이 전의 계층의 신경으로부터 데이터를 얻는다. 조작된 데이터는 다음의 Hidden layer 혹은 Output layer의 신경에 전달되어졌다.27)
SVM(Support Vector Merchine)은 비선형분류 알고리즘 중 하나로 가장 효율적이고 유연한 방법 중 하나이다. 초월평면에 가장 근접한 인스턴스들을 Support Vector라 부른다. 선형모델의 최대 단점은 클래스 간의 선형경계 밖에 표현하지 못한다는 점이다.28)
예측이 정확하고 여러 가지 형태의 자료에 대하여 적용이 쉽지만 확률 추정 값을 요구하는 분야에는 잘 사용되지 않는다.29)
SVM은 서포트벡터 분류를 의미한다. 또한 분류문제뿐 아니라 회귀문제도 적용가능하다.
두 개의 클래스를 분리하는 초월 평면을 다음 (식 2)와 같은 방정식으로 표현할 수 있다.
최대 마진 초월평면은 클래스를 가장 많이 분리하는 평면에 해당하며 다음 (식 3)과 같다.
로지스틱회귀분석(Logistic Regression, LR)이 선형회귀분석과의 가장 큰 차이점은 타겟 가치의 규모이다. 선형회귀분석은 종속변수가 범주형 변수일 때 이를 처리하기에 부적합하다. 그래서 다른 접근방법이 요구되는데 이것이 로지스틱회귀분석이다. 중심아이디어는 종속변수 자체를 예측하는 대신 가능한 결과의 가능성을 예측하는데 회귀모형의 변환을 수행하는 것이다. 이 모형이 바로 “LR 모델”이다.30)
로지스틱회귀분석은 어떤 사건이 발생하는지 안하는지를 직접 예측하는 것이 아니라, 그 사건이 발생할 확률을 예측한다. 따라서 종속변수 값은 0 또는 1사이의 값을 갖는다.
로지스틱 구조는 다음 (식 4)와 같다.
의사결나무모형은 비선형 회귀분석, 비선형 판별분석의 하나로 분류되는데, Tree모형 그자체로서 분류, 또는 예측과정으로 수행되기도 한다.31)
의사결정나무의 분리규칙은 각 마디에서 분리에 사용될 독립변수의 선택과 분리가 이루어질 기준(분리기준)을 의미한다. C5.0은 이익비율 표준을 사용하여 이익 비율이 최대화되는 점에서 데이터의 분할을 선택하는 다지분리 알고리즘이다. 에트로피, 정보이득 개념을 사용하여 분리기준을 결정한다.
pi는 자료(S)내에서 i번째 범주가 차지하는 비율을 말하며, n은 범주의 개수이다.
정보이득은 엔트로피의 감소량이며, 엔트로피가 가장 낮아지는 속성을 찾는것이 목적이다.
Gain(A)자료는 자료(S)를 독립변수(A)의 값에 따라 n개로 나누었을 때 얻게 되는 정보이득이다.32)
분류 또는 예측 모형의 유용성을 판단하고 상이한 모형들을 서로 비교하여 평가를 하는 것이 필요하다. 분류 모형의 성과 평가는 분류 정확도를 통해서 나타난다. 분류 정확도는 분류 결과의 정확성을 평가하여 최적의 분류 모형을 선택하는 방법이다.
분류모형 평가를 통해 분류모형 특성에 따라 예측모형의 정분류율과 변수의 중요도에 차이가 발생하였다.33) 분류모형에 따른 정확도 성능측정의 차이도 이를 설명한다.34) 분류모형별 정확성을 설명실제집단과 모형에 의해 분류한 집단을 비교하여 그 결과를 다음과 같이 <표 3>으로 요약할 수 있다.
A12는 집단1의 데이터가 집단2로 잘못 분류된 수, 올바로 분류된 데이터의 수는 (B11+B22), 잘못 분류된 데이터의 수는 (B12+B21)이다.
분류 모형의 정확도(accuracy)는 전체 데이터의 수 중 올바로 분류된 수의 비율로 정의한다. 오류율(error rate)은 전체 데이터의 중에서 오분류된 수의 비율로 정의한다.
