뉴스 감성의 평균만으로 채권선물 예측을 설명할 수 있는가?
같은 날 뉴스가 낙관적이라고 해서 시장 참가자가 같은 판단을 하는 것은 아니다. 이 연구는 GDELT의 글로벌 뉴스에 금융 언어모형 FinBERT를 적용해 평균 감성과 기사 사이 의견차를 함께 측정한다. 기사량과 사건 중요도도 일별 입력으로 만들어 뉴스가 전달하는 정보의 여러 면을 구분한다.
입력을 XGBoost에 넣어 환율과 미 10년 국채선물의 다음 날 수익을 예측했다. 학습자료를 시간에 따라 늘리는 2017년~2025년 4월 표본 밖 검증에서 위험 대비 수익을 나타내는 저자 보고 비용 반영 샤프비율은 4.65였다. 매우 높은 성과여서 독립 재현이 필요하다. 모형 기여도에서는 감성 수준보다 의견의 분산과 기사 중요도가 주요 변수였으나 인과효과를 측정한 값은 아니다.
이 결과는 뉴스 방향만큼 의견이 얼마나 갈리는지도 확인할 가치가 있다는 연구 가설을 제공한다. 다만 설명 기여도는 해당 모형에서의 역할이며 경제적 인과효과를 뜻하지 않는다. 보존된 기록도 높은 성과 수치와 프리프린트 상태를 유보하므로 코드와 기사 공개시점을 맞춰 재현하는 절차가 필요하다.
SCOPE보존된 연구 기록이다. 보고된 높은 성과의 재현 여부와 자료 누출, 비용 가정은 재확인하지 않았다.
Evidence & verification ↓거시 예측을 하나의 사전학습 모형에서 생성할 수 있는가?
거시변수마다 별도의 모형을 만들면 자료와 추정 방식이 달라 비교가 어려워질 수 있다. BISTRO는 여러 시계열에서 먼저 학습한 MOIRAI를 BIS 거시자료에 추가 학습하는 구조다. 하나의 사전학습 모형으로 기본 전망과 특정 입력 경로를 가정한 조건부 전망을 생성하려 한다.
자료를 사용할 때는 예측 시점에 실제 공개돼 있던 정보만 들어가도록 발표시점을 맞춘다. 보존된 결과는 물가 급등 사례에서 단순히 평균으로 되돌아갈 것으로 보는 기준보다 상승의 지속성을 잘 포착했다고 설명한다. 유가 경로를 입력하면 물가 전망의 비선형 반응을 계산하는 활용도 제시됐다.
정책금리 전망에서 먼 과거의 관련 상태에 가중치를 달리 주는 방식도 기록돼 있다. 이는 과거 자료를 고정적으로 사용하는 것과 다른 예측 구조다. 다만 조건부 전망의 변화가 실제 정책 개입의 효과를 증명하지는 않는다. 공개 코드는 국내 변수와 기존 모형을 같은 정보 집합에서 비교할 출발점이 된다.
SCOPE공식 모형 설명을 보존한 기록이다. 국내 자료의 성능을 확인하지 않았으며 조건부 예측을 인과 추정으로 읽지 않는다.
Evidence & verification ↓AI 투자 붐은 왜 채권 발행구조의 위험이 되는가?
AI 투자 붐은 주가뿐 아니라 투자자금을 어디서 조달하는지도 바꾼다. MAS는 AI 관련 기업이 S&P 500 시가총액의 약 40%, MSCI EM Asia의 30% 이상을 차지한다고 밝혔다. 미국 신규 조달에서는 투자등급 회사채 발행의 약 절반, 고위험 발행의 38%라는 별도 비중을 제시했다. 주식 시가총액과 새 채권 발행의 분모는 다르지만 같은 기술 전망에 대한 노출이 양쪽에 쌓인다는 판단이다.
대형 서비스 사업자의 현금흐름과 확정 주문은 당장의 투자를 지탱하는 근거로 제시된다. 그러나 계획한 투자 규모가 일부 기업의 현금흐름과 상업적 매출을 넘어서면 주식이나 부채 조달이 더 필요할 수 있다. 투자 확대가 미래의 자금조달 조건에 더 의존하게 되는 경로다.
AI 사업의 수익화가 기대에 미치지 못하면 투자 축소, 반도체 수요 감소, 자산 재평가가 연결될 수 있다는 경고도 있다. 취약한 신용·대출의 조달 구조가 이 충격을 키울 수 있다는 금융안정 판단이다. 이 자료는 실제 부도 규모나 발생확률을 추정한 결과로 해석할 수 없다.
