부도 여부에서 만기별 생존확률로 질문을 바꾸다
기업이 부도날지 외에 언제 발생할지도 추정할 수 있는가?
회사채에서 같은 기업의 부도위험도 보유 만기에 따라 중요도가 달라진다. 생존분석은 사건이 발생하는 시점을 추정하며 특정 기간까지 부도 없이 남을 확률을 다룬다. 이 연구는 부도와 정상의 이진분류를 넘어 만기별 누적 부도위험을 제공하는 문제를 구성한다.
기업 재무와 시장정보는 시간이 흐르며 변한다. 동적 딥러닝은 그 변화를 반영하고 다중과제 학습은 여러 예측과제 사이에서 공통 표현을 공유한다. 관측이 끝날 때까지 부도가 없었던 기업은 영원히 안전한 기업이 아니라 그 시점까지만 사건이 관측되지 않은 검열 자료로 처리한다.
부도 사례가 적은 회사채에서 관측기간의 차이를 보존하는 구조가 중요하다. 그러나 자연스러운 문제 설정이 실제 분류·확률 정확도의 개선을 자동으로 뜻하지는 않는다. 기록에는 세부 비교 성과가 없으므로 국내 시험에서는 만기별 확률의 보정과 드문 부도의 탐지 능력을 별도로 확인해야 한다.
SCOPE모형 구조 중심의 기록으로 기준 대비 정확도와 실제 손실 감소는 확인되지 않았다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓중국의 제도와 공매도 제약을 예측 평가에 반영하다
아시아 회사채에서 머신러닝의 성과는 어떤 조건에 달리는가?
회사채의 종목별 수익 차이는 발행사 재무만으로 설명되지 않을 수 있다. 중국 시장에서는 국유기업 비중과 암묵적 지원, 제도 변화가 위험 평가에 영향을 준다. 연구는 거시변수, 채권 특성과 발행사 정보를 사용해 이런 비선형 관계를 예측하는 머신러닝을 선형모형과 비교한다.
이전 기록은 통계적 예측력과 경제적 포트폴리오 평가에서 머신러닝이 선형모형을 앞섰다고 소개한다. 공매도가 가능한 매수·매도 전략 외에 매수 전용 전략도 평가했다. 현실적으로 팔 수 없는 채권을 매도한다고 가정하지 않고 결과를 살피려는 조건이다.
비선형 예측이 중국의 지원·제도 관계를 포착했다는 해석과 그 메커니즘의 인과 검증은 구별해야 한다. 기관별 거래 제한과 유동성이 다르면 표본의 가격 차이를 얻기 어렵다. 국내 적용에서는 같은 등급 안의 업종·지원 기대와 비용을 반영해 매수 전용 평가부터 비교하는 것이 연구 가설이 된다.
SCOPE중국의 제도와 지원 기대를 포함한 실증으로 다른 국가의 동일 성과를 보장하지 않는다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓발표 빈도가 다른 지표와 뉴스로 경기침체를 예측하다
텍스트가 경기침체 예측에 추가 정보를 주는가?
거시지표는 월별로 발표되지만 시장가격과 뉴스는 더 자주 바뀐다. 경기침체를 예측하려면 서로 다른 주기의 정보를 같은 시점에서 연결해야 한다. 이 연구는 일본의 거시지표, 금융시장 변수와 신문 텍스트를 혼합해 침체 여부를 예상한다.
U-MIDAS는 낮은 빈도와 높은 빈도의 설명변수를 함께 사용하는 회귀 구조다. 연구는 당시 이용 가능 정보에 가까운 의사 실시간 예측을 만들고 로짓 기준모형과 머신러닝을 비교했다. 기록은 머신러닝의 예측력이 일관되게 높았고 뉴스가 경기심리·정책·기업 정보를 보완했다고 소개한다. 평가는 약 30년을 대상으로 했다.
침체확률은 금리와 커브, 신용시장 위험 상태를 분류하는 데 참고할 수 있다. 하지만 직접적인 채권가격 연구가 아니며 정보가 이미 가격에 반영됐는지와 비용을 별도 평가해야 한다. 의사 실시간의 자료 공개 가정도 실제 최초 발표 자료와 다를 수 있어 국내에서는 공개시각과 개정 여부를 확인해야 한다.
