기본 콘텐츠로 건너뛰기

令和5年5月3日気になるニュース

yahooニュース 産経新聞、首相「腹を割って意見交換」 7、8日に訪韓し尹大統領と会談  岸田文雄首相は1日(日本時間2日)、7~8日の日程で韓国を訪問し、尹錫悦(ユン・ソンニョル)大統領と会談する方向で調整(ちょうせい)していると明らかにした。訪問先(ほうもんさき)のガーナで記者団の取材に答えた。首相は尹氏が3月に来日(らいにち)した際(さい)、首脳同士が相互(そうご)に訪問する「シャトル外交」の再開(さいかい)で合意(ごうい)しており、その第1弾(いちだん)となる。 続いて、日本政府は4月28日に韓国を輸出手続き簡略化などの優遇措置の対象国となる「グループA(旧ホワイト国)」に再指定(さいしてい)する方針を発表したが、首相の訪韓(ほうかん)で成果(せいか)を示(しめ)せるかが焦点(しょうてん)になると書いていました。 日韓関係が改善されているようでうれしい記事でした。

Elasticity of housing Market, Hedonic function


Equilibrium of Housing market

Hedonic Price Function, estimation of elasticity


    주택시장의 공급은 당연 주택이며, 수요는 소비자들이다. 수요자들인 소비자들은 주택을 구입하기 위한 기회비용으로 해당 금액의 정기예금에 따른 편익이 따른다고 가정하자. 주택 소비자들은 주택을 매입하여 임대사업을 하던, 정기예금에 예치를 해 두던 세후 수익률이 같아야 하므로 식은 다음과 같이 주어진다. 물론 입대사업에는 자가 거주형태의 주택구입도 포함된다. (경제학에서는 자가주택거주 또한 자기 자신에게 임대료를 내는 것으로 본다. 이는 주택이 가진 장기 소비재이자 자본재인 특성 때문이다.)


연 임대료 - (세금 + 주택유지비용 + 감가상각률) * V + 기대가격상승률 * V = 이자율 * V


    여기서 V는 일정한 금액으로, 소비자는 이 금액을 주택매입에 사용할지, 정기예금에 사용할지 선택가능한 금액이다. 위 식에 대해 다시 말하자면, 일년간 소비자가 주택 점유에 따른 기회비용은 세금과 주택유지비용, 감가상각비용, 이자율에 연간 기대가격상승률을 뺀 것이다. 여기서 기대가격상승률은 시장의 합리적 기대를 가정한다. 주택 구입을 위한 소비자들의 수요함수는 헤도닉 가격함수의 일종으로, 다음과 같이 결정된다



$\combi{H}\ ^d=D\left(P,\ Y,\ Z\right)$H d=D(P, Y, Z)



    여기서 H는 동질적 주거서비스의 양, P는 주거서비스의 상대가격(임대료/소비자물가지수), Y는 가구의 소득, Z는 가구의 속성을 나타내는 가변수이다.

    위 함수를 더블 로그(Double-log)형태로 변환하면 P와 Y에 상수항이 나타나는데, lnP의 계수를 가격탄력성, lnY의 계수를 소득탄력성이라 한다. 수많은 연구 결과들에 의해 주택수요의 가격탄력성은 1보다 작고, 소득탄력성은 1보다 작거나 같다고 추정된다. 다시말해서, 주택수요의 가격탄력성은 비탄력적이고, 소득탄력성은 단위탄력적이거나 비탄력적이란 이야기다.

    주택 공급함수는 경우가 다르다. 주택은 금방 공급을 늘릴 수 없기 때문에, 단기적으로 주택 공급은 매우비탄력적으로 나타나게 된다. 신규공급이 델타H만큼 증가하면, 중장기적으로 주택공급함수는 비탄력적인 공급곡선의 모양을 갖추게 된다.


$FS\ =\ \Delta H\ =\ S\left(V,\ \combi{P}_L,\ \combi{P}_N\right)$FS = ΔH = S(V, PL, PN)



    여기서 P_L은 토지가격, P_N은 토지 이외의 요소가격을 의미한다. 위 함수식을 풀어 설명하면, 토지의 공급은 분양가(V)와 토지매매가(P_L), 토지 이외의 요소비용(P_N)에 의해 공급이 결정된다는 것이다. 물론 이 함수식에는 정부의 토지 이용 규제와 같은 이산적 변수의 설득력이 부족하다. (이산변수까지 추가한다면 그래프가 좀 더 비탄력적으로 변할 것이다)

분양가 규제는 주택 소비자에게 이득인가?


    위 함수식에서 분양가(V)는 주택 신규 공급에 영향을 미치는 변수이다. V는 물론 소비자의 주택 수요에도 영향을 미치는 변수이기도 하다. 분양가 상한제를 두어 인위적으로 주택시장의 분양가를 낮추게 되면, 단기적으로는 이미 주택을 건설중인 건설사들이 초기 비용을 되찾기 위해서라도 분양가 상한제 시행 이전의 규모만큼 주택신규공급을 단행할 것이다. 물론 이런 상황에서도 수요는 증가하므로 주택 시장에서는 수요는 있는데 주택을 공급받지 못한 수요 탈락자가 발생한다.


