회사채 팩터의 비용을 베이지안 방식으로 추정하다
마찰 없는 팩터 성과가 실제 거래 후에도 남는가?
회사채 팩터는 특정 특성에 따라 종목을 묶어 얻는 수익이다. 수익이 보여도 거래를 반복하면서 매수·매도 비용이 나가면 실제로 남는 금액은 줄어든다. 연구는 관측 팩터와 잠재 팩터의 수익을 비용을 포함한 조건으로 다시 평가한다.
IPCA는 종목 특성으로 변하는 요인 노출을 이용해 관측되지 않는 공통 팩터를 추출한다. 비용은 베이지안 방법으로 추정해 불확실성을 반영한다. 기록은 비용 전 수익성 있는 관측 팩터의 대부분이 사라지고 잠재 팩터의 표본외 최적 위험 대비 수익도 크게 낮아졌다고 소개한다. 구체적으로 비용 전 수익성 있는 관측 팩터 20개 중 단 하나만 남았고, IPCA 포트폴리오 샤프는 7.80에서 2.25로 줄었다.
남아 있는 잠재 팩터 성과도 모든 거래자가 그대로 얻는 값은 아니다. 비용 추정과 종목 접근, 포트폴리오 구성의 가정에 의존한다. 예측 자체가 좋아도 신호가 약하고 회전이 많으면 마찰에 민감하다. 국내에서는 실제 호가와 체결 수량, 대기시간으로 추정 비용을 검증해야 비교의 의미가 유지된다.
SCOPE비용 추정 기반 팩터 비교이며 제시된 성과를 투자자가 같은 조건에서 실현한다고 보장하지 않는다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓캐리 분해의 예측 개선이 유동성 비용을 넘는가
잔여 수익 학습의 이익은 비용 이후에도 남는가?
캐리는 현재 곡선과 보유기간에서 계산할 수 있는 채권 수익 성분이다. 연구는 이를 먼저 산출하고 머신러닝이 이후의 잔여 가격 변화를 예측하도록 한다. 총수익 전체를 끝에서 끝까지 학습하는 구조와 경제적으로 분해한 구조의 차이를 비교한다.
이 날짜의 기록은 표본외 예측 개선뿐 아니라 비용 전후 성과를 함께 소개한다. 비용 전 수익은 높았지만 거래비용을 반영하면 상당 부분 사라졌다. 특히 머신러닝 알파가 유동성이 낮은 기간에 집중돼 영구적인 위험보상보다 일시적인 유동성 오가격을 포착했을 가능성을 제시한다. 사용 자료는 2.5백만 건 이상의 미국 회사채 월별 관측이다.
오가격이 큰 때는 이를 이용한 거래도 어려울 수 있다. 모델이 맞힌 신호와 실제로 얻은 수익이 달라지는 이유다. 유동성 오가격이라는 설명은 결과의 해석으로 남겨야 하며 위험프리미엄이 없다고 확정할 수는 없다. 국내 적용에서는 신호 발생 당시의 비용과 체결 지연을 넣어 유동성별 순성과를 비교해야 한다.
SCOPE유동성 오가격은 제시된 가능성으로, 모든 잔여 신호의 원인이나 국내 수익성을 확정하지 않는다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓평가 시차와 전처리를 맞춰 금리모형을 비교하다
최신 시계열 구조가 단순 기준을 이기는 조건은 무엇인가?
금리 수준은 오랫동안 지속되다가 정책과 경기 변화에서 구조가 달라질 수 있다. 연구는 원자료와 차분·정상화한 자료를 함께 살핀다. 정상성은 시간에 따라 통계적 관계가 크게 바뀌지 않는 성질로, 어떤 변환으로 예측 대상을 만들었는지가 비교의 출발점이다.
