채권시장 AI·Quant Intelligence 브리핑 — 2026년 8월 17일

전일의 BIS AI·회사채 공급, L2 liquidity-state, HSBC hit-ratio market making, G-Research, Graham Capital은 제외했다. 오늘은 8월 11일 대폭 개정된 Treasury robust-ML 연구, 실제 BBVA RFQ 데이터를 사용한 causal-ML 논문, 회사채 flow를 가격이 아닌 독립적인 유동성 팩터로 만드는 연구를 골랐다. 퀀트 회사 쪽은 아직 다루지 않은 **Qube Research & Technologies(QRT)**와 Squarepoint Capital이다.

오늘 자료들을 연결하는 키워드는 **“prediction에서 intervention으로”**다. 단순히 미래가격을 맞히는 것보다, 모델이 틀렸을 때 어떻게 버틸지, 내가 quote를 바꾸면 체결확률이 실제로 어떻게 달라질지, flow가 어느 방향으로 가격압력을 만들지가 점점 더 중심 문제가 되고 있다.

---

1. Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach

구분: 논문 · arXiv preprint / 금리·ML·Robust Optimization
최초 공개: 2026년 1월 8일
최신 개정: 2026년 8월 11일
원문: arXiv 원문

핵심 요약

이 연구는 Treasury 금리예측을 단순한 평균 RMSE 최소화 문제가 아니라 **“모델이 틀렸을 때 최악의 손실을 어떻게 줄일 것인가”**라는 의사결정 문제로 다시 정의한다. Factor-Augmented Dynamic Nelson–Siegel(FADNS)과 Random Forest를 결합하고, forecast-error의 tail risk를 Expected Shortfall로 벌점 주는 distributionally robust combination을 사용한다. 월별 미 국채 데이터를 3개월~30년까지 사용했으며, 단기 horizon에서는 adaptive combination이, 중장기에서는 Random Forest가 상대적으로 강한 결과를 보였다.

특히 COVID-19와 2022년 이후 급격한 긴축 레짐처럼 forecast-error 분포가 깨지는 시점에서 DRO 방식은 다른 조합보다 오차 변동이 작고 더 빨리 안정화됐다. 장기구간에서는 이 robustness 효과가 더욱 뚜렷했고, 모델은 시장 스트레스 시 RF와 FADNS에 주는 가중치를 빠르게 재배분한다.

실무 시사점

기존 ML이라면 대체로

argmin 평균 예측오차

를 찾는다. 그런데 실제 트레이딩에서는 평균적으로 조금 더 정확한 모델보다 한 번 크게 틀리지 않는 모델이 더 중요할 수 있다.

따라서 3/10, 10/30, 국채선물 방향 모델도 단순 MSE 대신

Forecast Error + λ × Tail Forecast Error

같은 loss를 고려할 가치가 있다. 금통위·CPI·입찰·정책전환처럼 distribution shift가 발생할 때는 평시 최우수 모델을 계속 쓰는 대신 모델 간 weight 자체를 state-dependent하게 바꾸는 구조가 더 현실적이다.

또 하나 흥미로운 점은 SHAP 결과가 horizon별로 다르다는 것이다. 단기 forecast는 고빈도 실물지표의 영향을 더 많이 받고, horizon이 길어질수록 물가·소득·소비·금융여건 같은 느린 macro variable의 중요성이 커졌다.

한국 적용:
DNS/PCA + LightGBM/Random Forest + regime-aware ensemble을 만들고, 단순 RMSE가 아니라 DV01 가중 tail-loss를 validation metric에 추가하는 것이 좋다.

데스크 적용 우선순위: ★★★★★

---

2. Causal Interventions in Bond Multi-Dealer-to-Client Platforms

구분: 동료평가 논문 · PLOS One / BBVA·University of Navarra
발표일: 2026년 1월 27일
원문: PLOS/PMC 전체 논문

핵심 요약

이 연구는 실제 BBVA의 유럽 국채 RFQ 데이터를 이용해 dealer pricing을 단순 ML classification이 아니라 causal inference 문제로 재구성한다. RFQ에서는 dealer가 경쟁사 quote를 완전히 볼 수 없고, 자신이 이겼는지·cover price가 얼마였는지 같은 제한적인 사후정보만 받기 때문에 historical data에는 강한 selection bias와 confounding이 존재한다. 연구진은 probabilistic graphical model과 causal intervention을 사용해 “quote를 실제로 x bp 변경하면 hit probability와 expected revenue가 얼마나 바뀔까?”를 counterfactual하게 계산하려 한다.

실증적으로 구조적 generative model은 ROC-AUC 0.742로 LightGBM의 0.743과 거의 동일한 predictive accuracy를 기록하면서도 가격이 고객에게 유리해질수록 체결확률이 올라가야 한다는 spread monotonicity 같은 경제적 제약을 자연스럽게 만족한다. 연구는 optimal pricing, 정책별 예상 revenue, dealer axes에 반응할 가능성이 높은 고객 식별까지 동일한 causal framework 안에서 다룬다.