SCOPE일본 경기침체 예측이며 직접적인 채권가격과 투자손익의 개선 결과가 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓바이사이드의 AI 사용을 후보 선별과 집행으로 나누다
업계가 기대하는 AI 효과는 어디에서 나타나는가?
채권 운용자는 많은 발행 조건과 종목을 살피면서 거래 상대방과 가격도 찾아야 한다. 바이사이드 업계 자료는 AI가 이 큰 투자대상을 좁히고 비정형 자료를 처리하는 방식에 주목한다. 가격 전망 외에 실제 업무량을 줄이는 역할을 살핀다.
기록은 스크리닝, 가격발견과 집행 효율화에서 가치가 나타난다는 업계 평가를 소개한다. 완전자율 시스템보다 거래 후보를 압축하고 적정가격·유동성 정보를 제공하는 보조 사용이 먼저 확산된다는 설명이다. 이런 조사 결과는 어느 업무에 관심과 자원이 들어가는지 알려준다.
업계가 효율 개선을 기대하는 것과 독립 평가에서 실제 개선이 나타나는 것은 다르다. 후보를 빨리 제시해도 잘못된 종목이나 오래된 호가를 포함하면 검토 부담이 커질 수 있다. 국내 시험은 자료 정리 시간과 추천 오류, 실제 체결 여건을 나눠 측정해야 기사에 소개된 기대를 검증할 수 있다.
SCOPE업계 조사와 기대를 담은 자료이며 통제된 거래성과 비교가 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓사전 호가와 유사채 관계로 지방채 곡선을 갱신하다
희소한 지방채의 가격을 상용 AI는 어떻게 평가하는가?
미국 지방채는 개별 종목과 계약조건이 많아 최근 체결만으로 모든 가격을 갱신하기 어렵다. Tradeweb의 곡선은 Municipal AiPrice 머신러닝과 플랫폼의 시장자료를 결합한다. 거래가 일어난 뒤의 자료 외에 투자자가 거래 전에 제시한 호가와 RFQ도 사용한다는 설명이다.
모형은 만기, 콜 일정, 쿠폰과 자금용도 같은 조건이 유사한 채권의 가격관계를 학습한다. 콜 일정은 발행사가 조기상환할 수 있는 시점을 뜻해 같은 만기라도 가치가 달라질 수 있다. 관련 종목의 정보를 묶어 미거래 지방채의 곡선 추정을 넓히는 상용 구조다.
사전 정보는 마지막 체결보다 최신 시장 상황을 담을 수 있지만 실제 거래 약속과 같지는 않다. 회사의 시스템 설명은 어떤 입력과 기능을 쓰는지 보여줄 뿐 독립적인 정확도 비교가 아니다. 국내 비유동채에 적용하려면 조건별 유사성의 타당성과 다음 체결 오차를 분리해 평가해야 한다.
SCOPE회사 상용 제품의 설명이며 독립적인 예측성능과 체결가 보장은 확인되지 않았다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓미래 위험의 시간경로와 현재 가격곡선은 다른 출력이다. 업계의 도입 사례도 정확도와 체결 개선을 같은 평가조건으로 검증해야 운용 판단에 연결된다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
부도 여부에서 만기별 생존확률로 질문을 바꾸다0 primary · 7 archived +
These 7 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓중국의 제도와 공매도 제약을 예측 평가에 반영하다0 primary · 6 archived +
These 6 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓발표 빈도가 다른 지표와 뉴스로 경기침체를 예측하다0 primary · 6 archived +
These 6 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓바이사이드의 AI 사용을 후보 선별과 집행으로 나누다0 primary · 5 archived +
These 5 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓사전 호가와 유사채 관계로 지방채 곡선을 갱신하다0 primary · 7 archived +
These 7 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
채권시장 AI 연구 브리핑 — 2026년 8월 5일
전일 브리핑의 채권·주식 교차시장 정보, 전환사채 딥러닝 평가, CATNet, 예상 채권 유동성, AI 사이버리스크는 제외했다. 오늘 오전까지 새로 발표된 신뢰도 높은 중앙은행·거래소 자료가 많지 않아, 최근 온라인 게재된 연구와 아직 소개하지 않은 1차·동료평가 자료를 중심으로 선정했다.
