채권시장 AI·Quant Intelligence 브리핑 — 2026년 8월 9일

전일 브리핑의 Harness Machine Learning with Carry, 거래비용 반영 회사채 팩터, Yield Curve Forecasting 비교연구, Jane Street ML 인프라, XTX의 fair value·risk warehousing은 제외했다. 오늘은 ① AI 기반 회사채 가격발견, ② 거래량 예측을 통한 실행 알파, ③ 인덱스 리밸런싱이 회사채 유동성에 만드는 시간대별 구조, 그리고 ④ Citadel의 대체데이터→알파 생산과정, ⑤ Millennium의 투자팀 단위 AI agent 도입을 선정했다.

---

1. Illiquidity Meets Intelligence: AI-Driven Price Discovery in Corporate Bonds

구분: 논문 · SMU Cox School of Business Research Paper / R&R at Review of Financial Studies
최초 발표일: 2025년 6월 15일
상태: 2026년 현재 Review of Financial Studies Revise & Resubmit
원문: SMU 공식 연구 페이지 · 저자 연구 페이지

핵심 요약

이 연구는 MarketAxess의 AI 기반 회사채 reference price인 CP+가 실제 회사채 가격발견에 얼마나 유용한지 분석한다. 연구진은 2017~2023년 20,335개 회사채의 2,490만 건 비소매 거래와 약 118억 개의 CP+ quote를 이용해, 최근 체결가격과 AI reference price 중 어느 쪽이 미래 체결가격을 더 잘 설명하는지 비교했다. CP+는 최근 체결가보다 미래 거래가격에 더 많은 정보를 담고 있었으며, 업데이트에는 채권시장뿐 아니라 주식·옵션시장 움직임과 RFQ 과정에서 발생한 bond-specific 정보도 반영됐다.

실무 시사점

채권 트레이딩: 비유동 회사채에서 가장 최근 체결가는 사실상 stale price일 수 있다. 따라서 last trade보다 여러 자산·RFQ·유사채 정보를 통합한 continuous fair-value estimate를 만드는 것이 우선이다.

시장미시구조: 이 연구에서 특히 중요한 부분은 AI 가격이 공개 체결정보만 학습하는 것이 아니라 RFQ 과정의 비공개 또는 준비공개 정보까지 흡수한다는 점이다. 즉 좋은 fair-value 모델은 가격 시계열 모델이 아니라 시장 전체의 정보 집계기에 가깝다.

한국 적용: 회사채·여전채에서 민평 + 최근 체결 + 주식 + CDS/크레딧 ETF 대용변수 + 동일 발행사 다른 만기 + RFQ/호가 + 섹터를 사용해 자체 continuous price를 만드는 것이 가장 직접적인 복제 과제다.

개발 우선순위: ★★★★★

---

2. Trading Volume Alpha

구분: 논문 · NBER Working Paper / SSRN 개정본
최근 개정일: 2026년 7월 10일
원문: NBER Working Paper · SSRN

핵심 요약

이 논문의 출발점은 매우 실무적이다. 대부분의 퀀트 연구는 수익률을 예측하는 데 집중하지만, 실제 수익은 언제 얼마나 거래할 수 있느냐에도 크게 좌우된다. 연구진은 개별 종목 거래량이 ML로 상당히 잘 예측된다는 점을 이용해, 예상 거래량을 예상 market impact와 결합하고 tracking error와 거래비용을 동시에 최적화한다. 저자들은 거래량 예측만 개선해도 대규모 포트폴리오에서는 net-of-cost 성과 개선폭이 수익률 예측의 경제적 가치에 필적할 수 있다고 보고한다.

특히 저유동성 구간에서 거래량을 과대평가하는 오류의 비용은 비대칭적으로 크다. 실제 유동성이 부족한데 많이 거래하면 participation rate와 impact가 급증하기 때문이다. 논문은 이를 단순 MSE가 아니라 경제적 목적함수로 ML을 재학습하는 economic learning 문제로 본다.

실무 시사점

주문집행: 좋은 알파가 있다고 해서 바로 거래해야 하는 것은 아니다.

Expected Alpha > Expected Impact + Opportunity Cost

일 때만 거래하는 구조가 필요하다.

채권시장에서는 더 중요하다. 주식보다 거래 빈도가 훨씬 낮기 때문에 오늘 거래량이 얼마나 나올 것인가보다 향후 30초·5분·1시간 동안 원하는 size가 체결될 확률을 예측하는 것이 더 적절하다.

한국 시장에서는 예를 들어:

P(fill | 호가, 잔량, 시간대, 이벤트, 브로커, 종목, size)

를 모델링하고, 이 확률이 낮으면 즉시 거래하지 않고 다른 종목·선물·스왑으로 임시헤지를 하는 식이다.