일반적으로 분류모형은 정확도를 최대화 하거나 오류율을 최소화하는 알고리즘을 찾기 위해 노력한다. 여러 분류 모형의 비교 및 평가를 위해서는 리프트차트, ROC 그래프 등을 이용한다.
자산운용사가 투자예정 펀드 포트폴리오에 개별펀드의 위험등급을 5개 등급으로 구분하여 개별펀드의 투자위험을 투자자들이 직관적으로 이해할 수 있도록 하고 있다. 이러한 위험판단의 기준이 되는 펀드의 위험등급을 고위험(1)과 저위험(0)으로 더미변수화하여 종속변수로 하였다.
독립변수는 금융투자협회에서 공시하고 있는 국내외 부동산펀드 자산운용사 및 판매사별 부동산펀드 판매 현황의 항목들을 독립변수로 사용하였다.
세부 독립변수 항목으로는 금융투자협회의 국내외 부동산펀드별 실적데이터 중 순자산총액, 보유자산 금액(주식, 채권, 현금성, 기타를 금액과 비중으로 구분), 기준가격, 1개월 수익률, 6개월 수익률, 1년 수익률, 설정일 수익률, 운용보수, 판매보수, 판매수수료를 독립변수로 하여 펀드의 위험을 예측하였다.
데이터마이닝 분류분석을 통한 국내외 부동산펀드의 위험(1)에 영향을 미치는 독립변수들의 주요 기초통계량은 <표 5>와 같다. 분석결과는 모형전체의 평균, 표준편차, 최대값, 최소값을 나타낸다. 분류분석을 위한 명목변수인 위험의 평균과 표준편차는 0.43과 0.49이었다. 기타 변수(평균, 표준편차) 분석결과는 순자산(165.13, 622.04), 주식비중(4.49, 16.21), 현금비중(3.60, 13.82), 기타비중(91.90, 22.40), 1개월(0.38, 3.53), 6개월(1.27, 15.55), 1년(4.59, 16.89), 설정일(19.30, 34.35), 운용(0.59, 0.36), 보수(0.51, 0.47), 수수료(0.19, 0.44)였다.
예측분석의 분류의 정확도는 다음 <표 6>과 같이 86.82%로 높은 정분류율을 나타냈다. 따라서 인공신경망 모형(ANN)을 활용하여 부동산펀드의 위험(risk)을 예측할 수 있는 설명력이 충분히 확보되었다고 할 수 있다.
ANN을 활용하여 부동산펀드의 위험(risk)을 예측한 결과 예측변수의 중요도는 6mr(6개월수익률)>sp(기준가격)>tasset(순자산총액) 순으로 중요도가 높은 것으로 분석되었다.
예측분석의 분류의 정확도는 다음 <표 7>과 같으며 70.9%라는 높은 정분류율을 나타냈다. 따라서 SVM 모형을 활용하여 부동산펀드의 위험(RISK)을 예측할 수 있는 설명력이 확보되었다고 할 수 있다.
아울러 SVM을 통하여 예측자의 중요도를 분석한 결과 펀드 위험(RISK)에 영향을 미치는 중요도 분류분석 결과 6mr(6개월수익률), rep(보수), 1yr(1년수익률) 순으로 위험(RISK)이라는 종속변수를 설명하는 중요한 변수임이 분석되었다.
0단계의 분류 정확도는 57.2%이며 유의수준 0.004, Wald 8.310, Exp(B) 0.748 이었다. 1단계 분석 결과 전체의 분류의 정확도는 다음 <표 8>과 같으며 65.92%의 정분류율을 보였다. exp(b) >1 일 때 독립변수가 1 단위 증가하면 종속변수의 큰 값이 발생할 가능성이 증가 한다. 이러한 예측의 정확성을 바탕으로 종속변수에 미치는 중요도는 stock비중(주식비중), esc비중(기타비중), cash비중(현금비중), 1mr(1개월수익률) 순으로 분석되었다.
