채권시장 AI·Quant Intelligence 브리핑 — 2026년 8월 10일

전일의 AI 회사채 가격발견, Trading Volume Alpha, 회사채 인덱스 효과, Citadel 대체데이터, Millennium AI agent는 제외했다. 오늘은 ① 설명가능한 회사채 ML, ② bond embedding 기반 유사채 탐색, ③ BlackRock의 LLM→거시 시그널 변환, 그리고 ④ Optiver가 공개한 LLM 트레이더 실험, ⑤ IMC의 production ML·Agentic AI 구조를 골랐다.

오늘의 핵심은 하나다. 최상위 실무자들은 “AI에게 매수/매도를 물어보는 것”보다 예측·정보추출·fair value·EV 계산·행동결정을 서로 분리하는 쪽으로 가고 있다.

---

1. Glass Box Machine Learning and Corporate Bond Returns

구분: 학술논문 · Journal of Financial Economics
발표일: 2026년 7월, Volume 181
원문: Journal of Financial Economics · NBER 공개본

핵심 요약

회사채 수익률 예측에서 높은 성능과 설명가능성을 동시에 얻을 수 있는지를 다룬 연구로, 2026년 7월 Journal of Financial Economics에 최종 게재됐다. 연구진은 고차원 회사채 특성을 이용하되 Explainable Boosting Machine 계열의 본질적으로 해석 가능한 ML을 적용해, 블랙박스 모델에 근접한 예측력을 유지하면서 각 변수가 수익률에 어떤 비선형 영향을 미치는지 관찰할 수 있도록 했다.

특히 term structure와 거시 불확실성 같은 변수들 사이에서 비선형 관계와 경제적으로 의미 있는 interaction이 나타난다. 모델 예측으로 회사채 포트폴리오를 구성하는 동시에, 포트폴리오가 왜 특정 종목을 선택했는지를 사전에 분석할 수 있다는 점이 핵심이다.

채권 데스크 시사점

트레이딩: 회사채 ML의 목표를 단순 spread cheap/rich score로 두기보다, 모델이 왜 해당 종목을 싸다고 판단하는지를 함께 출력시키는 편이 좋다. 예를 들어 유동성 + 만기 + 금리레짐 + 등급 + equity volatility 중 어떤 요인이 현재 신호를 만들었는지를 분해할 수 있어야 한다.

리스크관리: 설명가능성이 있으면 모델 이상징후도 빨리 탐지할 수 있다. 평소에는 신용·유동성 변수가 신호를 만들던 모델이 갑자기 특정 하나의 feature에 과도하게 의존하면 regime break 또는 데이터 오류를 의심할 수 있다.

한국 적용: 여전채·회사채 상대가치 모델에서 처음부터 Transformer를 쓰기보다 EBM/LightGBM + SHAP 또는 additive model을 강한 baseline으로 두는 것을 권한다.

내 평가: 모델 성능 자체보다 **“알파를 딜러가 검증 가능한 언어로 변환한다”**는 점이 실무적으로 가장 중요하다.

데스크 적용 우선순위: ★★★★★

---

2. Financial Bond Similarity Search Using Representation Learning

구분: 주요 금융기관 연구 · TD Bank / TD Securities 연구진, arXiv
발표일: 2026년 2월 2일
원문: arXiv

핵심 요약

TD Bank·TD Securities의 Model Development/Risk Management 연구진이 **“이 채권과 가장 비슷한 채권이 무엇인가?”**라는 고정수익 실무 문제를 representation learning으로 해결한 연구다. 기존 방식은 만기·쿠폰·금리 같은 숫자에 집중하지만, 연구진은 산업·발행사·국가·시장 유형 같은 categorical 정보가 spread curve의 횡단면 구조를 설명하는 데 오히려 중요할 수 있다고 주장한다.

이들은 issuer·industry·domicile 등을 dense embedding으로 바꿔 cosine similarity로 유사채를 검색하고, 이후 통화·만기·등급 같은 실무적 filter를 적용한다. 250개 발행사, 2,500개 회사채를 이용한 sparse-issuer 실험에서 embedding 기반 peer augmentation을 이용해 Nelson–Siegel spread curve를 복원했으며, 데이터가 희소한 상황에서도 안정적인 결과를 보였다.

연구진은 joint embedding이 성능은 조금 더 좋을 수 있지만, feature별 embedding 방식이 왜 두 채권이 비슷한지를 더 잘 설명한다는 trade-off도 명시한다.

채권 데스크 시사점

이건 한국 회사채에 매우 직접적으로 복제할 수 있다.

현재 유사채 검색을 사람이 한다면 대략:

동일 발행사 → 동일 등급 → 동일 섹터 → 비슷한 만기

순서다.

Embedding을 쓰면 이를

bond → latent vector → nearest neighbors

로 바꿀 수 있다.

그리고 결과를 fair-value engine의 첫 단계로 사용할 수 있다.