미국 국채의 47년 일별 자료에서 ARIMA와 전통 시계열, 앙상블 및 여러 신경망을 평가한다. 기록은 전체 기간에서 단순 계량 기준이 대체로 강했고 머신러닝 안에서는 TimeGPT, LightGBM과 RNN이 상대적으로 양호했다고 소개한다. 복잡한 구조가 일관되게 이긴 결과는 아니다.
예측 시차가 달라지면 지속성을 이용하는 기준모형의 강점도 달라질 수 있다. 시장국면과 입력 변환도 순위에 영향을 준다. 이 비교는 모델만 바꾸고 데이터 처리를 섞어 평가하면 우열을 잘못 읽을 수 있음을 보여준다. 국내 실험은 같은 목표와 시차, 같은 정보시점의 기준 대비 개선을 먼저 확인해야 한다.
SCOPE미국의 특정 비교 설계이며 한 구조가 모든 금리 예측에서 유리하다는 판단은 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓Jane Street가 공개하는 모델과 학습·추론 인프라
회사 공식자료에서 확인할 수 있는 딥러닝 운영은 어디까지인가?
신경망을 학습하는 과정과 실시간으로 예측을 계산하는 추론은 다른 운영 작업이다. Jane Street 자료는 거래전략을 구동하는 모델뿐 아니라 두 작업의 인프라도 개발한다고 설명한다. 공식자료와 채용 설명이 보여주는 것은 회사가 맡기는 업무와 시장 데이터를 처리하는 구조다.
기록은 금융자료의 낮은 신호 대비 잡음, 구조적 국면 변화와 반사성을 회사가 언급했다고 소개한다. 반사성은 자신의 거래가 이후 가격과 학습자료에 영향을 주는 성질이다. 적정 거래가격을 만들고 시장구조에 맞춰 알고리즘을 조정하는 과정도 교육 설명에 포함된다.
이 사실들을 가격 추정, 주문·재고 결정과 결과 재학습의 흐름으로 연결하는 것은 데스크의 추론이다. 공개자료가 그 흐름의 특정 알파와 성과를 입증하지는 않는다. 국내에서 참고할 부분은 입력과 예측, 실제 체결 및 후속 가격을 연결해 가설을 반복 검증할 데이터 구조이며 규모를 복제하는 일과 구별된다.
SCOPE공식 기술·채용 설명이며 비공개 전략과 거래 수익의 독립 검증이 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓XTX의 가격 판단과 재고 보유를 연결하는 설명
더 좋은 적정가격 추정은 유동성 공급을 어떻게 바꿀 수 있는가?
고객이 채권을 팔면 딜러는 바로 반대 거래를 하거나 재고로 보유할 수 있다. 즉시 헤지는 비용과 시장충격을 만들고 보유는 가격 위험을 남긴다. XTX 자료는 머신러닝 적정가격 판단을 바탕으로 위험을 일정 기간 보유하는 유동성 공급 방식을 설명한다.
공개자료는 여러 자산의 가격 예측을 직접 거래와 고객 유동성에 활용한다고 소개한다. 고객 주문을 곧바로 시장에 넘기지 않아 낮은 가격충격을 제공한다는 사업 설명과 포지션·주문 한도, 전후 거래 통제 및 보유기간 제한도 기록에 포함된다. 모델 출력과 별도의 위험관리 규칙이 존재하는 구조다. 규모로는 53,000개 이상 상품의 가격과 25,000개 이상 GPU, 1EB 이상 저장소를 회사가 공개했다고 기록한다. 인프라 규모 자체는 가격 우위의 증거가 아니다.
정확한 가격 판단이 기다릴 여력을 주고 가격충격을 줄일 수 있다는 수익 경로는 공개자료를 연결한 추론이다. 실제 가격 우위와 재고 손익은 공개되지 않았다. 국내 시험에서도 예상 체결률과 후속 가격, 금리 민감도를 함께 보되 기록 속 예시 숫자를 실측 성과처럼 사용하지 않아야 한다.
