채권시장 AI·Quant Intelligence 브리핑 — 2026년 8월 16일

전일 브리핑의 AI-driven alpha decay, yield-curve ML, HFT liquidity-state 분류, Akuna, Optiver는 제외했다. 오늘은 ① AI 투자붐이 회사채 공급·크레딧 리스크로 번지는 경로, ② 이벤트 구간에서 L2 order-book 상태를 먼저 보는 ML 설계, ③ 회사채 RFQ에서 hit ratio·inventory·margin을 동시에 최적화하는 시장조성 모델, 그리고 퀀트 회사 쪽에서는 ④ G-Research의 ML→optimization→시장전략 구조, ⑤ Graham Capital의 ML/NLP+discretionary macro 결합 방식을 선정했다.

1. AI and the global economy: implications for central banks

구분: 국제기구 보고서 · BIS Bulletin No. 130
발표일: 2026년 8월 13일
원문 링크: BIS 원문

핵심 요약

BIS는 AI 투자붐을 단순 기술주 현상이 아니라 실물투자→현금흐름 감소→부채조달 확대→회사채·사모신용시장 변화의 문제로 분석한다. AI 관련 기업의 사모신용 대출잔액은 2025년 약 2,000억달러까지 늘었고, AI 기업의 회사채 발행액은 2023년 790억달러에서 2025년 2,430억달러로 급증했다. BIS는 생산성 개선이 현실화될 가능성을 인정하면서도, 투자회수율이 예상보다 낮으면 대규모 장기 CAPEX를 채권으로 조달한 기업과 공급망 기업의 신용도가 동시에 압박받을 수 있다고 본다.

실무 시사점

크레딧 트레이딩: AI 테마를 주식시장처럼 “수혜기업”으로만 보지 말고 AI CAPEX / FCF / 신규채 발행 / CDS·스프레드를 함께 봐야 한다. 특히 hyperscaler의 장기채 공급 확대는 기업 자체 신용도와 별개로 섹터 supply concession을 만들 수 있다.

리스크관리: AI 투자 붐이 꺾일 경우 위험은 개별 issuer default보다 먼저 CAPEX 축소 → 공급망 매출 감소 → refinancing risk 확대로 전파될 가능성이 있다. 따라서 데이터센터·전력·반도체·클라우드·EPC 관련 익스포저를 하나의 thematic credit cluster로 묶어 보는 것이 유용하다.

한국 적용: 국내 회사채에서는 AI 데이터센터·전력 인프라·반도체 장비·IDC 관련 기업에 대해 AI 투자집약도, 차입 증가율, FCF, 회사채 순발행을 별도 팩터로 만들어볼 수 있다.

데스크 적용 우선순위: ★★★★★

---

2. When Does Order Flow Matter? State-Dependent L2 Liquidity-State Transitions

구분: 논문 · arXiv / 시장미시구조·Supervised ML
발표일: 2026년 7월 10일
원문 링크: arXiv 원문

핵심 요약

BTC·ETH 선물의 top-20 L2 order book과 trade flow를 이용해, 이벤트 전후의 가격 방향이 아니라 liquidity-state transition을 예측하는 연구다. 핵심 결과는 거시 이벤트 종류보다 이벤트 직전의 L2 liquidity state 자체가 이후 유동성 상태를 가장 잘 설명했다는 점이다. 단순 선형 L2 feature보다 얕은 nonlinear model이 추가 예측력을 보였고, order flow는 L2 state 위에 얹었을 때만 추가 가치를 제공했다.

연구는 rolling OOS, event-clustered validation, blocked permutation test를 사용해 feature layer가 실제로 기존 state baseline을 넘어서는지를 단계별로 검증한다. 저자들은 향후 RL·execution policy·LLM context layer도 최소한 이 단순한 state baseline을 이겨야 의미가 있다고 제안한다.

실무 시사점

시장미시구조: 금통위·입찰 같은 이벤트 날에도 이벤트가 무엇인가보다 직전 호가창이 어떤 상태인가가 짧은 horizon에서는 더 중요할 수 있다.

예를 들어 같은 30년 입찰이라도:

• bid depth가 계속 replenishment되는 시장
• cancellation이 급증하고 depth가 사라지는 시장

은 이후 체결확률과 impact가 완전히 다르다.

실행 모델: 방향예측 전에 먼저 Liquidity State Classifier를 만든 뒤 그 상태에 따라 aggressive/passive execution 정책을 바꾸는 것이 좋다.

한국 적용: 국채선물·K-Bond에서 depth / imbalance / cancel rate / replenishment / aggressive trade ratio / spread를 이용해 normal / thin / stressed / one-sided 상태를 분류하고, 그 위에 alpha signal을 얹는 구조를 추천한다.

데스크 적용 우선순위: ★★★★★

---

3. Bond Market Making with a Hit-Ratio Target

구분: 논문 · HSBC 연구진 / arXiv · OTC Bond Market Making
발표일: 2026년 4월 22일
원문 링크: arXiv 원문

핵심 요약

회사채 RFQ에서 market maker가 단순히 spread P&L만 최대화하는 것이 아니라 inventory risk와 목표 hit ratio까지 동시에 고려해야 한다는 stochastic optimal-control 모델이다. dealer는 고객·bond·size별로 quote를 결정하고, fill probability와 inventory penalty뿐 아니라 목표 체결률에서 벗어나는 비용도 목적함수에 포함한다. 모델은 optimal quote를 대략 riskless spread + inventory correction + hit-ratio correction으로 분해할 수 있음을 보여준다.

또 correlated bond inventory가 있을 경우 해당 종목 quote skew가 줄어들고 hit ratio가 개선될 수 있다는 numerical result도 제시한다. 즉 개별 종목 quote가 아니라 포트폴리오 전체 위험을 고려한 가격결정이 필요하다는 의미다.

실무 시사점

이 연구에서 중요한 것은 hit ratio가 KPI이지 objective 그 자체는 아니라는 점이다.

무작정 hit ratio를 높이면:

더 공격적인 quote → 더 많은 fill → 낮은 margin → 불리한 inventory → adverse selection 증가

가 될 수 있다.

따라서 실전 quote engine은 최소한

Fair Value

• Inventory Skew
• Target Hit Ratio
• Expected Mark-out
• Client Tier

를 같이 봐야 한다.

한국 적용: 중개·시장조성 데이터가 있다면 고객/브로커별 quote distance → fill probability curve를 학습하고, 현재 DV01·커브 익스포저를 반영해 quote를 자동 조정하는 구조가 가능하다.

어제와의 중복 여부: 전날 다룬 liquidity-state 분류와는 다르다. 2번이 **“시장 상태를 읽는 모델”**이라면 3번은 그 상태에서 **“어떤 가격을 제시할지 결정하는 policy”**다.

데스크 적용 우선순위: ★★★★★

---

Quant Firm Intelligence

4. G-Research — ML을 “prediction”에서 끝내지 않고 optimization까지 연결

구분: 회사 공식 Quantitative Research & Machine Learning 페이지
확인일: 2026년 8월 16일 현재 공개
원문 링크: G-Research 공식 페이지

공개적으로 확인된 사실

G-Research는 공식적으로 noisy real-world data에서 global financial-market movement를 예측하기 위해 state-of-the-art ML을 사용한다고 밝힌다. 연구 플랫폼은 hypothesis test, model build, instant feedback을 지원하며, 그 이후 advanced optimization으로 각 아이디어에서 최대 가치를 추출하는 구조라고 설명한다. 또한 massive compute를 이용해 최신 ML 방법을 빠르게 적용하거나 내부에서 새 방법을 개발한다고 명시한다.

수익 메커니즘 — 공개자료 기반 추론

G-Research의 공개자료에서 가장 중요한 표현은 predict → optimize다.

단순 구조가

feature → return forecast

라면 실제 P&L 구조는 더 가깝게

feature → forecast → confidence → portfolio optimization → risk allocation → strategy

으로 보는 것이 합리적이다.

즉 ML이 5bp 상승을 예측했다고 바로 short하는 것이 아니라, 다른 신호·상관관계·risk budget과 함께 얼마나 자본을 배분할지를 별도 최적화한다.

한국 채권시장에 복제한다면

이 방식은 커브 전략에 특히 적합하다.

예를 들어 모델이 동시에

• 3/10 steepener 기대 P&L
• 10/30 flattener 기대 P&L
• 3선 basis 기대 P&L
• 10선 basis 기대 P&L

을 출력하면, 최종 단계에서 서로의 covariance와 DV01 한도를 반영해 전략 간 자본 배분을 해야 한다.

즉 하나의 signal score가 아니라 strategy portfolio optimizer가 필요하다.

복제 난이도: ★★★★☆
복제 가치: ★★★★★

---

5. Graham Capital — ML/NLP Alpha + Discretionary Macro를 결합하는 Hybrid 구조

구분: 회사 공식 투자전략 소개
공개일: 공식 페이지 게시일 미표기 / 2026년 8월 16일 현재 공개 확인
원문 링크: Graham Capital 공식 자료

공개적으로 확인된 사실

Graham Capital은 투자 플랫폼이 machine learning과 natural language processing을 포함한 quantitative alpha signals와 discretionary portfolio manager의 판단을 결합한다고 공식 설명한다. 회사는 이 전략들을 고정 규칙으로 두지 않고, 시장행동 변화에 맞춰 지속적으로 진화시키며 portfolio construction과 proactive risk management를 핵심 원칙으로 둔다고 밝힌다.

또 금리·지정학·인플레이션 불확실성이 높고 stock/bond correlation이 양(+)으로 전환될 수 있는 환경에서, quantitative와 discretionary strategy의 결합이 포트폴리오 대응력을 높인다고 설명한다.

수익 메커니즘 — 공개자료 기반 추론

Graham의 접근은 Jane Street/XTX처럼 초단기 market-making형이 아니라 systematic macro + human override에 더 가깝다.

구조는 대략:

Macro/Market Data + Text → ML/NLP alpha → systematic position + PM discretionary view → portfolio overlay → risk-managed combined book

이다.

이 구조의 경제적 가치는 사람이 모델을 이기는 데 있다기보다 서로 다른 오류구조를 가진 두 의사결정 체계를 결합하는 데 있을 수 있다.

예를 들어 ML은 대규모 데이터의 안정적 패턴에는 강하지만 구조변화를 늦게 인식할 수 있고, PM은 정책·정치적 비선형 이벤트를 빠르게 해석할 수 있다. 두 신호가 일치하면 size를 키우고 충돌하면 size를 줄이는 방식이 가능하다.

한국 채권시장에 복제한다면

이건 실제 데스크에서 구현 난도가 가장 낮다.

딜러 의견과 모델 출력을 별도 저장해서:

Human View Model View Final Position Actual P&L

네 가지를 모두 기록한다.

그러면 몇 달 뒤에는

• 사람이 강한 영역
• 모델이 강한 영역
• 둘이 동시에 틀리는 regime
• disagreement가 오히려 좋은 risk-off signal인지

를 실제 데이터로 분석할 수 있다.

즉 AI를 사람 대신 쓰기 전에 사람의 judgment 자체를 feature로 만드는 것이다.

복제 난이도: ★★☆☆☆
복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 다섯 자료를 연결하면 실제 자동매매 architecture가 점점 더 분명해진다.

BIS는 AI가 이제 회사채 공급과 크레딧 사이클을 움직이는 거시 변수가 되고 있음을 보여준다. L2 연구는 이벤트 날의 초단기 의사결정에서 뉴스 label보다 현재 liquidity state가 먼저일 수 있음을 보여주고, HSBC 연구는 그 state를 읽은 다음 단계에서 가격·체결률·inventory를 동시에 최적화해야 함을 보여준다.

퀀트 회사 쪽에서는 G-Research가 prediction → optimization, Graham이 systematic signal → human overlay 구조를 공개하고 있다. 즉 상위 조직일수록 AI 출력 하나를 그대로 주문으로 보내기보다 중간에 portfolio/risk decision layer를 둔다.

따라서 오늘 기준 가장 유력한 구조는:

Macro/Event State
→ L2 Liquidity State
→ Fair Value / Alpha
→ Fill Probability
→ Inventory-aware Quote / Action
→ Portfolio Optimizer
→ Human/Risk Override
→ Execution
→ Mark-out / P&L

이다.

오늘 하나만 읽는다면 *When Does Order Flow Matter?*를 추천한다. 이유는 간단하다. 복잡한 AI를 올리기 전에 **“시장 상태를 먼저 분류하라”**는 설계 원칙이 국채선물·현선·입찰 이벤트 자동매매에 바로 적용될 수 있기 때문이다. 시장조성 모델을 만들고 있다면 Bond Market Making with a Hit-Ratio Target을 그다음으로 추천한다.