다른 통화의 정보로 할인곡선을 학습하기
미국 국채시장의 풍부한 가격정보를 다른 국가의 국채 할인곡선 구축에 이전하는 transfer learning 기반 커브 추정법을 제안한다. 먼저 경제적 평활성 제약이 포함된 kernel ridge regression으로 6개 주요국 국채 커브를 추정하고, 이를 중앙은행에서 널리 사용하는 Nelson–Siegel–Svensson 모형과 비교한다.
확장모형인 KR-Transfer는 미국 국채를 현물환·선물환으로 목표 통화의 ‘합성채권’으로 변환한 뒤 현지 국채와 공동 추정한다. 현지 채권 데이터가 부족한 만기에서는 기존 kernel 모형 대비 표본외 금리오차를 최대 44%, NSS 대비 68~87% 줄였으며, 현지 데이터가 충분한 구간에서는 기존 모형의 성능을 유지했다. 정보 개선은 주로 해당 만기의 FX forward가 존재할 때 나타나, 단순 통계적 전이가 아니라 교차통화 시장의 경제적 연결을 활용한다.
AI 변화가 소프트웨어와 사모신용에 던지는 질문
BIS는 미국 Business Development Company, 즉 BDC의 소프트웨어 기업 대출 익스포저를 분석해 생성형 AI가 사모신용시장에 미칠 위험을 점검했다. BDC가 소프트웨어 기업에 제공한 대출은 약 1,150억 달러로 전체 BDC 대출의 약 20%, 빠르게 성장한 기술 포트폴리오의 80% 이상을 차지한다.
현재까지 생성형 AI로 인한 소프트웨어 기업의 매출 불확실성은 대출가격이나 BDC 주가에 뚜렷하게 반영되지 않았다. 반면 최근 크레딧 스프레드가 축소돼 향후 손실을 흡수할 완충력이 줄었고, 일부 대형 BDC가 공통 차주군에 집중적으로 노출돼 있다는 점이 취약요인으로 지적된다. 담보부 대출과 상대적으로 낮은 레버리지는 충격을 제한할 수 있지만, 공통 차주 부실 시 여러 대주가 동시에 영향을 받을 수 있다.
머신러닝으로 듀레이션 결정을 돕기
미국과 유럽의 제로쿠폰 국채 수익률곡선을 대상으로 Dynamic Nelson–Siegel, PCA 등 전통 모형과 여러 신경망 구조를 비교한다. 평가를 RMSE·MAE·방향 적중률에 한정하지 않고, 예측을 이용한 듀레이션 운용전략의 실제 경제적 성과까지 함께 측정한 것이 특징이다.
미국에서는 DNS 요인으로 금리곡선을 축약하고 autoencoder로 거시변수를 압축한 직접예측 신경망이 가장 우수했다. 유럽에서는 거시변수를 추가한 모델보다 PCA 기반 금리요인만 사용한 신경망이 더 나은 결과를 보였다. 즉, 동일한 AI 구조를 모든 채권시장에 적용하는 것이 아니라 시장별 데이터 구조와 거시정보의 추가가치를 별도로 검증해야 한다.
사모신용 성과와 부도위험을 함께 보기
재무제표가 없거나 업데이트가 느린 비상장기업의 부도위험을 추정하기 위해, 공개 회사채시장에서 유사한 상장기업을 찾는 Public Market Equivalent 프레임워크를 제안한다. Random Forest로 회사채 특성과 위험지표 사이의 비선형 관계를 학습한 뒤, RF-GAP proximity를 이용해 각 비상장 차주와 경제적으로 유사한 소수의 상장 비교기업을 선정한다.
단순 산업분류나 규모 기준 비교와 달리, 모델이 실제 신용위험 예측에 중요하다고 학습한 변수공간에서 유사성을 판단한다. 비교기업군을 소수의 동일 섹터 기업으로 제한해 모델 결과의 설명가능성과 실무 검토 가능성을 높이려는 설계다. 비상장기업 데이터의 결핍을 합성 데이터로 채우기보다 공개시장 가격정보에 연결한다는 점이 핵심이다.
느린 매매에서도 정보 지연이 중요한 이유
거래가 드문 회사채에서 머신러닝 전략의 성과를 평가할 때 bid–ask만 차감하는 기존 접근의 문제를 지적한다. 원하는 시점에 거래가 체결되지 않으면 더 좋은 호가를 기다리는 대신 신호가 사라지거나 포지션 진입 자체를 놓치는 execution delay cost가 발생한다.
연구진은 341개 회사채 팩터와 여러 머신러닝 모델을 사용해 거래지연과 실제 호가를 반영한 실행수익률을 계산했다. 거래비용 전에는 다수 전략이 시장을 이겼지만, bid–ask와 체결지연을 함께 반영하면 최신 ML 전략의 bond CAPM 알파가 대부분 0 또는 음수로 낮아진다고 보고한다. 핵심은 회사채에서 예측 가능한 수익률과 실제로 획득 가능한 수익률이 크게 다를 수 있다는 점이다.