SCOPE회사 사업·통제 설명으로 수익 메커니즘의 독립 실증이나 국내 이익의 보장이 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓비용을 지불한 뒤 남는 수익과 회사가 공개한 기술 구조는 증거의 종류가 다르다. 가격 예측을 재고와 집행으로 연결하는 가설도 독립적인 거래 평가가 필요하다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
회사채 팩터의 비용을 베이지안 방식으로 추정하다0 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 ↓캐리 분해의 예측 개선이 유동성 비용을 넘는가0 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 ↓평가 시차와 전처리를 맞춰 금리모형을 비교하다0 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 ↓Jane Street가 공개하는 모델과 학습·추론 인프라0 primary · 9 archived +
These 9 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 ↓XTX의 가격 판단과 재고 보유를 연결하는 설명0 primary · 9 archived +
These 9 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·Quant Intelligence 브리핑 — 2026년 8월 8일
전일 브리핑의 ECB SPOT, ECB 기업 AI 도입, AI·시장미시구조 문헌연구, LTX Agentic BondGPT, Quality-Adjusted Hit Ratio는 제외했다. 오늘은 새로운 축으로 ① 거래비용 이후에도 남는 회사채 ML 알파, ② 채권 고유의 carry 구조를 ML에 결합하는 방법, ③ 딥러닝이 반드시 전통 금리모형을 이기는 것은 아니라는 검증, 그리고 ④ Jane Street·⑤ XTX Markets가 공개자료상 ML을 실제 트레이딩 P&L로 연결하는 구조를 골랐다.
특히 4·5번은 회사들이 공개한 사실과 그로부터 제가 도출한 실무적 추론을 명확히 분리했다.
1. The Profitability of Corporate Bond Factors with Transaction Costs
구분: 논문 · SSRN 워킹페이퍼
공개일: 2026년 4월 20일 / 최근 개정 4월 22일
원문: SSRN 원문
핵심 요약
이 논문은 회사채 팩터 전략에서 가장 중요한 질문을 정면으로 다룬다. **“백테스트 알파가 아니라 실제 거래비용을 지불한 뒤 얼마가 남는가?”**다.
저자들은 관측 가능한 회사채 팩터와 IPCA로 추출한 잠재 팩터를 대상으로 Bayesian 방식으로 거래비용을 추정한다. 마찰을 무시하면 20개 관측 팩터가 수익성이 있지만 현실적 거래비용을 적용하면 20개 중 단 하나만 살아남는다. IPCA 전략 역시 살아남기는 하지만 표본외 tangency portfolio의 Sharpe가 마찰 없는 7.80에서 거래비용 반영 후 2.25까지 크게 하락한다.
실무 시사점
채권 트레이딩: ML 연구에서 prediction IC → gross P&L까지만 보면 거의 의미가 없다. 최소한 expected alpha − bid/ask − market impact − financing − execution delay를 목표변수에 가깝게 취급해야 한다.
시장미시구조: ML이 발견하기 쉬운 이상가격일수록 유동성이 낮아 실제 거래비용이 높은 경우가 많다. 즉 가장 높은 예측 알파와 가장 높은 실현 알파의 종목 순위가 다를 수 있다.
리스크관리: 모델 출력값을 기대수익 하나로 두지 말고 E[P&L], E[Cost], P(fill), liquidity tail risk를 별도 추정하는 것이 좋다.
한국 적용: 민평 대비 괴리율이 큰 종목을 고르는 모델을 만들더라도 실제 체결 데이터로 비용함수를 따로 학습해야 한다. 회사채뿐 아니라 국고 경과물·본드스왑 상대가치에서도 동일하다.
데스크 적용 우선순위: ★★★★★
2. Harness Machine Learning with Carry
구분: 논문 · SSRN 워킹페이퍼
공개일: 2026년 1월 28일
원문: SSRN 원문
핵심 요약
이 연구의 아이디어는 단순하지만 채권에서는 매우 중요하다. 총수익률 전체를 AI에게 예측시키지 말고, 이미 경제적으로 계산 가능한 carry는 사람이 계산하고 나머지 가격변화만 ML에게 맡긴다.
