안녕하세요. 한국 아파트 시장 분석 및 가격 시뮬레이션 서비스 아파트 인사이트 APT Insights를 개발하고 있는 엔지니어입니다.
오랫동안 프론트엔드 개발과 데이터 시각화 위주의 작업을 담당해 왔기에, 백엔드 인프라나 비동기 큐, 통계학 및 시계열 예측 모델은 제게 매우 생소한 영역이었습니다. 감히 시세 예측 모델까지 직접 구축하게 될 줄은 몰랐으나, AI 에이전트와 적극 협업하며 기술적 한계를 극복하고 100% AI 에이전트 주도로 약 100일간 1인 개발을 완료할 수 있었습니다.
아이가 자라며 정착할 보금자리를 마련하기 위해 아파트 시장을 공부하기 시작했고, 처음에는 실거주 후보 단지들의 미래 가격을 시뮬레이션해 보는 개인 토이 프로젝트로 출발했습니다. 이후 거시경제 변수 반영과 통계 모델링, 서버리스 인프라 스택 고도화를 거치며 전국 단지를 다루는 서비스로 확장되었습니다. 최근 웹/PWA뿐만 아니라 iOS 앱스토어 및 구글 플레이스토어 정식 네이티브 앱까지 런칭하여 광고 없이 무료로 공유합니다.
1. 단판 정답(Point Forecast)의 과적합 한계와 문제 정의
기존의 시세 추정 및 단판 점 예측(Point Forecast) 방식은 "24개월 뒤 이 아파트가 정확히 얼마가 될 것인가"라는 질문에 과적합(Overfitting)되기 쉽습니다. 부동산 시장은 금리, 환율, 가계부채, 정책 등 거시적 변수의 영향을 크게 받기 때문입니다.
따라서 단 하나의 정답 수치를 제시하기보다 시나리오 기반 확률적 시뮬레이션을 통해 중앙 50% 구간(P25 ~ P75)을 산출하는 것이 실용적이라고 판단했습니다.
2. 통계 모델링 & 시뮬레이션 구조
이를 해결하기 위해 예측 엔진을 크게 3가지 축으로 설계했습니다.
- 16개 활성 거시·구조·지역 팩터: 한국은행 ECOS 공식 통계(금리, 환율, 가계부채, 건설비용) 및 정성·지역 지표(정책, 심리, 입지 등)를 결합하고, 과거 시점의 데이터 스냅샷을 복원해 시점 간 정합성을 확보했습니다.
- VECM(벡터오차수정모델) 잔차 보정: 이사 시점 및 시장 환경에 맞춰 보정을 수행하며, 장기 균형 관계를 유지하는 벡터오차수정모델(VECM) 잔차 모멘텀 보정 레이어를 적용했습니다.
- 몬테카를로 시뮬레이션 & 점예측 궤적 보간: 24개월 미래 가격 시나리오를 점예측 궤적 보간과 몬테카를로 시뮬레이션을 통해 P25 ~ P75 확률 범위로 산출합니다.
3. 정량적 모델 성능 및 투명한 OOS 백테스트
모델의 일반화 성능과 신뢰도를 위해 대표 평가 코호트 단지 및 일반화 검증 표본 단지들을 대상으로 12개월 미래 표본 외 검증 Forward OOS 백테스트를 주기적으로 수행하고 있습니다.
- 12개월 Forward OOS 보류 표본 가격 MAPE: 6.32% (공식 평가 코호트 기준)
- 보류 표본 보정 R^2: 0.610 (코호트 백테스트 검증 기준)
- 검증 품질 게이트: 전체 통과 완료
- 매일 무작위 5개 단지 OOS 검증 & 메인 하이라이트: 기술 백서 페이지에서 매일 무작위 추출한 5개 단지의 12개월 Forward OOS 백테스트 결과를 투명하게 공개하며, 그중 오차율 중앙값(Median) 단지 1곳을 메인 화면에 오늘의 검증 아파트로 자동 하이라이트합니다.
