채권시장 AI 연구 브리핑 — 2026년 8월 3일

전일 브리핑의 FinanceHarness, 보험 ALM 대리모형, SciPhyRL, 회사채 레짐전환 커브, AI 알파 감쇠는 제외했다. 오늘은 최근 개정본과 1차 연구자료를 중심으로 채권 운용역 선별, AI 신용 프리미엄, AI 투자 붐의 채권시장 위험, 회사채 위험프리미엄 예측, 무위험 커브 구축을 선정했다.

1. Detecting Skilled Bond Fund Managers

구분: 논문·SSRN 워킹페이퍼
최초 공개일: 2026년 2월 18일
최근 개정일: 2026년 7월 31일
원문: SSRN 원문

핵심 요약

머신러닝으로 액티브 채권형 펀드 운용역의 성과가 일시적 운인지 지속 가능한 실력인지 구분하는 연구다. 1995년 5월부터 2024년 11월까지 미국 채권형 펀드 3,021개를 분석했으며, 과거 성과를 포함한 펀드 및 운용사 특성이 향후 성과를 예측하는 데 유용한 것으로 나타났다.

예측 기준 상위 10% 펀드를 매수하고 하위 10%를 매도한 포트폴리오는 월평균 약 30bp의 비정상수익을 기록했다고 보고한다. 예측력은 최대 36개월까지 지속됐으며, 회사채·지방채 펀드에서 강하고 국채 펀드에서는 상대적으로 약했다. 반면 펀드가 보유한 개별 채권 특성은 우수 운용역을 구분하는 데 큰 추가 정보를 제공하지 못했다.

실무 시사점

• 운용 평가: 단기 손익이나 단순 샤프지수보다 시장환경, 벤치마크, 운용규모를 통제한 조건부 성과예측이 필요하다.
• 조직 관리: 딜러별 과거 P&L, 적중률, 포지션 유지기간, 손실 회복속도와 시장국면을 입력하면 내부 운용역의 비교 가능한 실력지표를 만들 수 있다.
• 리스크관리: 성과가 좋은 딜러를 그대로 복제하기보다, 어떤 레짐과 상품에서 실력이 나타나는지 조건부로 구분해야 한다.
• 주의: 논문의 롱·숏 펀드전략은 실제 공매도 가능성, 환매조건과 비용을 반영하면 성과가 달라질 수 있다.

데스크 적용 우선순위: ★★★★★

2. AI Risk Premium: Insights from the US Corporate Bond Market

구분: 논문·SSRN 프리프린트
발표일: 2026년 6월 30일
원문: SSRN 원문

핵심 요약

기업이 속한 산업의 AI 집약도가 회사채 발행금리에 어떤 영향을 주는지 분석한 연구다. 2015~2025년 미국 회사채 신규발행 자료를 사용한 결과, AI 활용도가 높은 산업의 기업은 발행 시 더 높은 신용스프레드를 부담하는 것으로 나타났다.

OECD의 AI 관련 네 가지 지표 중 실제 AI 사용도와 관련된 프리미엄이 가장 강했고, 인적자본·혁신·노출도 지표의 효과는 상대적으로 약했다. 프리미엄은 단기채보다 중·장기채에서 뚜렷했으며, ChatGPT 출시 이후 확대된 것으로 보고된다. 이는 채권투자자가 AI를 성장기회뿐 아니라 투자비용, 사업모델 변화와 장기 현금흐름 불확실성으로 평가한다는 해석과 일치한다.

실무 시사점

• 크레딧: AI 수혜기업이라는 주식시장 분류가 반드시 채권 강세를 의미하지 않는다.
• 발행시장: AI CAPEX가 큰 기업은 장기물 발행에서 추가 프리미엄을 요구받을 가능성을 점검해야 한다.
• 상대가치: 동일 등급·업종 안에서 AI 투자부담, 현금창출력, 기술 대체위험을 분리하면 크레딧 롱·숏 팩터로 활용할 수 있다.
• 한국 적용: 사업보고서와 컨퍼런스콜에서 AI CAPEX, 데이터센터 계약, 인력 대체와 차입계획을 추출해 회사채 스프레드 팩터로 만들 수 있다.

데스크 적용 우선순위: ★★★★★

3. The AI Investment Race

구분: 국제기구 연구논문·BIS Working Paper No. 1367
발표일: 2026년 7월 7일
원문: BIS 원문 PDF

핵심 요약

AI 인프라 경쟁이 기업들로 하여금 사회적으로 효율적인 수준보다 과도하게 투자하도록 만드는 과정을 동태적 경쟁모형으로 분석한다. 연구는 AI 투자 확대가 회사채, 특수목적기구와 비은행 대출에 점점 더 의존하고 있으며, 기업 간 지분투자와 컴퓨팅 구매계약으로 연결된 순환금융 구조가 형성되고 있다고 설명한다.

모형 보정 결과, 기본 시나리오에서 투자가 효율적 수준의 약 1.5배, 수요 탄력성이 낮은 경우 약 3배에 이를 수 있다고 추정한다. 투자 규모가 클수록 수익 기대가 충족되지 않을 때 손실과 자산매각 압력이 커지고, 한 기업의 충격이 금융 연결망을 통해 다른 기업으로 전염될 수 있다. 해당 수치는 예측치라기보다 구조적 취약성을 보여주는 모형 결과로 해석해야 한다.