2.5백만 건 이상의 미국 회사채 월별 관측치를 이용해 expected return = carry + ML-predicted residual price return 구조를 만든 결과, 총수익률을 end-to-end로 바로 예측하는 전통적인 ML보다 표본외 예측력이 개선됐다. 다만 gross return은 의미 있게 높았지만 거래비용을 적용하면 수익성이 상당 부분 사라졌다. 특히 ML 알파가 시장 유동성이 낮은 기간에 집중돼, 모델이 영구적인 risk premium보다 일시적 liquidity mispricing을 잡고 있을 가능성을 제시한다.
실무 시사점
이 논문의 설계철학은 꽤 중요하다.
채권 손익 = Carry + Roll-down + Duration P&L + Convexity + Spread/RV P&L
중 AI가 모든 항을 다시 배울 필요는 없다. Carry·DV01·roll-down처럼 이미 deterministic하게 계산 가능한 부분을 먼저 제거하고, 설명되지 않는 residual P&L만 ML에게 학습시키는 편이 데이터 효율과 해석가능성 측면에서 훨씬 좋을 수 있다.
예를 들어 국고 10/30 전략이라면
실제 P&L − carry − roll − hedge P&L
을 target으로 하고, 여기에 호가 imbalance / 외국인 수급 / 입찰 상태 / 선현 베이시스 / 미국 커브 / event state를 넣는 방식이다.
이는 채권 손익을 캐리·롤다운·DV01 등으로 분해하는 기존 데스크 프레임과 정확히 맞는다.
데스크 적용 우선순위: ★★★★★
3. Yield Curve Forecasting using Machine Learning and Econometrics: A Comparative Analysis
구분: 논문 · arXiv 프리프린트
발표일: 2026년 5월 11일
원문: arXiv 원문
핵심 요약
47년의 미국 Treasury 일별 데이터를 이용해 ARIMA·전통 시계열모형, ensemble ML, RNN, Transformer, TimeGPT 등을 광범위하게 비교한다. 상당히 흥미롭게도 복잡한 딥러닝 모델이 일관되게 이기지 않는다.
전체 기간에서는 ARIMA와 단순 econometric benchmark가 대체로 가장 강했고, ML 중에서는 TimeGPT, LightGBM, RNN이 상대적으로 좋은 성능을 기록했다. 연구는 비정상 시계열을 그대로 입력할지 차분·정상화해서 넣을지에 따른 차이도 분석한다. 즉 yield forecasting은 “Transformer니까 우월하다”는 문제가 아니라 horizon·regime·target transformation에 크게 좌우된다.
실무 시사점
금리 트레이딩: 딥러닝 모델을 개발할 때 반드시 random walk / AR / DNS / PCA 같은 단순 benchmark를 살아 있게 유지해야 한다.
모델 앙상블: 전 구간에서 하나의 모델을 고르는 것보다 레짐 → 모델 선택이 더 합리적일 수 있다. 예컨대 정상 시장에서는 AR/DNS, 이벤트 전후에서는 LGBM/RNN처럼 model routing을 시도할 수 있다.
리스크관리: 딥러닝의 RMSE가 조금 좋더라도 방향성 포지션의 turnover와 tail loss가 크면 사용할 이유가 없다.
한국 적용: 국고 3·5·10·20·30년을 대상으로 AR/DNS/PCA → LightGBM → RNN/Transformer 순으로 benchmark ladder를 만든 뒤, RMSE가 아니라 DV01 가중 OOS P&L로 비교하는 것이 적절하다.
