채권시장 AI 연구 브리핑 — 2026년 8월 4일

전일 브리핑의 운용역 성과 식별, AI 신용 프리미엄, BIS의 AI 투자경쟁, 회사채 위험프리미엄 예측, ML 할인곡선은 제외했다. 오늘은 채권·주식 간 정보 통합, 전환사채 딥러닝 평가, 그래프 기반 CAT bond 프라이싱, 미래 유동성 분포 예측, AI 사이버리스크의 시장 전염을 선정했다.

오늘 오전 기준 새로 공개된 최상위 중앙은행·거래소 자료가 제한적이어서, 최근 개정된 2026년 연구와 아직 소개하지 않은 검증도 높은 자료를 조합했다.

1. Factor Investing and the Integration of Corporate Bond and Equity Markets

구분: 논문·SSRN 워킹페이퍼
최초 공개일: 2026년 4월 20일
최근 개정일: 2026년 7월 12일
원문 링크: SSRN 원문 및 PDF.

핵심 요약

미국 시장의 회사채 특성 41개와 주식 특성 288개를 이용해, 두 시장의 정보를 분리해서 사용할 때와 통합할 때의 투자성과를 비교한다. 연구진은 최대 샤프지수 방식으로 각 특성을 관리 포트폴리오로 변환한 뒤 회사채·주식 간 교차시장 정보의 추가 가치를 측정했다.

결과적으로 주식시장 특성을 회사채 투자에 활용하고, 회사채 정보를 주식 투자에 반영하는 교차시장 전략이 각 시장 내부 정보만 사용하는 전략보다 평균분산 효율성을 개선했다. 이는 발행기업의 주가·변동성·실적 신호가 회사채 가격에 반영되는 속도와 강도가 서로 다르기 때문에 발생하는 것으로 해석할 수 있다. 다만 아직 최종 학술지 게재본이 아닌 프리프린트다.

실무 시사점

채권 트레이딩: 회사채 상대가치 모델에 민평 스프레드와 재무제표만 넣지 말고, 발행사 주가수익률·옵션 내재변동성·거래량·실적발표 드리프트를 함께 활용할 필요가 있다.

리스크관리: 주가와 채권이 같은 기업위험을 반영하더라도 민감도와 반응 시점은 다르다. 주가 급락 후 회사채 스프레드가 아직 움직이지 않은 종목은 잠재적 후행 조정 대상으로 관리할 수 있다.

시장미시구조: 주식시장의 정보가 회사채보다 빠르게 반영되는 종목과, 기관 수급 때문에 회사채가 먼저 반응하는 종목을 구분하면 lead–lag 기반 신호를 구축할 수 있다.

한국 적용: 상장사 회사채를 대상으로 주가 충격 → 민평 대비 거래 스프레드 → 체결 여부의 시차를 종목·등급별로 분석하는 프로젝트가 적합하다.

데스크 적용 우선순위: ★★★★★

2. A Deep Learning Approach for Pricing Convertible Bonds with Path-Dependent Reset and Call Provisions

구분: 논문·arXiv 프리프린트
발표일: 2026년 5월 12일
원문 링크: arXiv HTML 및 PDF.

핵심 요약

전환가액 하향조정과 발행사 콜 조항처럼 과거 주가경로에 따라 발동되는 복잡한 전환사채 조건을 딥러닝으로 평가하는 연구다. 연구진은 가치평가 문제를 경로의존 편미분방정식으로 표현하고, 동적계획법에서 발생하는 조건부 기대값을 신경망으로 근사했다.

GBM, CEV, Heston 확률변동성 모형을 각각 적용했으며 중국 CITIC Bank 전환사채 사례에서 안정적인 가격과 민감도를 산출했다고 보고한다. 흥미로운 결론은 기초자산 모형의 선택보다 콜·리픽싱 등 계약조건이 전환사채 가치에 더 큰 영향을 미쳤다는 점이다. 하향 리픽싱은 투자자 보호장치처럼 보이지만 콜 조건을 조기에 충족시켜 오히려 가치가 낮아질 수 있다는 결과도 제시한다.

실무 시사점

트레이딩: 전환사채의 단순 채권가치와 주식옵션 가치만 분리해서 보는 방식은 경로의존 조항을 제대로 반영하지 못한다. 리픽싱 가능성과 조기상환 발생확률을 시나리오별로 계산해야 한다.