- 표본 편향 방지: 평가 코호트에 포함되지 않은 일반화 표본 단지들에 대해서도 별도 트래킹을 수행하여, 학습 데이터 치우침 없이 전국 단지로의 일반화 능력을 지속 검증하고 있습니다.
4. 앱스토어/구글플레이 정식 런칭 및 멀티 플랫폼 구축
단일 모노레포(pnpm workspace + Turborepo) 환경에서 다양한 디바이스 접근성을 확보하여 웹, PWA, iOS 앱스토어, Android 구글 플레이스토어에 정식 출시했습니다.
- Web / PWA / Native WebView 단일 파이프라인: Next.js(Vercel) 인프라를 메인 서버로 두고, Capacitor 패키징 및 네이티브 플러그인 연동을 통해 iOS/Android 네이티브 앱 환경으로 확장했습니다.
- 소셜 로그인 및 인앱 브라우저 문제 해결: Kakao, Apple, Google 로그인 시 OIDC Nonce 검증 및 네이티브 SDK ↔ 서버 자격 증명 전달(Handoff) 플로우를 구축해 인앱 브라우저 차단 문제를 해결했습니다. (카카오 메일 미동의 시 가상 이메일 폴백 적용)
- 에셋 자동 동기화 툴체인: SVG 1개 소스로부터 PWA 스플래시(40개 해상도), Android 런처/스플래시, iOS 앱 아이콘 에셋을 자동 생성합니다.
- 이중화 푸시 파이프라인: 관심 단지 예측 변동 시 Web Push와 네이티브 OS 푸시(FCM/APNs)를 2단계 중요도(Strong/Normal)로 분기하여 Cloudflare Queue / QStash 비동기 파이프라인으로 일괄 발송합니다.
5. 인프라 및 AI 주도 개발 트러블슈팅 / 레슨
서버리스 하이브리드 아키텍처(Next.js + Neon Postgres + Cloudflare Workers + Hono + Cloudflare Queue / Upstash Redis) 구조로 월 고정 비용을 최소화하며 자율 개발했습니다.
- 학습-서빙 정합성 확보: 백테스트/학습 시의 표본 윈도우 기준일과 서빙 시의 최신 거래일 간 일수 차이로 인해 신선도(Recency) 게이트가 달라지던 학습-서빙 불일치(Train/Serve Skew)를 발견하고, 표본 윈도우 기준일 분리 및 과거 재현(as-of) 파라미터 정렬을 통해 서빙과 백테스트의 완전한 정합을 이뤘습니다.
- 온디맨드 지연 구축 카탈로그: 전국의 모든 아파트를 미리 수집해 비용을 낭비하는 대신, 사용자가 유입된 지역(시군구) 카탈로그와 관심 단지 실거래만 비동기로 지연 구축하는 파이프라인을 연동했습니다.
- 품질 위반 표본 자동 축적: 무작위 검증 배치에서 오차 게이트에 걸린 이상 표본을 추가 전용(Append-only) 저장소에 누적하여, 모델 튜닝 전 최우선 개선 표본으로 활용하는 자가진단 파이프라인을 구축했습니다.
- Upstash Redis 메모리 한도 초과 극복: 대량 데이터 백필 시 원본 JSON 데이터로 인해 메모리 한도에 도달했을 때, 에이전트가 직접 실시간 동적 조회(Live fetch) 구조로 분리하여 인프라 비용 누수를 차단했습니다.
- 정책 가중치 상한 정정: 특정 가격대 단지에서 대출 정책 가중치가 비정상적으로 치솟는 문제를 상한선 캘리브레이션 공식을 주입해 정정했습니다.
부동산 시계열 모델링, VECM/몬테카를로 시뮬레이션, 혹은 서버리스/Capacitor 하이브리드 인프라 관점에서 피드백이나 궁금한 점이 있으시다면 편하게 댓글로 이야기 나누면 좋겠습니다.
- 메인 랜딩: https://apt-insights.com
- 기술 백서: https://apt-insights.com/model
- 웹 애플리케이션: https://app.apt-insights.com