실무 시사점

이 논문은 매우 중요하다. 일반적인 fill model은

P(fill | quoted price, client, market state)

를 학습한다.

하지만 historical data에서 좋은 가격을 제시한 고객군과 나쁜 가격을 제시한 고객군은 애초에 같지 않다. 좋은 고객에게 aggressive quote를 많이 줬다면 ML은 “aggressive quote라서 체결됐다”와 “원래 체결 가능성이 높은 고객이었다”를 구분하기 어렵다.

따라서 실제로 필요한 것은:

P(fill | do(quote = q), state)

다.

즉 **“이 가격을 내가 실제로 바꿨다면?”**이라는 intervention이다.

한국 채권 중개·시장조성에서도 고객·브로커·종목별 historical hit ratio를 그대로 quote optimization에 넣으면 이런 confounding이 발생할 수 있다. 특히 과거 딜러가 이미 경험적으로 고객을 segmentation했다면 더 심하다.

또 LightGBM과 구조모형의 AUC가 사실상 같다는 결과도 의미가 있다. 0.001 AUC를 더 얻는 것보다 economically valid한 response curve를 갖는 것이 production에서는 더 중요할 수 있다.

한국 적용: RFQ 데이터가 있다면 client → quote → fill → cover/markout causal graph부터 그려보는 것을 강하게 추천한다.

데스크 적용 우선순위: ★★★★★

---

3. FlowPulse: A Flow-Based Liquidity Factor Framework for Corporate Bond Markets

구분: 논문 · SSRN Working Paper / 회사채 Flow·Liquidity
발표: 2026년
최근 공개 인덱싱: 2026년 7월 31일 확인
원문: SSRN 원문

핵심 요약

FlowPulse는 회사채 시장에서 기존의 spread·fundamental 중심 분석을 보완하기 위해 실제 기관 거래 flow로 directional liquidity pressure를 만드는 프레임워크를 제안한다. 거래 데이터를 issuer·sector·maturity bucket 단위로 집계해 어떤 영역에서 지속적인 매수·매도 불균형이 발생하고 있는지를 하나의 liquidity factor로 구조화한다. 즉 “채권이 싸다/비싸다”와 별개로 누가 시장에 물량을 밀어 넣고 있는지를 독립적인 state variable로 만드는 접근이다.

이 프레임은 특히 거래가 듬성듬성한 회사채에서 유용하다. 개별 bond의 last price가 오래됐더라도 동일 sector·issuer·maturity의 aggregated institutional flow가 빠르게 바뀌면, 해당 종목의 latent liquidity pressure를 간접적으로 추정할 수 있기 때문이다. 다만 현재는 working paper이므로 실증 강도와 재현성은 추가 검증이 필요하다.

실무 시사점

회사채 모델에서 흔히 하는 실수는

spread cheap → buy

다.

실제로는

spread cheap + 지속적인 forced selling

이면 싸지는 과정 중간에 들어가는 것일 수 있다.

따라서 fair-value signal과 flow signal을 분리하는 것이 좋다.

예:

Value score: +2.1σ cheap
Flow score: -2.7σ strong selling
Liquidity state: deteriorating

이라면 바로 매수하지 않고 flow reversal을 기다리는 정책이 가능하다.

한국시장에서는 회사채만이 아니라 여전채·특수채·국고 경과물에도 적용 가치가 있다. 기관별 identity를 완전히 알 수 없어도 브로커 호가방향, 체결 side, 발행시장 수요, 민평 대비 거래, ETF/펀드 flow를 aggregate해 sector pressure를 만들 수 있다.

주의: 오늘 3개 연구 중 검증 수준은 가장 낮다. 아이디어와 feature engineering 관점으로 보는 편이 적절하다.

데스크 적용 우선순위: ★★★★☆

---

Quant Firm Intelligence

4. Qube Research & Technologies — Data → Prediction → Execution을 전 자산·전 horizon으로 산업화

구분: 회사 공식 연구·기술자료 + QRT Labs 2026
발표일: 2026년 QRT Labs 출범
원문: QRT 공식 소개 · QRT Labs

공개적으로 확인된 사실

QRT는 공식적으로 구조화·비구조화 데이터를 tick 단위부터 multi-year horizon까지 수집·분석하고, 새로운 데이터가 prediction model을 개선하고 alpha를 생성할 수 있는지를 지속적으로 평가한다고 밝힌다. 기술 플랫폼은 한쪽 끝의 high-turnover scalable execution부터 다른 쪽 끝의 multi-year simulation research platform까지 전 자산·전 지역을 커버한다.

2026년에는 Imperial College London·Cambridge·Oxford와 QRT Labs를 출범시켜 AI, decision-making, complex systems, foundation models, agentic systems, HPC와 advanced mathematical modelling에 장기 투자하기 시작했다. 초기 단계에서만 박사과정·박사후연구원 등 70명 이상의 early-career researcher를 지원한다.

수익 메커니즘 — 공개 사실과 추론 구분

확인된 사실: QRT는 데이터 플랫폼에서 prediction model과 alpha를 개발하고, 글로벌 research/execution platform을 통해 다양한 holding horizon의 전략을 체계적으로 배포한다.