데스크 적용 우선순위: ★★★★☆
Quant Firm Intelligence
4. Jane Street — “Deep learning models that power our trading strategies”
구분: 회사 공식 ML 페이지·채용자료
게시일: 페이지 자체 게시일 미표기 / 2026년 8월 8일 현재 공개 확인
원문: Jane Street Machine Learning
공개적으로 확인되는 사실
Jane Street는 공식적으로 **“deep learning is the future of quantitative trading”**이라고 밝히고 있으며, ML팀이 trading strategy를 구동하는 neural-network model과 이를 위한 training·inference infrastructure를 만든다고 설명한다.
회사는 금융 데이터의 특징으로 낮은 signal-to-noise ratio, 구조적 regime 변화, 그리고 자기 자신의 거래행위가 이후 학습 데이터에 영향을 주는 reflexivity를 명시하고 있다. 또한 현재 수만 개의 high-end GPU를 사용하며, 한 Texas 데이터센터에는 4,032개의 liquid-cooled GPU가 있다고 공개한다.
Quant Trader 교육 설명은 더 구체적이다. Jane Street는 시장데이터에서 tradable fair value를 만들고, 알고리즘을 시장구조에 맞게 최적화하는 과정을 실제 quantitative trading workflow의 일부로 설명한다.
수익 메커니즘 — 추론
비밀 전략은 공개되지 않는다. 다만 공개된 내용을 조합하면 상당히 명확한 구조가 보인다.
시장상태 → ML fair value → 상대적으로 잘못 가격된 주문/상품 탐지 → position/execution 결정 → production trade → 결과를 다시 학습
여기서 중요한 것은 “내일 10년 금리를 맞힌다”가 아니다. 미세한 conditional fair value를 매우 많은 상품과 시점에서 반복해서 개선하면 조금 더 좋은 가격결정·조금 더 좋은 체결·조금 더 좋은 재고관리가 누적된다.
한국 채권시장에 복제한다면
Jane Street 방식에서 가장 복제 가치가 높은 것은 모델 자체보다 학습 루프다.
호가 5단계 + 선물 + 현물 + basket + 외국인 + 체결 → fair value → action → 실제 체결 → mark-out → 다시 학습
특히 각 거래마다 1초·10초·1분·5분 후 mark-out을 보관하면 어떤 신호가 실제 가격발견에 기여했는지 학습할 수 있다.
가장 중요한 교훈:
큰 딥러닝 모델을 사오는 것이 아니라, 모델이 매일 자기 거래 결과를 다시 학습할 수 있는 데이터 구조를 만드는 것이 먼저다.
복제 난이도: ★★★★☆
복제 가치: ★★★★★
5. XTX Markets — ML Fair Value → Risk Warehousing → Low-impact Liquidity
구분: 회사 공식 기술·사업자료
게시일: 페이지 게시일 미표기 / 2026년 8월 8일 현재 공개 확인
원문: XTX Markets 공식 사이트
공개적으로 확인되는 사실
XTX Markets는 공개자료에서 머신러닝으로 53,000개 이상의 금융상품 가격을 예측한다고 명시한다. 대상은 주식뿐 아니라 fixed income, FX, commodities, crypto를 포함한다. 이 예측을 거래소·ATS에서 직접 거래하는 데 사용하고, 고객에게 유동성을 공급하는 데도 활용한다. 현재 공개된 연구 인프라는 25,000개 이상의 GPU와 1EB 이상의 usable storage 규모다.
XTX의 고객사업 설명은 수익화 메커니즘을 더 직접적으로 보여준다. 회사는 ML 기반 fair market value의 정확성을 바탕으로 고객 주문을 받은 뒤 리스크를 일정 기간 보유하며, 즉시 시장에 던지지 않음으로써 낮은 market impact의 유동성을 제공한다고 설명한다.
또 2026년 규제 공시에서는 position/order limits, pre/post-trade control과 holding-period 제한으로 시장위험을 관리한다고 밝히고 있다. 즉 ML 가격예측과 risk warehousing 뒤에는 별도의 deterministic risk-control layer가 존재한다.
돈을 버는 구조 — 공개자료에 기반한 추론
XTX의 공개자료에서 오늘 브리핑 전체 중 가장 중요한 구조를 뽑으면 이것이다.