SCOPEMAS 위험 판단의 역사적 기록이다. 특정 기업의 부도확률이나 국내 채권 손실을 추정한 자료는 아니다.
Evidence & verification ↓독립 예측을 목표 보유량으로 바꾸려면 무엇이 추가되는가?
예측이 서로 다르면 어떤 자산을 얼마나 보유할지는 추가 판단이 필요하다. Two Sigma는 자료 수집과 준비, 모형 개발, 포트폴리오 구성, 주문 실행을 이어지는 단계로 설명한다. 자료에서 예측을 만드는 단계와 예측을 투자 비중으로 바꾸는 단계를 분리해 제시한다.
포트폴리오 구성에서는 실시간 자료로 만든 여러 독립 예측을 종합하고 거래비용과 위험까지 넣어 목표 배분을 결정한다고 한다. 개별 예측 점수가 높더라도 다른 보유자산과 함께 부담하는 위험 및 포지션 변경 비용이 투자량을 바꾸는 구조다. 단순히 가장 큰 예측값을 가진 자산에 배분하는 설명은 아니다.
실행 단계에서도 위험을 관찰하며 최적화의 설정을 조정한다고 소개한다. 공개된 자료와 모의실험 규모는 이런 운영을 지원하는 기반에 해당한다. 그러나 어떤 예측 결합이나 비용 가정이 실제 수익을 개선했는지 비교한 자료는 없으므로 절차의 공개와 성과 검증을 구분해야 한다.
SCOPE회사 공식 절차의 보존 기록이다. 비공개 예측, 비용모형, 운용 성과는 확인하지 않았다.
Evidence & verification ↓대규모 기계학습 연구를 가격 제시에 연결하는 범위는 어디까지 공개됐는가?
XTX의 당시 공개 설명은 53,000개 이상 금융상품의 가격을 기계학습으로 예측하고 이를 거래와 고객 유동성 공급에 사용한다는 내용이다. 주식뿐 아니라 채권·외환·원자재 등을 포함한다. 상품의 수는 예측 대상의 범위를 나타내며 각 상품에서 모형이 우수했다는 성과 지표는 아니다.
별도 연구조직 XTY Labs와 연산·저장 기반도 소개됐다. 당시 공개 인프라는 25,000개 이상 GPU와 1EB 이상 사용 가능한 저장공간이다. 이는 현재값으로 갱신한 수치가 아니다. 연구팀은 잡음이 많은 자료에서 예측을 만들고 빠른 피드백으로 개선한다고 설명하지만 인프라 규모 자체는 예측의 경제적 가치를 결정하지 않는다.
빠른 피드백이 무엇을 뜻하는지 국내 연구에서 구체화하려면 실험 완료부터 오류 확인과 수정까지의 시간을 기록할 수 있다. 다만 이것은 공개 운영에서 얻은 설계 가설이다. 회사 소개와 채용자료만으로 특정 대형 모형의 성과나 별도 연구조직이 실거래에 기여한 크기를 추정할 수 없다.
SCOPE공식 운영 소개의 역사적 기록이다. 인프라 수치를 현재값으로 취급하지 않았고 수익 우위도 추정하지 않았다.
Evidence & verification ↓큰 예측 성과를 재현할 때는 자료 공개시점과 거래비용이 먼저다. AI 투자 확대 역시 기술 전망과 채권 발행 부담을 함께 확인해야 한다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Interpretable Machine Learning for Macro Alpha: A News Sentiment Case Study0 primary · 2 archived +
These 2 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 ↓BISTRO: a general purpose oracle for macroeconomic time series0 primary · 3 archived +
These 3 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 ↓MAS Annual Report 2025/2026 Remarks — AI investment boom and credit-market concentration0 primary · 2 archived +
These 2 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 ↓Two Sigma — 실제 공개된 Data → Model → Portfolio → Execution 체계0 primary · 2 archived +
These 2 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 ↓XTX Markets / XTY Labs — 최첨단 ML 연구를 실제 트레이딩 모델로 얼마나 빨리 넘길 수 있는가0 primary · 2 archived +
These 2 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 20일
전일 브리핑의 AI exposure와 회사채 스프레드, ECB AI boom 리스크, 금융 AI 리뷰, Citadel Securities flow intelligence, Optiver production feedback은 제외했다. 오늘은 ① 뉴스 NLP를 실제 미 국채선물 알파로 연결한 최신 개정 연구, ② BIS의 시계열 foundation model, ③ MAS가 짚은 AI 투자붐의 채권시장 집중위험, 그리고 퀀트사 쪽에서는 ④ Two Sigma의 data→forecast→portfolio→execution production chain, ⑤ XTX의 XTY Labs 연구→실거래 연결 구조를 선정했다.