읽고 나서 남는 질문
이 자료들을 실제 운용에 연결하려면 사용한 시장과 기간, 비교 대상, 거래 비용을 먼저 확인해야 합니다. 아래 원문 링크에서 연구의 범위를 살펴보고, 국내 시장 적용 아이디어는 별도의 검증 과제로 읽어보세요.
편집 전 브리핑 원문 펼치기
채권시장 AI 연구 브리핑 — 2026년 8월 6일
전일 브리핑에서 다룬 동적 회사채 부도예측, 중국 회사채 머신러닝, 뉴스 기반 경기침체 예측, 바이사이드 AI 도입, Tradeweb AI 커브는 제외했다. 오늘은 최근 공개된 자료 중 글로벌 할인곡선 전이학습, AI발 사모신용 리스크, ML 듀레이션 운용, 비상장기업 부도위험 추정, 거래 지연을 반영한 회사채 ML 성과를 선정했다.
1. Stripping Discount Curves Across Currencies: Transfer Learning from US Treasuries
구분: 논문·SSRN 워킹페이퍼
작성일: 2026년 7월 6일
공개일: 2026년 7월 16일
원문 링크: SSRN 논문 · PDF
핵심 요약
미국 국채시장의 풍부한 가격정보를 다른 국가의 국채 할인곡선 구축에 이전하는 transfer learning 기반 커브 추정법을 제안한다. 먼저 경제적 평활성 제약이 포함된 kernel ridge regression으로 6개 주요국 국채 커브를 추정하고, 이를 중앙은행에서 널리 사용하는 Nelson–Siegel–Svensson 모형과 비교한다.
확장모형인 KR-Transfer는 미국 국채를 현물환·선물환으로 목표 통화의 ‘합성채권’으로 변환한 뒤 현지 국채와 공동 추정한다. 현지 채권 데이터가 부족한 만기에서는 기존 kernel 모형 대비 표본외 금리오차를 최대 44%, NSS 대비 68~87% 줄였으며, 현지 데이터가 충분한 구간에서는 기존 모형의 성능을 유지했다. 정보 개선은 주로 해당 만기의 FX forward가 존재할 때 나타나, 단순 통계적 전이가 아니라 교차통화 시장의 경제적 연결을 활용한다.
실무 시사점
채권 트레이딩: 원화 국고채의 비유동 만기나 장기구간 커브를 구축할 때 원화 데이터만 보간하지 않고, 미국 국채·원달러 FX swap·CRS 정보를 보조 신호로 활용할 수 있다.
상대가치: 현지 채권만 사용한 커브와 교차통화 정보가 포함된 커브의 차이는 글로벌 금리 전이, FX funding 또는 CIP 왜곡을 반영하는 상대가치 지표가 될 수 있다.
리스크관리: 부정확한 커브는 평가가격뿐 아니라 DV01, 포워드금리, 캐리와 롤다운을 동시에 왜곡한다. 가격 적합도와 함께 포워드커브의 안정성, 음의 할인율 같은 경제적 비정상 여부를 검증해야 한다.
한국 적용: 미국 국채를 원달러 FX forward와 CRS로 원화 합성채권화한 뒤 국고채·통안채 데이터와 공동 학습하는 실험이 가능하다. 다만 국내 외환시장의 유동성 시간대와 분기말 베이시스 왜곡은 별도로 통제해야 한다.
데스크 적용 우선순위: ★★★★★
2. AI Disruption in Private Credit: Exposure to Software Firms in BDCs
구분: 국제기구 보고서·BIS Bulletin No. 128
발표일: 2026년 7월 14일
원문 링크: BIS 보고서
핵심 요약
BIS는 미국 Business Development Company, 즉 BDC의 소프트웨어 기업 대출 익스포저를 분석해 생성형 AI가 사모신용시장에 미칠 위험을 점검했다. BDC가 소프트웨어 기업에 제공한 대출은 약 1,150억 달러로 전체 BDC 대출의 약 20%, 빠르게 성장한 기술 포트폴리오의 80% 이상을 차지한다.
현재까지 생성형 AI로 인한 소프트웨어 기업의 매출 불확실성은 대출가격이나 BDC 주가에 뚜렷하게 반영되지 않았다. 반면 최근 크레딧 스프레드가 축소돼 향후 손실을 흡수할 완충력이 줄었고, 일부 대형 BDC가 공통 차주군에 집중적으로 노출돼 있다는 점이 취약요인으로 지적된다. 담보부 대출과 상대적으로 낮은 레버리지는 충격을 제한할 수 있지만, 공통 차주 부실 시 여러 대주가 동시에 영향을 받을 수 있다.