실무 시사점

• 크레딧 리스크: 개별 하이퍼스케일러뿐 아니라 AI 연구소, 반도체, 네오클라우드, 데이터센터와 전력 공급망을 하나의 연결망으로 봐야 한다.
• 담보·회수율: AI 관련 자산은 업황 악화 시 여러 기업이 동시에 매각할 수 있어 스트레스 회수율이 평시 평가액보다 크게 낮을 수 있다.
• 채권 공급: CAPEX 경쟁이 이어지면 기술기업과 인프라기업의 장기채 공급이 구조적으로 증가할 수 있다.
• 스트레스 테스트: 매출 기대 하향, 신규자금 중단, 회사채 스프레드 확대와 지분가치 하락이 동시에 발생하는 복합 시나리오가 필요하다.

데스크 적용 우선순위: ★★★★★

4. Firm and Macro Information in Corporate Bond Risk Premium

구분: 논문·SSRN 워킹페이퍼
최초 공개일: 2025년 1월 29일
최근 개정일: 2026년 6월 30일
원문: SSRN 원문

핵심 요약

기업 고유정보와 거시경제 정보가 회사채 위험프리미엄 예측에 각각 어떤 역할을 하는지 머신러닝으로 분석한다. 기업 재무·채권 특성뿐 아니라 거시 및 시장변수를 함께 사용해, 개별 종목의 기대수익과 시장 전체의 크레딧 환경을 통합적으로 설명하는 것이 목적이다.

이 연구가 중요한 이유는 회사채 알파가 단순 종목선택만으로 결정되지 않고, 금리·경기·유동성 레짐에 따라 같은 기업특성의 효과가 달라질 수 있음을 명시적으로 다루기 때문이다. 최신 개정본은 2026년 6월 공개됐으며, 기업정보와 거시정보의 상호작용을 회사채 위험프리미엄 예측 문제로 구성한다.

실무 시사점

• 모델 구조: 회사채 종목 랭킹 모델과 시장 크레딧 베타 모델을 분리한 뒤 결합하는 계층형 구조가 적합하다.
• 레짐 조건화: 동일한 레버리지나 스프레드 수준도 유동성 위기와 완화국면에서 다른 의미를 갖는다.
• 포지션 구성: 예측 초과수익을 금리 듀레이션, 등급, 업종, 유동성 팩터에 대해 중립화해야 순수 종목선택 알파가 남는다.
• 한국 적용: 민평 대비 스프레드, 발행잔액, 체결빈도, 주가, 재무지표에 여전채 스프레드·CP금리·국고 커브와 자금시장 변수를 함께 넣는 방식이 유효하다.

데스크 적용 우선순위: ★★★★☆

5. Stripping the Discount Curve—A Robust Machine Learning Approach

구분: 학술논문·Management Science
온라인 게재일: 2025년 12월 22일
원문: 출판사 원문 · 재현 데이터·코드

핵심 요약

국채 가격으로부터 할인곡선을 추정하는 문제를 경제적 제약과 머신러닝을 결합해 해결한 연구다. 비모수적 함수공간에서 커브를 학습하되, 곡선의 평활성과 경제적 타당성을 정규화 항으로 반영하며 계산은 kernel ridge regression 형태의 닫힌 해로 구현된다.

복잡한 딥러닝 모델을 사용하지 않고도 희소하고 노이즈가 있는 국채 가격에서 안정적인 할인곡선을 만들 수 있다는 점이 핵심이다. 논문은 Management Science에 최종 게재됐으며, 미국 국채 제로쿠폰 수익률 데이터와 재현 코드도 공개돼 있다. 최신 논문은 아니지만, 오늘 선정 자료 중 동료평가와 재현성이 가장 강한 연구다.

실무 시사점

• 커브 구축: 거래가 희소한 만기에서도 안정적인 제로커브와 포워드커브를 산출하는 기준모형으로 활용할 수 있다.
• 상대가치: 실제 채권가격과 ML 커브가 산출한 이론가격의 잔차를 지표·경과물 및 버터플라이 신호로 사용할 수 있다.
• 리스크관리: 커브가 비경제적으로 흔들리면 DV01, 캐리·롤다운과 평가손익이 모두 왜곡되므로 가격 적합도와 평활성을 함께 관리해야 한다.
• 한국 적용: 국고채 지표·경과물 가격, 이표와 잔존만기를 사용해 원화 할인커브를 구축하고 기존 민평·NSS 커브와 비교할 수 있다.

데스크 적용 우선순위: ★★★★★

오늘의 데스크 결론

오늘 자료는 AI가 채권시장에 적용되는 영역이 가격예측을 넘어 세 방향으로 확장되고 있음을 보여준다.

첫째, 머신러닝은 채권이나 금리뿐 아니라 운용역의 지속 가능한 실력을 구분하는 데 사용되고 있다. 둘째, AI는 분석도구인 동시에 기업의 차입, 장기 신용위험과 채권 공급을 변화시키는 실물·크레딧 팩터가 됐다. 셋째, 실제 운용에서 높은 가치가 있는 모델은 거대한 블랙박스보다 경제적 제약, 안정성과 재현성을 갖춘 커브·위험프리미엄 모형일 가능성이 크다.

권장 읽기 순서

1. Detecting Skilled Bond Fund Managers — 딜러·운용역 성과평가
2. The AI Investment Race — AI 투자 붐의 채권시장 시스템 리스크
3. AI Risk Premium — AI 노출의 회사채 발행 프리미엄
4. Stripping the Discount Curve — 실무 커브 인프라
5. Firm and Macro Information — 회사채 알파모델 설계