중요한 교훈:
execution model의 경제적 가치가 alpha model만큼 클 수 있다.

개발 우선순위: ★★★★★

---

3. The Growing Index Effect in the Corporate Bond Market

구분: 논문 · SSRN / AFA 2026 발표 / Journal of Financial Economics R&R
최근 개정본: 2026년 4월
원문: SSRN

핵심 요약

회사채 ETF·인덱스 추종 자금이 커지면서, 과거 하루에 비교적 고르게 분산됐던 회사채 거래가 인덱스 가격 산출 시점 주변으로 집중되는 현상을 분석한다. 연구진은 실제 체결자료와 머신러닝으로 생성된 분 단위 회사채 가격을 이용해 분석했으며, 2024년 기준 주요 인덱스 pricing time 전후 1분에 하루 거래량의 약 10%가 몰리는 현상을 확인한다. Bloomberg의 index pricing time 변경을 자연실험으로 사용한 결과, 인덱스 수요가 이 거래 집중을 인과적으로 만들어낸다는 증거를 제시했다. 해당 시간대 유동성은 좋아지지만 다른 시간대 유동성은 악화될 수 있고, 스트레스 상황에서는 그 편익이 약화될 수 있다.

실무 시사점

이 논문의 의미는 시장 유동성이 종목의 고정된 속성이 아니라 시간대별로 움직이는 state variable이라는 것이다.

예를 들어 동일한 회사채라도

• 10:00에는 size 20억 체결비용 3bp
• index close 근처에는 0.8bp

가 될 수 있다.

그렇다면 전략은 무엇을 살까?만 결정하면 안 되고 **언제 실행할까?**도 동시에 최적화해야 한다.

한국 채권시장 적용: 월말 지수 리밸런싱, 국채선물 롤오버, 국고채 입찰 직전·직후, 금통위, 장 마감 민평 산출 시간대처럼 거래가 모이는 구간을 event-time liquidity map으로 만들 필요가 있다.

특히 인덱스·평가가격 시각 주변의 거래집중은 상대가치 신호가 아니라 execution opportunity일 수 있다는 점이 중요하다.

개발 우선순위: ★★★★☆

---

Quant Firm Intelligence

4. Citadel — Alternative Data → AI/ML → Investment Decision → Production

구분: 회사 공식 인터뷰 · Citadel Data Strategies Group
발표일: 2026년 3월 17일
원문: Citadel 공식 인터뷰

공개적으로 확인된 사실

Citadel의 Data Strategies Group은 전통적인 시장데이터가 아니라 위성영상, 실물활동 데이터, 가격, 텍스트 등 대체데이터를 대상으로 통계·AI·ML을 이용해 투자 의사결정에 직접 쓸 수 있는 신호로 변환한다. 이 중앙 연구조직은 equities뿐 아니라 commodities, fixed income, macro를 포함한 전사 투자팀과 협력한다.

Citadel이 공식적으로 설명한 연구 흐름은 상당히 구체적이다.

새로운 데이터 발굴 → 기존 데이터 대비 추가 정보 검증 → AI/ML signal extraction → PM과 commercial use case 설계 → Quant Developer가 production화

이며, 성공적인 연구는 배포 후 수일~수주 안에 commercial impact가 나타날 수도 있다고 설명한다. 연구원은 시간을 주로 active research에 사용하고, Quant Developer는 확장성과 production deployment를 담당한다.

수익 메커니즘 — 추론

Citadel의 공개자료에서 읽을 수 있는 경쟁우위는 단순히 “AI 모델이 좋다”가 아니다.

Information edge × Time edge × Distribution edge

로 볼 수 있다.

• Information edge: 남들이 사용하지 않는 데이터를 찾는다.
• Time edge: 공개 재무지표보다 빠르게 현실 변화를 감지한다.
• Distribution edge: 하나의 데이터셋을 여러 투자팀·자산군에 재사용한다.

예를 들어 위성·물류·채용·결제 데이터가 특정 산업의 실물활동을 빠르게 알려준다면 이는 주식뿐 아니라 해당 기업 회사채, CDS, 원자재와 금리 포지션에도 사용될 수 있다. Citadel은 공식적으로 fixed income과 macro 팀에도 이러한 결과를 공급한다고 밝힌다.

한국 채권시장에 복제한다면

우리 시장에서는 대체데이터를 거창하게 시작할 필요가 없다.

가장 먼저 가치가 있을 가능성이 높은 것은:

국발계·입찰결과·금통위 문서·뉴스·K-Bond 호가·선물 수급·외국인 포지션·레포·기업 공시

처럼 이미 존재하지만 서로 떨어져 있는 데이터를 시점 정합으로 통합하는 것이다.