리스크관리: 델타·감마뿐 아니라 콜 트리거까지 남은 일수, 최근 관측기간 내 주가분포와 전환가 조정 가능성을 별도 위험요인으로 관리해야 한다.

시장미시구조: 콜 조건이 임박한 전환사채는 주가와 전환사채 주문흐름이 동시에 변할 수 있어, 평상시 상관관계로 헤지비율을 추정하면 오차가 커질 수 있다.

한국 적용: 국내 CB·EB의 리픽싱, 조기상환청구권, 콜옵션 조건을 계약서에서 구조화해 시나리오 평가 엔진을 만들면 사모·메자닌 리스크관리에도 활용할 수 있다.

데스크 적용 우선순위: ★★★★☆

3. CATNet: A Geometric Deep Learning Approach for CAT Bond Spread Prediction in the Primary Market

구분: 논문·arXiv 개정 프리프린트
최초 공개일: 2025년 8월 13일
최근 개정일: 2026년 4월 6일
원문 링크: arXiv 원문.

핵심 요약

재해채권의 발행시장 스프레드를 예측할 때 개별 채권을 독립적인 표본으로 보지 않고, 발행사·주관사·재해유형·지역을 연결한 그래프로 표현한 연구다. Relational Graph Convolutional Network를 활용해 네트워크상의 관계와 채권 특성을 함께 학습한다.

CAT bond 시장은 소수의 발행사와 주관사가 많은 거래관계를 보유하는 scale-free network의 특징을 나타냈다. CATNet은 Random Forest와 XGBoost 같은 강한 표형 데이터 기준모형보다 높은 스프레드 예측력을 기록했으며, 중심성 지표는 발행사 평판·주관사 영향력·위험집중도를 수치화하는 역할을 했다. 연구는 연결구조가 가격뿐 아니라 충격 전염의 핵심 경로가 될 수 있다고 지적한다.

실무 시사점

채권 트레이딩: 채권가격은 발행사 자체 특성만으로 결정되지 않는다. 동일 주관사, 동일 그룹, 동일 담보·보증구조와 투자자군으로 연결된 종목 간 네트워크 정보를 상대가치에 사용할 수 있다.

리스크관리: 포트폴리오의 발행사 수가 많더라도 동일 위험요인과 주관사·보험사·지역에 연결돼 있으면 실질적 분산효과는 작다.

시장미시구조: 거래 관계가 특정 허브에 집중된 시장에서는 핵심 딜러나 주관사의 호가 후퇴가 전체 시장 유동성을 빠르게 악화시킬 수 있다.

한국 적용: 회사채·여전채·PF 유동화증권을 발행사–그룹–주관사–신평사–보증기관–기초자산 그래프로 구축하면 스프레드 예측과 전염경로 분석에 활용할 수 있다.

데스크 적용 우선순위: ★★★★☆

4. Expected Bond Liquidity

구분: 논문·SSRN 개정 연구
최근 개정일: 2025년 8월 8일
원문 링크: SSRN 원문 및 PDF.

핵심 요약

미국 회사채 개별 종목의 향후 유동성 분포를 머신러닝으로 예측하고, 이를 이용해 Expected Illiquidity와 Expected Tail Illiquidity라는 미래지향적 지표를 구축한다. 전통적인 유동성 지표가 최근 거래비용이나 체결빈도를 사후적으로 측정하는 것과 달리, 이 연구는 향후 유동성 악화 가능성과 하위 꼬리를 직접 추정한다.

예상 유동성은 현재 관측된 유동성만으로 설명되지 않으며, 채권 특성·시장상태·딜러 및 거래조건이 미래 분포에 추가 정보를 제공한다. 특히 평균적인 유동성 전망과 극단적인 유동성 고갈 위험은 서로 다른 종목과 국면에서 나타날 수 있다. 따라서 평시 거래비용이 낮은 종목도 스트레스 상황에서는 큰 청산비용을 가질 수 있다는 점을 보여준다.

실무 시사점

채권 트레이딩: 예상 초과수익이 같다면 현재 스프레드가 싼 종목보다 미래 청산 가능성이 높은 종목을 우선해야 한다. 알파모델의 기대수익에서 예상 거래비용과 꼬리 유동성 비용을 차감해야 한다.

