Answers are grounded in this paper and cite their sources.
Demonstrates the effectiveness of CatBoost in predicting auction prices for artworks, suggesting a tailored predictive approach is necessary for auction markets.
본 연구는 미술품 경매 시장에서 낙찰가를 예측하고 가격 형성에 영향을 미치는 핵심 요인을 규명하기 위해 CatBoost 기반 예측 모형을 제안한다. 분석에는 K-Artprice 경매 데이터(2015–2022년, 200명 작가, 32,873건 거래)를 활용하였으며, 낙찰가격의 비대칭 분포를 완화하기 위해 로그 변환과 극단값 완화(Winsorization)를 적용하였다. 예측 모형은 작가명, 재료, 출품처 등 범주형 변수를 별도의 인코딩 없이 처리할 수 있는 CatBoost의 특성을 활용하였고, 전체 데이터 기반모형과 더불어 옥션별·작가별 세부 모형을 구축하여 집단별 가격결정 구조의 차이를 비교하였다. 최종 모형은 높은 설명력(R² 약 0.92)과 낮은 예측오차를 보였으며, 변수 중요도 및 SHAP 분석결과 작가명, 출품처, 재료, 경매명, 면적 등이 낙찰가 예측에 핵심적으로 기여하는 것으로 나타났다. 특히 작가명은 가장 높은 기여도를 보여 작가의 명성이 가격결정에서 중요한 역할을 함을 시사한다. 또한 옥션 및 작가 집단에 따라 예측 성능과 주요 설명 변수의 구성에 차이가 관찰되어, 경매 시장의 이질성을 반영한 맞춤형 예측 접근의 필요성을 확인하였다. 본 연구는 범주형 변수가 풍부한 미술 경매 데이터에서 해석 가능한 머신러닝 기반 가격 예측 프레임워크를 제시함으로써 옥션 운영 및 입찰 의사결정에 실무적 시사점을 제공한다.
No takes yet. Share an insight, caveat, or question.
Lee et al. (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: