채권시장 AI·Quant Intelligence 브리핑 — 2026년 8월 14일

전일의 RMATS, 미 Aggregate Bond 딥러닝, 회사채 regime-switching curve, Jump Trading, DRW는 제외했다. 오늘은 EU-Bond 커브 예측, 채권 리스크 프리미엄의 tail forecasting, 회사채 ensemble learning 3건과, Tower Research Capital의 HFT→MFT 확장, Flow Traders의 AI·딥러닝 기반 market-making 전략 2건을 선정했다.

오늘은 특히 퀀트 회사 자료가 좋다. Tower는 바로 어제인 8월 13일 공식 글을 냈고, Flow Traders는 최근 반기보고서와 Capital Markets Day에서 AI가 어떻게 pricing·risk·alpha generation·research velocity로 이어지는지 이례적으로 구체적으로 공개했다.

---

1. On EU-Bonds Yield Curve Forecast

구분: 논문 · SSRN Working Paper
작성일: 2026년 7월 23일
SSRN 게시: 2026년 8월 5일
원문: SSRN 원문.

핵심 요약

EU가 2020년 이후 대규모 공동채권 발행을 확대하면서 형성된 EU-Bond yield curve를 처음으로 본격 예측한 연구다. 저자들은 2024년 일별 금리로 Nelson-Siegel과 Svensson 커브를 추정하고, 2025년 1월을 대상으로 ARIMA와 XGBoost의 recursive out-of-sample forecasting을 비교했다.

흥미로운 결과는 XGBoost가 단순 시계열 모델을 일관되게 이기지 못한다는 것이다. Svensson factor에서는 ARIMA가 XGBoost보다 우수했고, 더 단순한 Nelson-Siegel에서는 둘의 성능이 거의 같았다. 예측오차는 horizon 자체보다 국채 입찰·syndication·ECB 금리결정 같은 이벤트 주변에서 크게 변했다.

실무 시사점

금리 트레이딩: “ML 모델 하나로 커브를 예측한다”보다 curve state + event state를 분리하는 편이 중요하다. 정상일에는 단순 factor dynamics가 충분하지만 입찰·금통위 같은 날에는 별도 event model이 필요하다는 해석이 가능하다.

한국에서는 이를 바로 다음처럼 구현할 수 있다.

Nelson-Siegel/PCA baseline → 일반일 dynamics
+ 국고채 입찰 / 국발계 / 금통위 / 교환 / 바이백 → event adjustment

즉 30년 입찰 전날과 아무 이벤트 없는 날을 동일한 10/30 시계열 모델로 예측하지 않는 것이다.

시장미시구조: 입찰일 예측오차가 커진다는 것은 단순 yield factor에 포착되지 않는 dealer inventory·concession·수급정보가 있다는 뜻이다. 한국에서는 이 부분에 응찰률, 예상 발행량, 선물 basis, 외국인 수급을 추가할 가치가 있다.

데스크 적용 우선순위: ★★★★★

---

2. Pricing Macro-Panic: Forecasting the Tails of Bond Risk Premia

구분: 논문 · SSRN Working Paper
게시일: 2026년 4월 7일, 2026년 6월 IAAE 발표
원문: SSRN / 저자 연구 페이지.

핵심 요약

대부분의 채권 ML은 평균 기대수익을 예측하지만, 이 연구는 bond risk premium의 전체 조건부분포와 tail을 예측한다. 핵심 변수는 다양한 거시정보의 상단 꼬리를 압축한 latent “macro-panic” factor이며, Quantile Random Forest(QRF)를 이용해 비선형적인 위기 임계값을 학습한다.

결과적으로 macro-panic을 추가한 QRF는 여러 quantile에서 기존 모델보다 높은 예측력을 보이고, 특히 경기침체기에 강한 countercyclical pattern을 보인다. 또 만기별 차이가 뚜렷하다. 단기 채권 tail risk는 dash-for-cash형 거시·유동성 패닉에 더 민감한 반면, 장기물은 flight-to-safety 수요가 더 큰 역할을 한다.

실무 시사점

이 연구의 가장 큰 포인트는 평균 P&L을 예측하는 모델과 손실 꼬리를 예측하는 모델을 분리해야 한다는 것이다.

예를 들어:

E[P&L | state] = +800만원

이어도 동시에

5% quantile P&L = -8,000만원

이라면 행동은 완전히 달라져야 한다.

따라서 자동매매 정책은 단순히

argmax E[P&L]

이 아니라

Expected P&L – λ × Tail Loss

형태에 가까워야 한다.

한국 적용: 레고랜드 같은 상황에서는 평균 스프레드 예측보다 tail widening probability가 훨씬 중요하다. CP·여전채·회사채에서 유동성 스트레스 + PF news + repo/funding + 발행실패 + 크레딧 spread를 넣어 P(스프레드 +20bp 이상)을 직접 추정하는 모델이 실무적으로 강하다.

데스크 적용 우선순위: ★★★★★

---

3. Combination Forecast of Corporate Bond Return: An Ensemble Learning Approach

구분: 논문 · SSRN / Journal of Banking & Finance R&R
SSRN 게시: 2026년 4월 7일
원문: SSRN / 저자 연구 페이지.

핵심 요약

회사채 수익률 예측에서 한 개의 ML 모델을 고르는 대신 Stacking ensemble을 이용해 여러 모델의 정보를 결합한다. 연구 결과 Stacking은 개별 모델보다 통계적·경제적 성과를 개선하며, 등급과 만기 구간 전반에서 성능 향상이 나타난다.

가장 중요한 결과는 입력정보다. 회사채 자체 변수뿐 아니라 Treasury와 주식시장 예측변수를 함께 사용할 때 성능이 가장 좋았다. 반면 stacking 구조를 지나치게 복잡하게 만든다고 더 좋아지는 것은 아니며, 비교적 단순한 ensemble이 더 좋은 예측을 보였다.

실무 시사점

이건 한국 크레딧 모델에 직접적인 시사점이 있다.

회사채 자체 정보:

민평 spread / 등급 / 잔존만기 / 유동성

만 넣는 것보다

국고채 curve + 주가 + equity vol + sector + 발행사 뉴스

를 결합하는 것이 낫다는 방향이다.

특히 모델을

LightGBM

• Linear/ElasticNet
• Time-series model
• Credit structural model

로 나눈 뒤 meta-model이 상황별로 가중치를 결정하도록 만들 수 있다.

리스크관리: 한 모델이 특정 regime에서 크게 틀려도 ensemble이 전체 오류를 완화할 가능성이 있다. 다만 모델들이 동일 데이터와 유사한 feature를 공유하면 겉보기에는 4개 모델이어도 실제론 하나의 crowding risk일 수 있으므로 prediction correlation을 반드시 봐야 한다.

데스크 적용 우선순위: ★★★★☆

---

Quant Firm Intelligence

4. Tower Research Capital — Beyond Speed: HFT와 MFT의 경계가 무너지고 있다

구분: 회사 공식 인사이트 · Tower CIO John Cogman / Citi Quant Services 패널
발표일: 2026년 8월 13일
원문: Tower Research Capital 공식 글.

공개적으로 확인된 사실

Tower CIO John Cogman은 회사가 지난 10년 이상 전통적인 HFT에서 더 긴 holding horizon인 MFT까지 확장해 왔다고 설명했다. 배경에는 HFT margin 압축뿐 아니라 기존 기술 인프라를 여러 horizon에 재사용할 수 있다는 점과, 더 넓은 quant talent를 활용할 수 있다는 점이 있다.

Tower는 HFT inventory monitoring 시스템과 달리 MFT에서는 factor model, risk system, portfolio monitoring을 다시 설계해야 한다고 명시한다. 또한 시장이 여러 venue와 bilateral liquidity pool로 분산되면서 단순 속도 우위만으로는 부족하며, AI·compute·connectivity·execution·risk를 결합해야 경쟁력이 생긴다고 설명한다.

수익 메커니즘 — 확인 사실에 기반한 추론

이건 굉장히 중요한 변화다.

과거의 수익 구조가

초단기 signal × 빠른 execution × 작은 spread 반복

이었다면, 더 긴 horizon에서는

slower alpha

• inventory/risk warehousing
• portfolio diversification
• execution timing

이 중요해진다.

즉 speed edge를 research/risk edge로 확장하는 것이다.

Tower가 bilateral trading을 강조한 점도 중요하다. 가격발견이 거래소 한 곳이 아니라 여러 venue·counterparty로 분산되면, 경쟁력은 단순 latency보다

어디에 liquidity가 있는지 알고
어떤 flow를 얼마에 받을 수 있으며
얼마나 오래 risk를 들 수 있느냐

로 이동한다.

한국 채권시장에 복제한다면

이 구조는 오히려 채권에 잘 맞는다.

국내 채권은 애초에 pure HFT보다

몇 초 → 몇 분 → 당일 → 익일

의 여러 horizon이 동시에 존재한다.

예를 들어 동일한 signal을

• 3초 mark-out
• 30초 mark-out
• 5분 mark-out
• 종가 P&L
• 익일 오전 P&L

로 동시에 예측하게 만들고, state에 따라 가장 적합한 horizon을 선택할 수 있다.

즉 “10초 가격예측 모델” 하나가 아니라 multi-horizon alpha surface를 만드는 것이다.

복제 난이도: ★★★★☆
복제 가치: ★★★★★

---

5. Flow Traders — AI·Deep Learning을 직접 Alpha와 Market Making에 연결하는 공개 로드맵

구분: 회사 공식 반기보고서 + Capital Markets Day
최신 보고: 2026년 7월 29일 Half Year Report
전략 발표: 2026년 6월 23일
원문: Flow Traders Half Year Report / Capital Markets Day.