    장기적으로는 분양가가 줄어든 탓에 신규 주택 공급이 줄어든다. 수요는 그대로인데 신규 공급은 감소하므로 더 많은 수요 탈락자가 발생한다. 분양을 받은 개개인에게는 이득이지만 수요 탈락자들이 발생하므로 자원의 비효율적 분배가 이루어진 것이다. 즉 주택시장 전체로 본다면 소비자 전체는 손해를 본 셈이 된다.


댓글

이 블로그의 인기 게시물

Random Forest 파헤치기

Random Forest Random Forest Random Forest는 weak Learner로 Decision Tree를 이용하는 일종의 bagging Algorithm이다. (배깅 학습기라는 뜻은 아니다) Machine Learning 분야에서 Support Vector Machine과 같이 가장 많이 사용하는 분류모형 중 하나이다. Random Forest Class는 다음 특징을 가진다. Keyword Argument의 대부분은 DecisionTreeClassifier와 같다. Random Forest에서 Tree의 수가 많아질수록 예측에 유리하지만 시간이 많이 걸리고, 한계적인 이득은 체감한다. Random Forest의 Base Model로는 보통 Deep Tree를 많이 사용한다. Shallow tree는 상대적으로 분산이 작지만 상당한 편의를 발생시킨다. 반면 Deep Tree는 분산이 큰 반면 편의가 작으므로 여러 결과의 평균을 예측에 사용하면 분산을 줄이는 효과가 있다. Random Features Random Forest는 훈련 과정에서 무작위로 추출한 Feature Set만을 사용한다. 이는 모형들 사이의 Correlation을 감소시킨다 Missing Value와 관련된 문제를 효과적으로 완화시킨다. 오늘은 Random Forest와 Decision Tree의 기본 구조를 알고 있다고 가정하고 Keyword Argument 중 중요한 것들을 중심으로 소개하고자 한다. class_weight {class_label:weight} 형식의 클래스와 연결된 가중치이다. 만약 주어지지 않는다면, 모든 Class는 하나의 가중치로 되어 있다. 다중 출력 문제의 경우 dict 목록을 y 열과 같은 순서로 제공할 수 있다. 다중 출력(다중 레이블 포함)의 경우 자체 dict의 모든 열의 각 클래스에 대해 가중치를 정의해야 한다. 예를 들어 4개 클래스의 다중 레이블 분류 가중치는 [{1:1}, {2:5}, {3:1}, {4:1} 대신 [{0:1,

Team Q Research

  Q research Naver blog Qraft에 계신 선배님과 서강대학교 학부생이 함께 만든 퀀트 리서치 팀입니다. 주로 Machine Learning과 Quantitative Finance 분야를 다루며, 최근 연구 분야는 ML분류기에서 나온 Accuracy를 확률로써 해석하기 위해 Probability Calibration을 통해 보정하고, Bet size를 정하는 Secondary Model로써 활용하는 것을 연구중입니다. 이외에도 Machine Learning 분류기와 Neural Network를 사용하여 투자 집행에 도움이 되는 실전 전략 연구를 수행하고 있습니다.

Portfolio Analysis, Mean Variance Frontier

  포트폴리오 이론에서의 기대수익률     포트폴리오 기대수익률은 개별 자산의 기대수익률의 가중치를 고려하여 만든 포트폴리오의 기대수익률이다 mean - variance space     자산 투자에 있어서 기대수익률을 위해서는 투자의 리스크를 감수해야 한다. 즉, 위험 한 단위가 증가할 때 기대수익률 또한 증가한다. Indifference Curve     Risk Averse의 성향이 많은 개인 투자자는 위험에 대해 기피하는 경향이 있다. 따라서, 위험 한 단위가 증가할 때마다 기대수익률을 더 많이 받으려고 하는 경향을 보인다. 따라서 무차별 곡선은 우상향하며, 기울기는 체증한다. 반면, Risk lover의 Indifference Cuve의 기울기는 체감한다. Portfolio Risk     포트폴리오의 리스크는 각 자산의 기대수익률간의 편차로 계산한다.  Example     2000년 1월부터 2020년 12월까지 기간동안 고려한 자산은 다음과 같다 스페인 국채 10년물  KOSPI 주가지수 S&P 주가지수 원유 선물 천연가스 선물 금 선물 구리 선물 import numpy as np import pandas as pd import matplotlib.pyplot as plt % matplotlib inline csv data의 변수명은 다음과 같이 정의한다 data : 수익률 데이터 cycle : 경기순환 사이클 데이터  import한 데이터는 다음과 같이 세가지 형식으로 분류한다 df = pd . concat ([ data . iloc [:, 1 :], cycle . iloc [:, 1 :]], axis = 1 ) # 전체 데이터 df_up = df [ df . cycle == 1 ] # 경기 확장기의 데이터 df_down = df [ df . cycle == 0 ] # 경기 후퇴기의 데이터 noa = len ( df . columns [: - 1 ]) # 포트폴리오 구성자산의 갯수