AI 투자 회수가 늦을 때 부채와 공급망을 함께 보다
AI 산업의 투자 확대로 어느 신용 위험이 늘어나는가?
설비투자는 당장 현금이 나가지만 수익 회수는 나중에 일어난다. BIS는 AI 붐을 실물 투자와 내부 현금 감소, 부채조달 및 신용시장 변화의 연결로 다룬다. 기술기업만의 문제가 아니라 설비와 전력·공급망이 함께 자금을 투입하는 구조다.
기록은 회사채 발행이 2023년 790억달러에서 2025년 2,430억달러로 확대되고 사모신용 대출도 약 2,000억달러까지 늘었다고 소개한다. 생산성이 실제로 개선될 가능성을 인정하지만 투자 회수율이 기대보다 낮을 때 장기 설비를 부채로 조달한 기업의 상환 여력이 압박받을 수 있다는 평가다.
투자 수요가 둔화되면 관련 공급망의 매출과 발행사의 현금흐름이 함께 약해질 수 있다. 이 연결은 회사채·사모대출 노출을 통합해 점검할 이유가 된다. 다만 자금조달 규모의 증가가 곧 부도라는 결론은 아니다. 만기와 계약, 투자 회수의 시점을 맞춰 후속 현금흐름을 확인해야 개별 위험을 판단할 수 있다.
SCOPEBIS의 구조적 위험 평가로 개별 기업의 부도확률이나 다음 스프레드 방향을 확정하지 않는다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓주문흐름은 현재 주문장 상태를 넘는 정보가 있는가
유동성의 다음 상태를 예측할 때 어떤 입력이 먼저인가?
L2 주문장은 여러 가격 단계의 매수·매도 가격과 잔량을 보여준다. 연구는 BTC·ETH 선물의 top-20 주문장과 체결 흐름을 이용해 이벤트 이후 유동성이 어떤 상태로 옮겨가는지 예측한다. 가격이 오를지보다 거래할 수 있는 수량과 구조의 변화를 다룬다.
기록은 거시 이벤트 종류보다 이벤트 직전의 L2 상태가 이후 상태를 잘 설명했다고 소개한다. 얕은 비선형 모형이 선형 특성보다 추가 정보를 제공했고 주문흐름은 기존 상태 입력에 얹었을 때만 유용했다. 주문흐름은 실제 체결의 방향과 수량처럼 주문장이 소비되는 과정의 정보다.
시간순 표본외, 이벤트 묶음과 블록 순열 검정으로 추가 특성의 가치를 단계별로 확인했다. 블록 검정은 시간 의존을 완전히 무시하지 않도록 자료 묶음을 유지하는 방법이다. 복잡한 실행 정책도 단순 상태 기준을 넘어야 의미가 있다는 제안이다. 암호자산 선물의 결과를 국내 국채에 바로 적용하기보다 같은 검증 구조를 참고할 수 있다.
SCOPE암호자산 선물의 유동성 전이 연구로 국내 국채의 가격 방향·실행 성과와 같지 않다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓재고와 체결 목표의 호가 보정항을 분리하다
종목별 가격을 정할 때 다른 채권 재고도 고려해야 하는가?
딜러의 호가는 고객·종목·수량 외에 현재 가진 위험도 반영한다. 체결률인 hit ratio를 목표로 두면 제시가격을 선택할 때 서비스와 마진, 재고 부담이 함께 들어간다. 이 연구는 이를 확률적 최적제어로 구성해 시장조성자가 시간이 흐르며 호가를 조정하도록 한다.
목적함수에는 체결확률과 재고 벌점, 목표 체결률에서 벗어나는 비용이 포함된다. 기록은 최적 호가를 위험 없는 기본 스프레드와 재고 보정, 체결 목표 보정으로 분해할 수 있다고 소개한다. 어떤 운영 목표가 가격을 바꿨는지 나눠 볼 수 있는 구조다.