Better Fair Value
→ 더 경쟁력 있는 Quote
→ 더 높은 Fill/Flow
→ 고객 주문을 즉시 헤지하지 않아도 되는 Risk Capacity
→ Market Impact 감소
→ Spread + Inventory P&L
즉 AI의 가치는 forecast accuracy 자체에서 끝나지 않는다.
예를 들어 고객이 채권을 팔아 왔을 때 XTX가 해당 자산의 fair value를 경쟁사보다 정확하게 안다면, 일시적으로 inventory를 들고 기다릴 수 있다. 고객 flow를 받은 직후 모두 반대매매하지 않으니 자신의 hedge impact도 줄어든다.
“예측 정확도 → 리스크 보유 능력”으로 전환되는 순간 ML이 시장조성 수익원이 된다.
한국 채권시장에 복제한다면
가장 현실적인 버전은 다음이다.
K-Bond/RFQ → ML Fair Value → Expected Fill Probability → Expected Mark-out → Inventory/DV01 → Quote
예를 들어 어떤 기관이 국고 10년물을 매도 문의하면 단순히 “현재 민평 −0.5bp”가 아니라,
Fair value: 3.421%
고객 제시: 3.424%
P(fill): 67%
10초 예상 mark-out: +0.4bp
현재 inventory: Long DV01 +2,500만원
recommended quote: 3.425%
처럼 의사결정해야 한다.
이 구조는 상대가치 전략에서 액면이 아니라 DV01 기준으로 위험을 중립화해야 한다는 국내 채권 운용의 기본 원리와도 바로 연결된다.
복제 난이도: ★★★★★
복제 가치: ★★★★★
오늘의 데스크 결론
오늘 자료를 연결하면 세계 상위 퀀트 회사의 AI와 학술논문의 방향이 점점 같은 곳으로 수렴한다.
학술 연구 쪽에서는
ML forecast → 거래비용을 빼면 사라지는 알파
가 반복적으로 확인되고 있다. 반면 Jane Street·XTX가 공개하는 production workflow는 애초에 예측을 독립 문제로 취급하지 않는다.
결국 실제 시스템은 이렇게 가야 한다.
State → Fair Value / Expected Return → Fill Probability → Expected Mark-out → Expected Trading Cost → Inventory / DV01 → Action → Actual P&L → 다시 학습
여기서 개인적으로 오늘 가장 중요한 포인트는 Expected Return Model만 만드는 프로젝트를 피해야 한다는 것이다.
오히려 네 개 모델이 필요하다.
- Fair Value Model — 지금 적정 가격은 얼마인가
- Alpha Model — 가격이 어느 방향으로 얼마나 움직일 것인가
- Execution Model — 이 가격에 주문하면 체결될 확률은 얼마인가
- Risk/Action Model — 현재 포지션에서 실제로 어떤 행동을 해야 하는가
그리고 가장 마지막의 DV01 limit·stop-loss·auto hedge·kill switch는 ML 밖에 두는 것이 좋다.
현재 내부 개발 계획에서 이미 목표로 잡고 있는 선행 호가 벡터 → 후행 손익 → 가능한 행동별 projection → 포지션·한도와 결합한 최적정책 구조는 이 방향과 상당히 잘 맞는다. 특히 틱 단위 5호가, 잔량·취소·체결, 3·10년 선물, 현선 베이시스, 바스켓 이론가와 손익을 event-time으로 축적하겠다는 데이터 계층이 먼저 갖춰져야 한다.
오늘 한 편만 읽는다면: Harness Machine Learning with Carry
백테스트 시스템을 만들고 있다면: The Profitability of Corporate Bond Factors with Transaction Costs
“상위 퀀트가 ML로 어떻게 돈을 버나”에 가장 가까운 공개자료: XTX Markets의 Fair Value → Risk Warehousing 구조다.