리스크관리: VaR에 현재 bid–ask만 적용하지 말고, 향후 예상 bid–ask 분포와 극단적 청산기간을 반영한 Liquidity-adjusted VaR가 필요하다.

시장미시구조: 체결 건수 감소, 딜러 수 축소, 대형거래 비중과 최근 RFQ 실패율은 가격이 본격적으로 움직이기 전 유동성 악화를 알릴 수 있다.

한국 적용: 실제 호가가 제한적이므로 최근 체결일, 민평 대비 거래가격, 발행잔액, 유통종목 수, 거래기관 수와 매수·매도 호가 요청 결과를 결합해야 한다.

데스크 적용 우선순위: ★★★★★

5. Financial Stability Risks Mount as Artificial Intelligence Fuels Cyberattacks

구분: 국제기구 기사·IMF 분석
발표일: 2026년 5월 7일
원문 링크: IMF 공식 분석.

핵심 요약

IMF는 AI가 사이버 공격의 탐색·자동화 비용을 낮추면서 금융기관이 공통으로 사용하는 클라우드, 소프트웨어, 결제 및 데이터 인프라를 동시에 공격할 위험을 키우고 있다고 평가한다. 개별 기관의 운영장애가 아니라, 다수 기관이 같은 공급망과 기술에 의존함으로써 발생하는 상관된 장애가 핵심 문제다.

극단적인 사이버 사고는 직접 손실을 넘어 자금조달 압박, 지급능력 우려와 시장 신뢰 훼손으로 이어질 수 있다. 결제·청산·시장데이터 인프라가 중단되면 가격발견과 담보관리까지 영향을 받아 금융시장 전반의 유동성 충격으로 전이될 수 있다. IMF는 이를 단순한 IT 보안 문제가 아니라 금융안정과 감독의 문제로 다뤄야 한다고 강조한다.

실무 시사점

채권 트레이딩: 시세·OMS·체결 시스템이 멈추는 상황에서는 모델 신호보다 포지션과 주문 상태의 정확한 복원이 우선이다. 데이터 피드 단절 시 자동주문을 중지하는 fail-safe가 필요하다.

리스크관리: 클라우드·데이터벤더·OMS·청산기관에 대한 익스포저를 운영리스크가 아닌 시장·유동성 리스크 시나리오와 연결해야 한다.

시장미시구조: 주요 전자거래 플랫폼이나 가격벤더 장애는 호가 분산, 가격 불확실성과 bid–ask 확대를 동시에 일으킬 수 있다. 복구 직후에는 stale price를 근거로 한 잘못된 자동거래도 발생할 수 있다.

데스크 통제: 독립 가격원, 수동 헤지 절차, 주문 취소 확인, 포지션 스냅샷과 비상 연락체계를 정기적으로 테스트해야 한다.

데스크 적용 우선순위: ★★★★☆

오늘의 데스크 결론

오늘 연구에서 가장 중요한 흐름은 채권 AI의 입력 단위가 ‘개별 채권’에서 ‘관계와 분포’로 확장되고 있다는 것이다.

개별 회사채 특성뿐 아니라 주식시장 정보, 발행사·주관사 간 네트워크와 미래 유동성 분포를 함께 모델링해야 한다. 전환사채처럼 계약조건이 복잡한 상품에서는 딥러닝의 역할이 방향예측보다 경로의존 평가와 위험민감도 계산에 더 적합하다. 동시에 AI 시스템이 공통 인프라에 집중될수록 사이버·운영 장애가 유동성 충격으로 전환될 수 있으므로, 모델 개발과 복원력 설계를 분리해서는 안 된다.

오늘의 개발 우선순위

1. 회사채–주식 lead–lag 데이터셋 구축
2. 종목·발행사·그룹·주관사 관계 그래프 생성
3. 종목별 예상 유동성과 tail liquidity 지표 산출
4. 복잡한 옵션부 채권의 시나리오 평가 엔진 구축
5. 데이터 피드·OMS 장애 시 자동중지 및 포지션 복구 절차 점검

오늘 한 편만 읽는다면: Expected Bond Liquidity
회사채 알파모델을 개발 중이라면: Factor Investing and the Integration of Corporate Bond and Equity Markets
크레딧 전염경로를 연구한다면: CATNet을 우선 추천한다.