1. A Multi-Task Dynamic Deep Survival Network for Corporate Bond Default Prediction
구분: 논문·Journal of the Operational Research Society
발표일: 2026년 7월 16일
원문 링크: Taylor & Francis 원문
핵심 요약
기업 부도를 단순한 부도/정상 이진분류가 아니라, 언제 부도가 발생할 것인지를 추정하는 생존분석 문제로 구성한 연구다. 동적 딥러닝과 다중과제 학습을 결합해 시간에 따라 변하는 기업 재무·시장정보를 반영하고, 여러 예측과제가 공통 표현을 공유하도록 설계했다.
이런 접근은 특정 시점의 부도확률만 출력하는 전통적인 분류모형보다 만기별 누적 부도위험과 위험의 시간경로를 제공할 수 있다는 장점이 있다. 특히 회사채 데이터는 실제 부도표본이 적고 관측기간이 끝날 때까지 부도가 발생하지 않는 검열 데이터가 많으므로 생존분석 구조가 경제적으로 더 자연스럽다. 논문은 2026년 7월 온라인 게재된 최신 동료평가 연구다.
실무 시사점
크레딧 트레이딩: 1년 내 부도확률만으로는 잔존 3년과 10년 채권을 동일하게 비교할 수 없다. 만기별 생존확률과 위험집중 시점을 산출하면 동일 발행사의 단기·장기물 스프레드 상대가치를 더 정교하게 판단할 수 있다.
리스크관리: 부도확률뿐 아니라 위험이 급격히 상승하는 예상 시점과 차환 만기를 함께 관리해야 한다. 신용한도와 헤어컷도 단일 등급보다 기간별 위험곡선에 연동하는 방식이 적절하다.
시장미시구조: 모델이 위험 상승을 포착하더라도 실제 가격 반영은 거래빈도와 투자자 제약에 따라 지연될 수 있다. 예측치와 민평·실거래 스프레드 사이의 시차가 매매신호가 될 수 있다.
한국 적용: 재무비율, 회사채·CP 만기구조, 주가, 민평 스프레드, 단기자금 조달금리와 등급전망 변화를 월별 패널로 구성할 수 있다.
데스크 적용 우선순위: ★★★★★
2. Machine Learning in Corporate Bonds: Evidence from China
구분: 논문·Journal of Banking & Finance
온라인 발표일: 2026년 1월 9일
권·호 발행일: 2026년 3월
원문 링크: 출판사 원문 · 저자기관 공개본
핵심 요약
중국 회사채의 횡단면 수익률을 거시변수, 채권 특성 및 발행사 정보를 이용해 예측하고, 다양한 머신러닝 모델을 전통적인 선형모형과 비교한 연구다. 머신러닝은 통계적 예측력과 포트폴리오 경제성 모두에서 선형모형을 앞섰다고 보고한다.
특히 중국 시장의 국유기업 비중, 암묵적 정부지원, 빠른 제도 변화처럼 선형모형으로 표현하기 어려운 비선형 관계를 포착하는 데 강점을 보였다. 연구진은 현실적인 공매도 제약을 고려해 롱·숏뿐 아니라 롱온리 전략도 별도로 평가했다. 이는 미국 TRACE 중심 연구의 결론을 아시아 채권시장에 그대로 적용해서는 안 된다는 점을 보여준다.
실무 시사점
채권 트레이딩: 정부·그룹 지원 가능성, 공기업 여부와 정책적 중요성을 단순 더미변수가 아니라 재무·시장 변수와의 비선형 상호작용으로 모델링해야 한다.
포트폴리오 구성: 국내 회사채는 공매도가 어렵기 때문에 예측 상·하위 종목을 매수·매도하는 백테스트만으로는 실현 가능성을 판단할 수 없다. 롱온리 종목 교체와 벤치마크 대비 초과수익으로 검증해야 한다.