거래하려는 채권 → AI 유사채 20개 → 실거래·민평 spread → peer-adjusted fair spread → 현재 호가와 비교

시장미시구조: 거래가 거의 없는 종목도 유사채의 실시간 움직임을 이용해 stale price를 보정할 수 있다. 이는 비유동 회사채, 경과물, 사모채 평가에서 특히 가치가 크다.

개발 우선순위: ★★★★★

---

3. The Macro Decoder: Using LLMs to Read the World’s Economic Narrative

구분: 주요 금융기관 리서치 · BlackRock Systematic Investing
발표일: 2026년 3월 5일
원문: BlackRock Systematic Investing

핵심 요약

BlackRock은 LLM을 이용해 리서치·투자자 대화 등 비정형 텍스트에서 숨겨진 경제 전망, 시장 컨센서스와 의견 차이를 추출하고 이를 systematic macro signal로 연결하는 접근을 공개했다. 즉 단순 뉴스 sentiment가 아니라 “시장 참가자들이 성장·물가·정책을 실제로 어떻게 보고 있는가”를 구조화하는 데 LLM을 사용한다.

BlackRock의 더 넓은 systematic 연구에서는 ML을 개별 자산의 정밀한 return prediction에 억지로 적용하기보다, 여러 국가·시장의 데이터를 pooling하거나 상대가치 ranking problem으로 바꾸는 방법을 강조한다. 실제 duration timing 사례에서는 여러 시장을 함께 학습한 pooled learner가 인플레이션 레짐 변화에 따라 관련 시그널의 가중치를 빠르게 높이는 방식을 공개했다.

채권 데스크 시사점

이 방식은 금통위·FOMC 분석에 꽤 적합하다.

LLM에게

“이번 금통위는 hawkish인가 dovish인가?”

라고 묻는 것은 너무 단순하다.

대신

텍스트 → 성장전망 변화 → 물가전망 변화 → 정책반응함수 변화 → 인하/인상 속도 변화 → 시장 컨센서스 대비 surprise

로 분해해야 한다.

예를 들어 출력이

• 3개월 인하확률: +8%p
• 1년 성장 expectation: -0.15%p
• inflation persistence score: 변화 없음
• market consensus deviation: dovish 0.7σ

처럼 만들어지면 3년 선물·3/10 커브의 quantitative feature로 사용할 수 있다.

핵심: LLM은 트레이더가 아니라 비정형 데이터를 정형 factor로 변환하는 perception layer로 쓰는 편이 현재로서는 더 강하다.

데스크 적용 우선순위: ★★★★★

---

Quant Firm Intelligence

4. Optiver — LLM에게 실제 트레이더 시험을 시켜보니 어디서 무너졌나

구분: Optiver 공식 AI Engineering 블로그
발표일: 2026년 4월 27일
원문: Where AI trading models work — and where they still fall short

공개적으로 확인된 사실

Optiver Applied AI 팀은 최신 LLM들에게 실제 intern trader 시험과 약 6개월 경력 트레이더용 mock assessment를 수행시켰다. LLM은 기본 계산·trading theory뿐 아니라 simulated market-making 환경에서 fair value 계산, adverse selection 식별, bid/ask spread와 risk management의 개념까지 상당히 잘 수행했다.

하지만 문제가 생긴 곳은 sequential decision-making이었다. Optiver는 모델이 새로운 정보가 들어왔는데도 fair value를 반복적으로 갱신하지 않거나, 자기 거래 이후 추가 정보가 등장했을 때 belief update를 제대로 하지 못하고, 한두 단계 이후의 시장 참가자 반응을 예상하는 데 어려움을 보였다고 설명한다.

더 흥미로운 것은 EV 문제다. LLM은 expected value를 개념적으로 이해했지만 실제 상황에서는 positive-EV trade임에도 너무 적게 거래하거나 과도하게 hedge해 경제적으로 최적 수준보다 보수적인 행동을 보였다. informed counterparty를 제대로 식별하고도 negative-EV 가격에 거래하는 경우도 관찰됐다.

수익 메커니즘에 대한 추론

이 자료가 보여주는 것은 현재 LLM을 바로 Trading Policy로 쓰기 어려운 이유다.

문제는 지능 부족보다 구조다.

트레이딩은

State_t → Fair Value_t → Action_t → Market Reaction → State_t+1 → Fair Value_t+1

을 계속 반복해야 한다.

한 번 좋은 답을 생성하는 LLM benchmark와 완전히 다른 문제다.

따라서 지금 현실적인 아키텍처는:

LLM: 이벤트 해석·가설·설명
ML: fair value / alpha / fill / markout
Optimizer: position sizing
Rule Engine: risk limits
Trader: 최종 판단

이라고 보는 편이 맞다.

한국 채권시장에 복제한다면

특히 금통위·입찰처럼 정보가 연속적으로 들어오는 날에 적용할 수 있다.