상관된 채권 재고가 있을 때 특정 종목의 호가 기울기가 줄고 체결률이 좋아질 수 있다는 수치 결과도 있다. 호가 기울기는 재고 때문에 매수·매도 가격이 한 방향으로 치우치는 정도다. 같은 종목 재고만 보는 것보다 전체 위험을 고려할 이유지만 모형의 상관과 고객 반응 가정에 걸린 결과다. 국내 실제 포트폴리오에서 별도 검증해야 한다.
SCOPE최적제어와 수치모형 결과로 실제 고객의 반응과 국내 포트폴리오 성과가 입증된 것은 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓G-Research의 예측 이후 최적화 역할
여러 좋은 예측을 실제 위험 배분으로 어떻게 바꾸는가?
여러 전략이 유리하다고 예측돼도 같은 금리 위험에 노출되면 동시에 손실을 볼 수 있다. G-Research 공식자료는 시장 움직임 예측, 가설 검증과 모델 생성 뒤 최적화로 연결하는 연구 구조를 설명한다. 점수 하나를 바로 주문량으로 바꾸지 않는 단계가 관심 대상이다.
기록은 잡음이 많은 실제 데이터에 ML을 사용하고 연구플랫폼이 빠른 피드백을 지원한다고 소개한다. 이후 고급 최적화로 각 아이디어의 가치를 추출한다는 회사 설명이 있다. 어떤 기대수익과 공분산, 위험한도를 쓰는지는 공개된 기록만으로 알 수 없다.
국내에서는 여러 커브와 현선 전략의 기대손익을 받은 뒤 상관과 금리 민감도를 고려해 자본을 나누는 가설로 옮길 수 있다. 공분산은 전략 손익이 같이 움직이는 정도다. 이 연결은 데스크의 제안이며 회사의 비공개 운영을 재현했다고 할 수 없다. 예측 개선과 최적화 효과를 각각 비교해야 한다.
SCOPE공식 연구 구조의 설명이며 비공개 배분 규칙과 특정 최적화의 실제 수익은 확인되지 않았다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓Graham의 정량 신호와 운용자 판단을 따로 기록하다
사람과 모형의 결합은 어떤 조건에서 도움이 되는가?
정량 모형과 운용자는 같은 정보를 다른 방식으로 판단할 수 있다. Graham은 머신러닝과 문서 언어 처리인 NLP로 만든 신호를 재량 운용자의 판단과 결합한다고 설명한다. 모형과 사람이 각각 어떤 위험을 보고 최종 배분에 영향을 주는지가 질문이다.
기록은 시장행동 변화에 맞춰 전략을 계속 조정하며 포트폴리오 구성과 적극적 위험관리를 원칙으로 둔다고 소개한다. 금리·지정학·물가 불확실성과 주식·채권 상관 변화에서 결합이 대응력을 높일 수 있다는 회사의 설명이다. 사람과 모형을 제거한 비교 성과는 공개하지 않는다.
서로 다른 오류를 보완할 수 있다는 해석은 가설로 남는다. 둘이 같은 데이터에 의존하면 오히려 함께 틀릴 수 있고 사람이 나중에 결과를 보고 의견을 고칠 수도 있다. 국내 시험에서는 거래 전에 사람 의견과 모델 전망을 각각 고정해 기록하고 최종 포지션과 손익을 연결해야 결합의 추가 가치를 검증할 수 있다.
SCOPE회사 전략 원칙의 설명이며 사람의 판단 우월성이나 결합의 인과적 수익 개선을 입증하지 않는다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓채권가격과 투자 비중 사이에는 체결·유동성·상관과 위험한도의 판단이 있다. 기업의 AI 주장과 모델의 결과를 이 단계별 근거로 구분해야 한다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
AI 투자 회수가 늦을 때 부채와 공급망을 함께 보다0 primary · 5 archived +
These 5 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 ↓주문흐름은 현재 주문장 상태를 넘는 정보가 있는가0 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 ↓재고와 체결 목표의 호가 보정항을 분리하다0 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 ↓G-Research의 예측 이후 최적화 역할0 primary · 5 archived +
These 5 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 ↓Graham의 정량 신호와 운용자 판단을 따로 기록하다0 primary · 8 archived +
These 8 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 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 SkewTarget Hit RatioExpected Mark-outClient 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.