실무 시사점
크레딧 트레이딩: AI가 소프트웨어 기업에 미치는 영향은 단순히 ‘수혜’ 또는 ‘피해’로 구분하기 어렵다. 반복 매출의 방어력, 고객 이탈률, AI 대체 가능성, AI 기능 도입비용과 부채상환능력을 분리해 분석해야 한다.
리스크관리: 개별 펀드나 BDC의 레버리지가 낮더라도 동일 차주에 여러 기관이 함께 대출했다면 시장 전체의 실질 레버리지는 높을 수 있다. 운용사별 익스포저 합산보다 차주–대주 네트워크가 중요하다.
시장미시구조: 사모대출 평가는 거래가격이 아니라 모델가격과 제한된 재무정보에 의존한다. 악재가 발생하면 평가가격은 천천히 조정되지만, 상장 BDC의 주가와 회사채는 먼저 반응할 수 있다.
한국 적용: 국내 사모사채·대출채권에서도 IT 서비스, 플랫폼, SI·소프트웨어 기업을 대상으로 AI 대체위험과 공통 대주 집중도를 함께 분석할 필요가 있다.
데스크 적용 우선순위: ★★★★★
3. Data-Driven Duration Management: Term Structure Forecasting Using Machine Learning
구분: 논문·arXiv 프리프린트
발표일: 2026년 6월 25일
원문 링크: arXiv 원문 · HTML
핵심 요약
미국과 유럽의 제로쿠폰 국채 수익률곡선을 대상으로 Dynamic Nelson–Siegel, PCA 등 전통 모형과 여러 신경망 구조를 비교한다. 평가를 RMSE·MAE·방향 적중률에 한정하지 않고, 예측을 이용한 듀레이션 운용전략의 실제 경제적 성과까지 함께 측정한 것이 특징이다.
미국에서는 DNS 요인으로 금리곡선을 축약하고 autoencoder로 거시변수를 압축한 직접예측 신경망이 가장 우수했다. 유럽에서는 거시변수를 추가한 모델보다 PCA 기반 금리요인만 사용한 신경망이 더 나은 결과를 보였다. 즉, 동일한 AI 구조를 모든 채권시장에 적용하는 것이 아니라 시장별 데이터 구조와 거시정보의 추가가치를 별도로 검증해야 한다.
실무 시사점
금리 트레이딩: 금리 예측오차가 작다는 사실만으로 좋은 전략은 아니다. 예측 방향을 실제 듀레이션으로 전환했을 때 캐리·롤다운·회전율·거래비용을 차감한 성과로 모델을 선택해야 한다.
모델 구조: DNS나 PCA를 버리고 end-to-end 신경망으로 대체하기보다, 전통 금리요인을 입력·잠재변수로 활용하는 하이브리드 구조가 실무적으로 안정적이다.
리스크관리: 미국에서 유효한 거시변수 압축 방식이 유럽에서는 성능을 저하시켰다. 한국 시장에서도 미국 금리, 환율, 유가, 국내 지표를 무차별적으로 투입하지 말고 변수군별 ablation test가 필요하다.
한국 적용: 국고 3·5·10·20·30년 제로금리와 3·10년 국채선물을 함께 사용해 금리 예측 → 목표 DV01 → 선물 계약 수까지 연결된 백테스트를 구성할 수 있다.
데스크 적용 우선순위: ★★★★★
4. A Machine Learning-Based Public Market Equivalent Framework for Estimating Default Risk in Private Credit
구분: 주요 금융기관 연구논문·BlackRock 연구진 SSRN 프리프린트
작성일: 2026년 4월 15일
공개일: 2026년 7월 6일
원문 링크: SSRN 논문 · PDF
핵심 요약
재무제표가 없거나 업데이트가 느린 비상장기업의 부도위험을 추정하기 위해, 공개 회사채시장에서 유사한 상장기업을 찾는 Public Market Equivalent 프레임워크를 제안한다. Random Forest로 회사채 특성과 위험지표 사이의 비선형 관계를 학습한 뒤, RF-GAP proximity를 이용해 각 비상장 차주와 경제적으로 유사한 소수의 상장 비교기업을 선정한다.
단순 산업분류나 규모 기준 비교와 달리, 모델이 실제 신용위험 예측에 중요하다고 학습한 변수공간에서 유사성을 판단한다. 비교기업군을 소수의 동일 섹터 기업으로 제한해 모델 결과의 설명가능성과 실무 검토 가능성을 높이려는 설계다. 비상장기업 데이터의 결핍을 합성 데이터로 채우기보다 공개시장 가격정보에 연결한다는 점이 핵심이다.
실무 시사점
크레딧 분석: 비상장 차주의 등급을 곧바로 예측하기보다, 먼저 어떤 상장기업과 유사한지를 제시하면 심사역이 모델 판단을 검증하기 쉽다.