전체의 분류의 정확도는 다음 <표 10>과 같으며 97.76%의 높은 정분류율을 나타냈다. 이러한 예측의 정확성을 바탕으로 종속변수에 미치는 중요도는 1mr(1개월수익률), 6mr(6개월수익률), op(운용보수) 순으로 분석되었다.
분류분석을 통한 연구모형간 분류분석을 통한 위험예측 결과는 다음 <표 11>과 같다.
| 구분 | ANN | SVM | LR | C5.0 |
|---|---|---|---|---|
| 정분류율 | 86.82% | 70.9% | 65.92% | 97.76% |
| 예측변수의 중요도 | 6mr>sp>tasset | 6mr>rep>1yr | esc>1mr | stock>esc>cash |
위의 결과를 종합해 보면 부동산펀드의 위험 예측에 가장 큰 영향을 미치는 요인은 전체의 분류의 정확도는 의사결정나무 모형(C5.0)이 펀드 위험 예측을 위한 가장 높은 정분류율(97.76%)을 나타냈다. 이를 바탕으로 국내외 부동산펀드 위험 예측을 위한 가장 큰 영향을 미치는 독립변수는 1개월수익률(1MR), 6개월수익률(6MR), 기준가격(OP) 순으로 위험을 설명하는 변수의 중요도가 높은 것으로 나타났다.
Ⅴ. 결론
데이터마이닝을 이용한 국내외 부동산펀드 판매결과를 분류분석을 통해 위험 예측분석한 결과 의사결정나무모형(C5.0)이 부동산펀드 위험 예측에 가장 높은 정분류율(97.76%)로 분류의 정확도를 보였다. 이러한 높은 정분류율을 바탕으로 종속변수인 부동산펀드 투자의 고위험(1)을 예측하는 중요한 독립변수는 1개월수익률(1MR), 6개월수익률(6MR), 기준가격(OP), 1yr(1년수익률)순으로 위험을 설명하는 변수의 중요도가 높은 것으로 나타났다.
실제 판매된 국내외 부동산관련 펀드상품 판매 결과를 데이터마트로 구성하여 실증분석에 활용하였다는 점에 시사성이 크다 하겠다. 부동산금융에도 기계학습 모델링을 통한 알고리즘 분석을 통해 빅데이터 예측분석을 결과물로 도출하였다는 점이다. 이를 통해 위험의 특성을 분석하였고 기계학습 모델링을 통하여 예측분석을 실증 하였다. 또한 연구모형을 실증에 거시지표 등 외부 요인이 아니라 실제 투자가 이루어진 투자모형내의 변수들을 통하여 확인하였다는 점이 연구의 큰 성과라 할 수 있다.
자산운용사 등의 부동산펀드 상품의 판매결과를 바탕으로 분류분석 결과를 통한 예측력을 바탕으로 위험 또는 불확실성을 분류하고 예측할 수 있다면 위험대비 수익성을 극대화할 수 있으리라 본다.
부동산펀드는 환금성이 높은 반면 투자수익이 안정적이지 못하다는 한계를 가지고 있다. 본 연구의 데이터마이닝을 이용한 기계학습을 통한 예측력 확보와 투자성과 판단에 영향을 미치는 중요변수 도출이 이러한 한계를 극복하는데 자산운용사 및 판매사 부동산펀드 투자 운용담당자들에게 마케팅 분석시 기준을 제시하였다.
자산운용사 및 펀드판매사의 부동산펀드 위험 가치 판단에 펀드판매 세부 항목들 중 운용보수가 펀드 투자 등 위험 판단에 가장 중요한 요인이라는 점을 실증하였다는 점에서 시사하는 바가 크다 할 것이다.
본 연구는 데이터마이닝을 통한 예측분석과 중요변수 선정에 있어 독립변수를 다양하게 선정하여 예측의 설명력을 극대화 시키지 못하였다. 국내 부동산펀드 투자 위험과의 단순 비교에 그치고 세밀한 계량화된 비교실증을 통해 부동산펀드의 특성을 도출하지 못했다는 점은 연구의 한계라 할 것이다. 향후 연구에서는 이점을 보완하여 국내외 부동투자의 특성을 데이터마이닝을 통하여 예측하고 비교 분석하고자 한다.