리스크관리: 제도 변화나 정부지원 기대가 바뀌면 과거의 데이터 관계가 빠르게 붕괴할 수 있다. 롤링 학습, 레짐별 검증과 최근 표본 가중이 필요하다.
한국 적용: 공기업·금융지주·그룹 계열사·독립기업을 구분하고, 지원 가능성·규제·발행시장 수요예측 정보를 별도 팩터로 넣는 것이 유효하다.
데스크 적용 우선순위: ★★★★★
3. Forecasting Recessions Using Machine Learning on Text and Mixed-Frequency Data
구분: 중앙은행 논문·일본은행 금융연구소 IMES Discussion Paper
발표일: 2026년 4월
원문 링크: 일본은행 IMES PDF
핵심 요약
일본의 경기침체를 예측하기 위해 월별 거시경제 지표, 주별 금융시장 변수와 신문 텍스트 지표를 혼합한 머신러닝 연구다. 서로 다른 빈도의 데이터를 결합하기 위해 U-MIDAS 구조를 사용하고, 약 30년을 대상으로 당시 이용 가능했던 정보에 가까운 의사 실시간 예측을 실시했다.
연구 결과 머신러닝 모델은 전통적인 로짓 기준모형보다 일관되게 높은 경기침체 예측력을 보였다. 특히 정량지표만으로 포착하기 어려운 경기심리와 정책·기업 관련 정보를 뉴스 텍스트가 보완했다. 직접적인 채권가격 예측 연구는 아니지만, 경기침체 확률은 금리 레벨·커브·크레딧 스프레드를 동시에 움직이는 핵심 상태변수다.
실무 시사점
금리 트레이딩: 뉴스 감성을 바로 국채 매매신호로 쓰기보다, 먼저 경기침체·인플레이션·정책전환 확률 같은 거시 상태변수로 변환하는 것이 안정적이다.
커브 전략: 경기침체 확률 상승은 일반적으로 인하 기대와 단기금리 하락을 유발하지만, 재정확대나 공급 우려가 동반되면 장기금리 반응은 달라질 수 있다. 침체확률과 기간 프리미엄을 분리해야 한다.
리스크관리: 확률이 임계치를 넘었는지만 보지 말고, 일주일 사이의 상승속도와 모델 간 의견 차이를 스트레스 지표로 활용할 수 있다.
한국 적용: 국내 기사, 금통위 문서, 수출·고용·생산 속보와 주간 금융변수를 결합해 한국형 경기·금리 레짐 확률을 산출할 수 있다.
데스크 적용 우선순위: ★★★★☆
4. How the Buy Side Thinks AI Will Impact Fixed-Income Markets
구분: 주요 금융시장 리서치기관 기사·Coalition Greenwich
발표일: 2026년 4월 8일
원문 링크: Coalition Greenwich 원문
핵심 요약
글로벌 채권 바이사이드가 AI를 어디에 실제 적용하고 있으며, 향후 어떤 영역에서 영향력이 커질 것으로 보는지를 조사한 업계 자료다. AI의 가치가 단순 가격예측보다 대규모 채권 유니버스의 스크리닝, 비정형 데이터 분석, 가격발견과 집행 효율화에서 빠르게 나타나고 있다고 평가한다.
채권시장은 상품 수가 많고 거래가 분산돼 있어 사람이 모든 종목과 RFQ를 동시에 처리하기 어렵다. 이에 따라 AI는 딜러나 운용역을 대체하는 완전자율 시스템보다, 거래 후보를 압축하고 적정가격과 유동성 정보를 제공하는 의사결정 보조수단으로 먼저 확산되고 있다. 업계 채택 현황을 파악하는 자료라는 점에서 학술논문과 보완적으로 볼 가치가 있다.
실무 시사점
트레이딩: 초기 적용과제는 방향예측보다 유사채 검색, 이상가격 탐지, RFQ 우선순위와 헤지 후보 추천이 적합하다.
시장미시구조: 모델은 ‘적정가격’만 제시해서는 부족하다. 거래 가능 수량, 예상 체결확률, bid–ask, dealer axes와 market impact를 함께 제공해야 한다.