추론: 핵심 경쟁우위는 하나의 뛰어난 모델보다

새 데이터 발견 → prediction improvement 측정 → simulation → execution → global deployment

를 산업화한 research factory에 있다고 보는 편이 합리적이다.

특히 tick-to-multi-year라는 표현이 중요하다. 하나의 data infrastructure에서 100ms signal과 6개월 macro signal을 모두 다룰 수 있으면 데이터·feature·risk infrastructure를 여러 전략이 공유하면서 연구 marginal cost를 크게 낮출 수 있다.

한국 채권시장에 복제한다면

가장 먼저 만들 것은 **“새 데이터의 가치 측정 파이프라인”**이다.

새로운 데이터가 들어올 때마다:

기존 모델 성능 vs 기존 모델 + 신규 feature

를 동일 walk-forward 환경에서 자동 비교한다.

예를 들어:

• 외국인 선물 flow
• PD 입찰 데이터
• 뉴스 embedding
• repo specialness
• 스왑 flow

가 들어올 때마다 incremental IC / P&L / tail-loss가 얼마나 좋아지는지를 자동 기록한다.

그러면 “이 데이터가 느낌상 좋아 보인다”가 아니라 데이터셋 자체의 경제적 ROI를 관리할 수 있다.

복제 난이도: ★★★★☆
복제 가치: ★★★★★

---

5. Squarepoint Capital — ML 모델과 Fully Automated Strategy를 한 투자조직에서 결합

구분: 회사 공식 Investment/Technology 자료
발표일: 게시일 미표기 · 2026년 8월 17일 현재 공식 공개
원문: Squarepoint 공식 자료

공개적으로 확인된 사실

Squarepoint는 투자팀이 trading, research, machine learning을 결합해 advanced quantitative model과 fully automated trading strategy를 개발한다고 공식적으로 밝힌다. 운용의 중심은 systematic strategy이며, 대규모 데이터 분석과 고성능 research/trading infrastructure를 이용해 전략을 지속적으로 개선하고 확장한다.

회사 기술조직은 research platform과 high-performance trading system을 하나의 backbone으로 구축한다. 즉 research scientist가 만든 결과와 실제 trading infrastructure가 별개의 기술 stack으로 존재하는 것이 아니라 공통 production platform으로 연결돼 있다.

수익 메커니즘 — 추론

공개자료만으로 특정 알파나 holding horizon을 알 수는 없다.

하지만 이 구조에서 추론할 수 있는 경제적 메커니즘은

Research × ML × Automation × Scale

이다.

ML이 신호를 개선하고, fully automated implementation이 신호 발생부터 주문까지의 delay와 human inconsistency를 줄이며, 공통 플랫폼이 동일 전략을 여러 상품·지역으로 확장할 수 있게 한다.

즉:

좋은 아이디어 보다

재현 가능한 좋은 아이디어를 여러 시장에서 반복 실행

하는 것이 수익화의 핵심일 수 있다.

한국 채권시장에 복제한다면

이 접근에서 가장 중요한 건 strategy를 코드 단위가 아니라 product 단위로 만드는 것이다.

예를 들어 10/30 전략이면 하나의 strategy object가

• signal
• hedge ratio
• target DV01
• entry/exit
• execution rule
• stop
• transaction cost
• daily attribution

을 모두 가져야 한다.

그래야 한 연구자가 만든 전략이 다른 딜러에게도 똑같이 재현되고, 자동매매로 옮길 때 새로 코딩하지 않아도 된다.

즉 **“모델 라이브러리”보다 “전략 라이브러리”**가 최종 자산이다.

복제 난이도: ★★★☆☆
복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 다섯 자료를 묶으면 AI 채권 트레이딩의 다음 단계가 조금 달라 보인다.

지금까지 많은 연구가

State → Prediction

을 개선하는 데 집중했다.

오늘 자료들은 그 이후를 강조한다.

State
→ Forecast Distribution
→ Intervention
→ Fill / Revenue
→ Flow Reaction
→ Position
→ Execution
→ P&L

이다.

특히 BBVA RFQ causal paper가 오늘 가장 중요하다.

왜냐하면 실제 자동매매에서는 결국 질문이

“가격이 어떻게 될까?”

에서

“내가 지금 이 행동을 하면 어떻게 될까?”

로 바뀌어야 하기 때문이다.

이 차이가 predictive ML과 decision-making machine의 경계다.

따라서 현재 채권 AI 개발 우선순위를 한 단계 더 구체화하면 ① robust fair-value/alpha model, ② causal fill model, ③ flow-pressure model, ④ strategy optimizer, ⑤ execution policy 순으로 보는 것이 좋다.

오늘 한 편만 읽는다면: Causal Interventions in Bond Multi-Dealer-to-Client Platforms
금리 방향/커브 모델을 만들고 있다면: Distributionally Robust Treasury Yield Curve Forecasting
조직·플랫폼 관점에서는: QRT의 tick-to-multi-year data → prediction → execution 구조를 가장 추천한다.