Jonghyun Ho
유동성과 서울 부동산
이번 포스팅에서는 현금 유동성과 서울 부동산의 관계를 살펴보고자 한다.
M1, M2, Lf
-
M1(협의통화)은 현금통화와 요구불예금 수시입출식예금(투신사 MMF 포함)의 합계
-
M2(광의통화)는 M1과 만기 2년 미만 금융상품(예적금, 시장형 및 실적배당형, 금융채 등)의 합계
-
Lf(금융기관 유동성, 종전 M3)는 M2와 2년 이상 유동성 상품, 생보사 보험계약준비금 등의 합계
이 중에서 M1(협의통화)/M2(광의통화)의 비율을 살펴보면 즉시 투입될 수 있는 현금의 비중을 살펴볼 수 있어 현금의 유동성을 대표할 수 있는 수치라 할 수 있다.
출처 : M1, M2, Lf
한국은행 OpenAPI
한국은행 경제통계시스템 OpenAPI에 접속하여 회원 가입 후 서비스 이용 > 인증키 신청 메뉴에서 개발에 필요한 인증키를 발급받는다.
인증키를 발급받은 후,개발 가이드 > 통계코드검색 메뉴에서 API 호출에 필요한 코드를 파악할 수 있다.
위의 통계코드검색 페이지를 살펴보면
M1의 통계자료 코드는 010Y002, 통계항목 코드는 AAAA16 이고,
M2의 통계자료 코드는 010Y002, 통계항목 코드는 AAAA18 임을 알 수 있다.
한국은행 데이터 크롤링
아래 getDataFromBankOfKorea함수는 code와 sub_code 라는 변수의 이름으로 위의 코드를 입력으로 받아 한국은행 API를 호출하여 시계열 데이터를 얻을 수 있다.
import requests
import json
from datetime import datetime
import pandas as pd
import matplotlib.pyplot as plt
endpoint_url = 'http://ecos.bok.or.kr/api'
dev_key = 'XXXXXXXXXXXXXXXXXX'
start_date = '199501'
end_date = '202007'
def getDataFromBankOfKorea(name, code, sub_code):
url = endpoint_url + '/StatisticSearch/' + dev_key + '/json/kr/1/2000/' + code + '/MM/' + start_date + '/' + end_date + '/' + sub_code
req = requests.get(url)
results = json.loads(req.text)
results = results['StatisticSearch']['row']
series = pd.Series(dtype=float)
for result in results:
time = result['TIME']
time = datetime(year=int(time[0:4]), month=int(time[4:6]), day=1)
value = float(result['DATA_VALUE'])
series[time] = value
df = pd.DataFrame()
df[name] = series
return df
위 함수를 이용하여 M1/M2 유동성 비중을 계산하고, 서울 아파트 매매가격지수의 데이터를 합산하여 하나의 데이터 프레임을 생성한다.
def getM1M2():
df_M1 = getDataFromBankOfKorea('M1', '010Y002', 'AAAA16')
df_M2 = getDataFromBankOfKorea('M2', '010Y002', 'AAAA18')
df = pd.DataFrame()
df['M1'] = df_M1['M1']
df['M2'] = df_M2['M2']
df['M1/M2'] = df['M1'] / df['M2']
return df
df = getM1M2()
from kbstar.get_house_price_index import get_house_price_index
house_price = get_house_price_index('../../datasets/★(월간)KB주택가격동향_시계열(2020.06).xlsx', '매매종합')
house_price = house_price['서울']['서울']
df['Seoul APT price index'] = house_price
print(df)
get_house_price_index 함수는 주택매매가격 종합지수 의 글에서 구현된 함수를 재사용하였다.
실행 결과는 다음과 같다.
M1 M2 M1/M2 Seoul APT price index
1986-01-01 14883.1 43133.6 0.345047 30.043817
1986-02-01 15038.9 43492.4 0.345782 30.043817
1986-03-01 15573.8 44587.1 0.349289 30.002377
1986-04-01 15891.8 45188.7 0.351676 29.836618
1986-05-01 16227.3 46197.5 0.351259 29.587979
... ... ... ... ...
2019-12-01 927098.5 2912434.1 0.318324 102.559631
2020-01-01 945103.8 2929009.2 0.322670 103.055966
2020-02-01 957889.6 2954603.8 0.324202 103.416594
2020-03-01 988826.3 2984304.3 0.331342 103.905202
2020-04-01 1012290.1 3015816.3 0.335660 104.072285
[412 rows x 4 columns]
데이터 시각화
위에서 생성된 데이터프레임을 이용하여 정규화 과정을 거쳐 그래프로 시각화한 결과이다.
df = df[['Seoul APT price index', 'M1/M2']]
df = (df - df.mean()) / df.std()
df.plot()
plt.grid()
plt.show()
결론
그래프를 확인해보면, 1998년 IMF 위기와 2008년 리먼브러더스 위기 때, M1/M2 비중이 최저점을 찍은 후 부동산 매매가격지수도 일정 구간 상승하지 못하고 횡보하는 것을 확인할 수 있다.
반대로 2000년 초반, 2014년을 기점으로 M1/M2 비중이 급격히 증가하는데, 부동산 매매가격지수도 함께 지속적인 상승 곡선을 보이는 것을 확인할 수 있다.
유동성은 2019년에 다소 하락하지만 2020년에는 다시 증가하고 있어 집값 상승 가능성이 커지고 있다고 볼 수 있다.
Written on July 11th, 2020 by Jonghyun Ho