시장가격 활용: 공개 회사채 스프레드, 주가, CDS 등 시장기반 지표는 재무제표보다 빠르게 변한다. 이를 사모대출의 내부등급과 예상손실률에 보조적으로 반영할 수 있다.
리스크관리: 유사기업이 존재하지 않는 독특한 사업모델이나 구조화 차주는 모델이 억지로 비교기업을 제시할 위험이 있다. 최소 유사도와 out-of-distribution 경고가 필수다.
한국 적용: 공모 회사채 발행기업을 학습표본으로 삼아 비상장기업·사모사채·PF 보증주체의 비교기업과 암묵적 스프레드를 추정할 수 있다. 그룹 지원 가능성과 계열관계는 별도 범주형 변수로 반영해야 한다.
데스크 적용 우선순위: ★★★★☆
5. The Low Frequency Trading Arms Race: Machines Versus Delays
구분: 논문·SSRN 워킹페이퍼
SSRN 공개일: 2025년 7월 9일
원문 기준일: 2024년 11월 12일
원문 링크: SSRN 논문 · 연구자 페이지 · ABFER PDF
핵심 요약
거래가 드문 회사채에서 머신러닝 전략의 성과를 평가할 때 bid–ask만 차감하는 기존 접근의 문제를 지적한다. 원하는 시점에 거래가 체결되지 않으면 더 좋은 호가를 기다리는 대신 신호가 사라지거나 포지션 진입 자체를 놓치는 execution delay cost가 발생한다.
연구진은 341개 회사채 팩터와 여러 머신러닝 모델을 사용해 거래지연과 실제 호가를 반영한 실행수익률을 계산했다. 거래비용 전에는 다수 전략이 시장을 이겼지만, bid–ask와 체결지연을 함께 반영하면 최신 ML 전략의 bond CAPM 알파가 대부분 0 또는 음수로 낮아진다고 보고한다. 핵심은 회사채에서 예측 가능한 수익률과 실제로 획득 가능한 수익률이 크게 다를 수 있다는 점이다.
실무 시사점
트레이딩: 종가나 민평가격으로 즉시 체결된다고 가정하는 백테스트는 회사채 알파를 과대평가한다. 신호 발생 이후 실제 첫 거래까지의 시간과 그사이 발생한 가격변화를 포함해야 한다.
시장미시구조: 거래를 서두르면 넓은 스프레드를 부담하고, 기다리면 알파가 감쇠한다. 따라서 최적 실행은 즉시체결 비용과 대기 중 신호 손실의 균형 문제다.
리스크관리: 모델이 추천한 종목을 매수하지 못한 경우를 단순 결측으로 제거하면 안 된다. 미체결 자체가 해당 전략의 경제적 성과에 포함돼야 한다.
한국 적용: 회사채 백테스트에서 민평가 체결을 금지하고, 실제 체결일·거래량·매수 가능 수량을 기준으로 진입을 지연시키는 실행 시뮬레이터가 필요하다.
선정 사유: 오늘 자료 중 발표 시점은 가장 오래됐지만, 전일 브리핑과 중복되지 않으며 회사채 AI 모델의 실현 가능성을 검증하는 데 직접적인 경고를 제공하는 연구여서 포함했다.
데스크 적용 우선순위: ★★★★★
오늘의 데스크 결론
오늘 자료의 공통 메시지는 채권 AI의 경쟁력은 예측모델보다 연결 계층에서 결정된다는 것이다.
금리모델은 다른 국가의 국채와 FX forward를 연결해야 하고, 사모신용은 공개시장 비교기업과 연결해야 한다. AI 관련 크레딧 위험은 개별 기업이 아니라 공통 차주와 대주 네트워크를 통해 파악해야 한다. 마지막으로 아무리 좋은 ML 신호도 실제 호가와 거래지연을 연결하지 않으면 경제적 알파가 되지 못한다.
실무 개발 우선순위는 다음과 같다.
- 커브 계층: 국고채·미국 국채·FX swap·CRS를 시점 정합으로 연결
- 신용 계층: 공모 회사채와 사모 차주의 유사기업 매핑
- 전염 계층: 차주–대주–펀드 네트워크 기반 집중도 측정
- 행동 계층: 금리예측을 목표 DV01과 실제 주문으로 변환
- 실행 계층: 호가·거래량·미체결·지연비용을 포함한 백테스트
오늘 한 편만 읽는다면: Stripping Discount Curves Across Currencies
회사채 자동매매를 개발 중이라면: The Low Frequency Trading Arms Race
사모신용 또는 비상장기업 위험을 다룬다면: BlackRock의 PME 연구와 BIS Bulletin 128을 함께 읽는 것이 가장 유용하다.