공개적으로 확인된 사실

Flow Traders는 최근 보고서에서 AI와 ML이 trading strategies, research processes, operations 전반에 점점 더 깊게 내장되고 있다고 명시한다. AI 투자의 목표를 연구속도 향상, superior alpha generation, 구조적 경쟁우위로 직접 표현한다.

Capital Markets Day 자료는 훨씬 구체적이다. Flow는 AI·딥러닝을 이용해 trading strategies, pricing, risk management를 최적화하고, 자체 연구플랫폼이 predictive pricing model을 지속적으로 생성·개선·배포해 alpha를 포착하는 구조를 목표로 한다. 또한 massive market/alternative data ingestion, CoreWeave compute, GPU와 low-latency ASIC을 활용한 real-time inference, 그리고 quant finance·deep learning·systems engineering을 결합한 전담 조직을 구축 중이라고 공개했다.

특히 Flow는 수년간 수천 개 상품을 거래하며 축적한 private execution dataset이 거래할수록 더 강한 training foundation이 된다고 공개적으로 주장한다. 이는 data flywheel을 수익모델의 핵심 자산으로 보고 있다는 매우 중요한 대목이다.

수익 메커니즘 — 공개자료 기반 추론

Flow의 구조는 상당히 명확하다.

Trade → private data 증가
→ better model
→ better pricing
→ tighter/더 정확한 quote
→ 더 많은 flow
→ 더 많은 private data

즉 data flywheel이다.

그리고 ML의 경제적 가치는 세 군데서 발생한다.

1. Alpha: 예측 신호 개선
2. Pricing: fair value 정확도 개선 → 더 경쟁력 있는 quote
3. Risk: inventory·capital allocation 개선 → 더 많은 flow를 받아낼 능력 증가

특히 “가격예측 모델 → 리스크 예산 → systematic pricing”이 하나의 stack이라는 점이 중요하다.

Flow는 동시에 AI-driven decision의 오류가 고속시장에서는 빠르게 확대될 수 있다고 보고, model approval·monitoring·revalidation·human oversight를 별도 governance layer로 운영한다고 설명한다.

한국 채권시장에 복제한다면

가장 중요한 건 GPU가 아니다. 우리의 거래 결과를 학습자산으로 만드는 것이다.

모든 체결마다 최소한 다음을 저장해야 한다.

체결 직전 state

• 우리 quote
• counterparty / venue
• size
• fill 여부
• 1초/10초/1분/10분 mark-out
• 최종 hedge
• 실현 P&L

그러면 시간이 지날수록

어떤 시장에서 어떤 상대에게 어떤 가격으로 얼마나 risk를 받아야

가장 돈이 되는지 자체 데이터로 학습할 수 있다.

이게 쌓이면 모델 자체보다 우리만 가진 데이터셋이 진짜 moat가 된다.

복제 난이도: ★★★★★
복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 자료들에서 가장 중요한 두 가지를 뽑으면 event-aware modeling과 data flywheel이다.

EU-Bond 연구는 정상 시계열 예측오차보다 입찰·syndication·중앙은행 이벤트가 모델 실패를 더 크게 좌우할 수 있음을 보여준다. Macro-Panic은 평균수익보다 손실 꼬리 자체를 별도로 모델링해야 함을 보여주고, 회사채 ensemble 연구는 회사채·국채·주식 정보를 하나의 예측체계에 결합하는 것이 유리하다는 증거를 준다.

더 중요한 것은 실제 회사 쪽이다. Tower는 HFT→MFT 확장으로 alpha horizon과 risk system을 함께 확장하고 있고, Flow Traders는 AI 투자 목적을 아예 research velocity → predictive pricing → alpha → trading capital efficiency로 공개하고 있다.

이를 실제 채권 자동매매 architecture로 번역하면:

Event-Time Data
→ Multi-Horizon Fair Value / Alpha
→ Tail-Risk Forecast
→ Fill & Execution Model
→ Inventory / DV01 Optimizer
→ Trade
→ Mark-out / P&L
→ Private Dataset 강화
→ 다시 학습

이다.

오늘 하나만 읽는다면 Flow Traders Capital Markets Day 자료를 가장 추천한다. 지금까지 살펴본 공개자료 중에서도 최상위 liquidity provider가 AI로 실제 돈을 벌겠다는 구조를 가장 명시적으로 설명한 자료 중 하나다. 학술연구 한 편만 고른다면 Pricing Macro-Panic을 추천한다. 평균 알파가 아니라 “이 포지션이 크게 망할 확률”을 ML로 직접 학습하는 사고방식이 채권 데스크에는 특히 중요하다.