리스크관리: AI 도입 효과를 예측 정확도로만 평가하지 말고, 호가 응답시간, 거래비용, 재고회전율과 체결 후 mark-out으로 측정해야 한다.
조직 운영: 숙련 딜러의 판단과 모델 추천이 달랐던 사례를 저장하면, 사람의 암묵지와 모델의 사각지대를 동시에 학습할 수 있다.
데스크 적용 우선순위: ★★★★☆
5. Tradeweb AAA Municipal Yield Curve Using Municipal AiPrice
구분: 거래플랫폼·AI 가격평가 서비스
최초 공개일: 2023년 12월 18일
현재 서비스: 2026년 운영 중
원문 링크: Tradeweb 공식 서비스 · 출시 자료
핵심 요약
Tradeweb의 AAA 지방채 수익률곡선은 Municipal AiPrice 머신러닝 모델과 전자거래 플랫폼의 고유한 시장데이터를 결합한다. 사후 체결자료뿐 아니라 기관투자가의 실제 사전 호가와 RFQ 정보를 사용해, 거래가 드문 지방채에서도 더 시의성 있는 커브를 구축하는 것이 특징이다.
모델은 만기, 콜 일정, 쿠폰, 자금용도 등 채권 속성이 유사한 종목을 찾아 이들의 가격관계를 학습한다. 약 백만 개에 이르는 개별 지방채를 사람이 일일이 평가하기 어려운 시장에서 AI가 유사채 선정과 커브 추정을 확장하는 대표적인 상용 사례다. 최신 연구는 아니지만, AI가 실제 채권 평가·시장미시구조 인프라에 배치된 사례라는 점에서 포함했다.
실무 시사점
가격평가: 비유동채권 커브에는 체결가격보다 사전 호가가 더 빠른 정보를 제공할 수 있다. 단, 실행 의도가 없는 indicative quote는 별도로 필터링해야 한다.
트레이딩: AI 커브 대비 실제 호가의 잔차를 종목별 상대가치 신호로 사용할 수 있다. 잔차가 크더라도 유동성이 부족하면 거래 가능 알파는 아닐 수 있다.
리스크관리: 모델가격은 관측가격과 동일하지 않다. 입력 호가의 수, 최근성, 모델 불확실성과 실제 거래까지의 거리를 함께 표시해야 한다.
한국 적용: 민평금리, K-Bond 호가, 최근 체결, 종목 속성과 지표·경과물 관계를 결합한 특수채·회사채 실시간 커브 구축에 직접 참고할 수 있다.
업데이트 사항: 신규 발표 자료는 아니지만, 전일 브리핑과 중복되지 않는 현재 운영 중인 AI 채권가격 인프라 사례로 소개한다.
데스크 적용 우선순위: ★★★★★
오늘의 데스크 결론
오늘 자료에서 확인되는 흐름은 세 가지다.
첫째, 크레딧 AI는 단순 부도 분류에서 만기별 부도위험의 시간경로를 예측하는 생존모형으로 이동하고 있다. 둘째, 채권 알파모델은 미국시장 중심의 보편모형보다 정부지원, 공매도 제한과 정보비대칭 등 시장별 제도적 구조를 학습하는 방향으로 발전하고 있다. 셋째, 상용화가 가장 빠른 영역은 방향예측보다 유사채 탐색, 가격평가, 커브 구축과 거래 후보 압축이다.
실무 개발 우선순위는 다음과 같다.
- 발행사별 만기·차환 일정을 반영한 동적 부도위험곡선
- 한국시장 제도·그룹지원 정보를 포함한 회사채 랭킹 모델
- 뉴스·거시정보 기반 금리 레짐 확률
- 사전 호가를 반영한 비유동채권 실시간 커브
- 모델가격과 실제 체결 간 mark-out 모니터링
오늘 한 편만 읽는다면: A Multi-Task Dynamic Deep Survival Network for Corporate Bond Default Prediction
한국 회사채 알파모델을 개발한다면: Machine Learning in Corporate Bonds: Evidence from China
상용화 가능성이 가장 높은 사례를 찾는다면: Tradeweb의 Municipal AiPrice를 우선 추천한다.