이후 각각의 데이터에 대해 단 하나의 질문을 한다.

“이 데이터는 현재 가지고 있는 state vector에 없는 새로운 정보가 있는가?”

새로운 데이터 소스를 추가할 때마다 incremental IC와 OOS P&L을 측정하는 방식이 Citadel DSG 공개 프로세스에서 가장 복제 가치가 높다.

복제 가치: ★★★★★

---

5. Millennium Management — AI Agent를 Fundamental Trading Team 안으로 넣기

구분: 회사 공식 채용공고 · AI/Trading
게시: 2026년 현재 모집 중인 포지션
원문: Millennium 공식 채용공고

공개적으로 확인된 사실

Millennium은 현재 런던의 fundamental investment team에 AI 인력을 직접 투입하는 Off-Cycle AI Intern (Trading) 포지션을 모집하고 있다. 공개된 채용 설명에 따르면 해당 역할의 목적은 투자팀과 함께 AI-powered tools와 agent를 설계·개발·구현하는 것이다.

이는 전일 다룬 Jane Street·XTX와 구조가 다르다. Jane Street나 XTX는 대규모 ML이 자동거래의 핵심 엔진이라는 색채가 강한 반면, Millennium에서는 AI가 독립 PM/pod의 기존 투자 프로세스 안으로 들어가는 방식이 공개자료에서 확인된다. Millennium의 기술 조직도 AI·ML·고급 데이터분석을 여러 투자팀이 선택적으로 활용하는 인프라를 제공한다고 설명하고 있다.

수익 메커니즘 — 추론

Millennium형 모델을 다음처럼 보는 것이 적절하다.

AI가 PM을 대신해 하나의 거대한 중앙 전략을 만드는 것이 아니라,

PM의 hypothesis → AI research agent → 데이터 탐색 → 분석/백테스트 → investment decision → PM P&L

의 반복속도를 높이는 것이다.

그 결과 한 전략의 Sharpe를 극적으로 높이는 것보다 수백 개 독립 투자팀이 더 많은 가설을 더 빠르게 검증하는 것이 전체 플랫폼 수익으로 연결될 수 있다.

한국 채권 데스크에 복제한다면

이 방식은 구현 난이도가 낮고 ROI가 빠를 수 있다.

예를 들어 딜러가

“30년 입찰 전날 10/30이 2bp 이상 steep됐고 외국인이 10선을 5천 계약 이상 팔았던 날 이후 패턴 찾아줘.”

라고 하면 AI agent가 자동으로:

1. 조건을 SQL로 변환
2. 과거 이벤트 탐색
3. 이후 5분/30분/익일 P&L 계산
4. 동일 패턴의 hit ratio와 tail loss 계산
5. 현재 포지션에 맞는 DV01 제안

까지 하는 것이다.

이렇게 하면 사람이 아이디어를 내고 개발자가 매번 데이터를 뽑는 현재 연구 병목을 줄일 수 있다.

복제 난이도: ★★★☆☆
복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 다섯 자료를 하나로 묶으면 상당히 명확한 구조가 나온다.

과거 퀀트 시스템은 대체로

가격 예측 → 거래

였다.

지금 공개 연구와 상위 퀀트 회사의 움직임은 점점 다음 구조로 바뀐다.

Alternative Data / Market State
→ Fair Value
→ Expected Alpha
→ Liquidity / Volume Forecast
→ Execution Timing
→ Portfolio & Risk Constraint
→ Order
→ Mark-out / P&L
→ 재학습

특히 오늘 가장 중요한 포인트는 “가격을 잘 맞히는 것”과 “돈을 잘 버는 것” 사이에 두 개의 모델이 더 필요하다는 것이다.

Liquidity Model — 언제 얼마나 거래 가능한가
Execution Model — 어떤 가격에 주문해야 체결 후 손익이 가장 좋은가

따라서 실제 개발 우선순위를 잡는다면 다음 순서를 권한다.

1. Continuous Fair Value — CP+와 유사한 국고·회사채 AI 가격
2. Fill/Volume Model — 거래가능성 및 liquidity forecast
3. Mark-out Model — 체결 이후 실제 정보가치 측정
4. Research Agent — 딜러 가설을 자동 백테스트
5. Action Optimizer — alpha·비용·DV01·포지션을 하나의 행동으로 변환

오늘 하나만 읽는다면 AI-Driven Price Discovery in Corporate Bonds, 실제 자동매매 개발 관점에서는 Trading Volume Alpha, 조직 차원의 AI 활용 모델을 본다면 Citadel DSG 인터뷰를 가장 추천한다.