예:

09:50 외국인 10선 매도 → fair value 갱신
10:00 입찰 결과 → 다시 갱신
10:05 PD flow → 다시 갱신
10:10 미국 선물 변화 → 다시 갱신

즉 “오늘 방향 알려줘” agent보다, state를 계속 업데이트하는 trading agent가 필요하다.

복제 가치: ★★★★★

---

5. IMC Trading — Predictive ML + 빠른 실험 + Agentic AI in Production

구분: IMC 공식 ML/Research 페이지
발표일: 게시일 미표기 — 2026년 8월 10일 현재 공식 공개 페이지
원문: IMC — ML Conferences / How ML is applied

공개적으로 확인된 사실

IMC는 ML을 연구 보조도구가 아니라 전체 trading workflow의 핵심이라고 공식적으로 표현한다. 공개 페이지에 따르면 ML은 대규모 noisy real-world dataset에서 market behaviour를 예측하고 trading opportunity를 찾는 predictive modelling, feature expansion, 그리고 기술 스택 전반의 model deployment에 사용된다.

더 주목할 부분은 연구→production 속도다. IMC는 연구 인프라가 대규모 실험을 빠르게 수행하고 live market에서 real-time feedback을 받을 수 있도록 설계돼 있으며, 일부 모델은 몇 시간 안에 영향도를 확인할 수 있다고 설명한다. 또한 engineering·trading·research workflow에 agent를 삽입하는 **“Agentic AI in production”**을 공식적으로 언급하고 있다.

IMC의 현재 공개 인프라는 120개 이상의 trading venue, 9개국 9,000대 이상의 서버, 일 단위 petabyte 규모 데이터 처리를 제시하며, ML·AI가 market forecasting, signal generation과 foundation-model training까지 사용된다고 밝힌다.

수익 메커니즘 — 추론

여기서 중요한 것은 모델 하나보다 research velocity다.

가령 두 회사가 동일한 데이터와 유사한 모델을 가지고 있다고 해보자.

A사는 새 모델 실험→production까지 3주.
B사는 6시간.

시장이 계속 변한다면 B사는 같은 기간 동안 훨씬 많은 hypothesis를 검증한다.

결국 경쟁우위는

Model Quality × Number of Experiments × Deployment Speed

에 가깝게 볼 수 있다.

즉 IMC가 공개한 구조에서 AI는 단순 predictive alpha뿐 아니라 연구 사이클 자체를 가속하는 자본장비 역할을 한다고 추론할 수 있다.

한국 채권시장에 복제한다면

이 부분은 대형 GPU보다 먼저 따라 할 수 있다.

딜러가 아이디어를 말하면:

자연어 가설 → SQL 자동작성
→ event-time 데이터 추출
→ 백테스트
→ DV01 normalization
→ transaction cost
→ P&L distribution
→ 결과 report

까지 자동으로 돌도록 하는 것이다.

예를 들어:

“30년 입찰 전날 10/30이 2bp 이상 steep했고 외국인이 10선을 대량 매도했을 때 익일 오전 reversal이 있었는지 봐줘.”

이 요청을 사람이 2시간 분석하는 것과 agent가 3분 분석하는 차이가 하루 한 번은 작아도 1년 연구 아이디어 수에서는 엄청난 차이가 된다.

복제 난이도: ★★★☆☆
복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 자료에서 가장 중요한 공통점은 AI 시스템을 하나의 거대한 모델로 만들지 않는다는 것이다.

회사채 연구에서는 설명 가능한 알파 모델과 유사채 embedding을 별도로 만들고, BlackRock은 LLM을 거시 텍스트를 tradable factor로 바꾸는 장치로 쓴다. Optiver 실험은 LLM의 가장 큰 약점이 연속적인 belief update와 EV-maximizing action이라는 점을 보여주고, IMC는 ML 모델뿐 아니라 연구→배포 feedback loop의 속도 자체를 경쟁력으로 본다.

따라서 실제 채권 AI 시스템의 구조는 점점 다음 형태가 적합해 보인다.

1. Representation Layer
채권·발행사·뉴스·시장 상태를 embedding.

2. Perception Layer
LLM이 금통위·뉴스·입찰·공시를 factor로 변환.

3. Valuation Layer
fair value와 relative value 계산.

4. Prediction Layer
future return / spread / fill / markout 예측.

5. Decision Layer
expected value와 inventory를 이용해 position sizing.

6. Safety Layer
DV01, stop, max loss, 자동 hedge, kill switch.

오늘 하나만 깊이 볼 경우 Optiver의 LLM trader 실험을 가장 추천한다. “LLM을 트레이딩에 어떻게 쓸까?”보다 어디까지 맡기면 안 되는가를 매우 구체적으로 보여주기 때문이다. 회사채 모델 개발 관점에서는 TD Securities의 Bond Similarity Search가 바로 프로토타입을 만들어볼 만한 자료다.