1. Interpretable Machine Learning for Macro Alpha: A News Sentiment Case Study
구분: 논문 · arXiv / NLP·Treasury Futures
최신 논문일: 2026년 8월 11일
원문 링크: https://arxiv.org/abs/2505.16136
핵심 요약
GDELT의 글로벌 뉴스 데이터를 FinBERT로 처리해 평균 sentiment뿐 아니라 sentiment dispersion, 기사량, event impact 등을 일별 feature로 만들고, 이를 XGBoost에 넣어 EUR/USD·USD/JPY와 미 10년 Treasury futures(ZN)의 익일 수익률을 예측한다. 저자는 2017년~2025년 4월 expanding-window OOS 검증에서 거래비용을 반영한 ZN 전략 Sharpe 4.65를 보고하며, SHAP 분석에서는 단순 sentiment level보다 뉴스 의견의 분산과 기사 중요도가 주요 변수로 나타났다고 주장한다. 코드도 공개돼 있다.
다만 수치가 상당히 높고 아직 프리프린트이므로 headline Sharpe 자체보다 feature construction과 검증 구조를 재현해 보는 자료로 보는 것이 적절하다. 특히 논문은 FX와 채권 간에도 뉴스 feature의 중요도가 다르다고 분석한다.
실무 시사점
금리 트레이딩: 뉴스 NLP에서 hawkish/dovish 하나만 뽑는 방식보다 다음 네 층으로 분리하는 것이 좋다.
mean sentiment
sentiment disagreement
news volume
event importance
채권에서는 특히 disagreement가 중요할 가능성이 있다. 같은 금통위 문장을 두고 뉴스 해석이 크게 갈리는 순간이 향후 변동성과 포지션 조정의 신호가 될 수 있기 때문이다.
한국 적용: 한국은행·기재부·미 Fed·물가·고용·지정학 뉴스를 시점별로 수집해 뉴스 feature → 3선/10선/3-10/10-30 다음 5분·30분·종가 수익을 각각 학습시키는 것을 추천한다.
주의: 이 정도 Sharpe가 국내에서도 재현될 것이라고 기대해서는 안 된다. 기사 timestamp 정합, 중복기사 제거, 미래정보 누출과 거래비용을 매우 엄격히 다시 검증해야 한다.
데스크 적용 우선순위: ★★★★★
2. BISTRO: a general purpose oracle for macroeconomic time series
구분: 국제기구 연구 · BIS Quarterly Review / Foundation Model
발표일: 2026년 3월 16일
원문 링크: https://www.bis.org/publ/qtrpdf/r_qt2603d.htm
코드: https://github.com/bis-med-it/bistro
핵심 요약
BIS는 범용 time-series foundation model인 **BISTRO(BIS Time-series Regression Oracle)**를 공개했다. 범용 transformer 시계열 모델 MOIRAI를 BIS의 대규모 거시 데이터에 fine-tuning해, 매번 변수마다 별도 AR·VAR·ML 모델을 만드는 대신 하나의 pretrained model로 여러 거시변수의 baseline/conditional forecast를 생성하는 구조다.
BISTRO는 최대 128개 covariate를 처리할 수 있으며, 예측 시점에 실제로 공개돼 있던 정보만 사용하도록 데이터 release timing을 정렬한다. BIS는 2021년 인플레이션 급등 사례에서 단순 mean reversion benchmark보다 지속성을 더 잘 포착했다고 보고하며, 유가 경로를 조건부로 넣었을 때 비선형 인플레이션 반응도 추정한다. 정책금리 전망에서도 먼 과거의 관련 state에 attention weight를 동적으로 배분한다.
실무 시사점
채권 관점에서 이 연구의 의미는 Foundation Model을 금리 자체보다 macro-state engine으로 먼저 쓸 수 있다는 것이다.
예를 들어:
CPI / 수출 / 고용 / 환율 / 유가 / 미국금리
→ Macro Foundation Model
→ 향후 inflation / growth / policy-rate distribution
→ 국고 fair-value 또는 커브 모델 입력
구조다.
특히 금통위 당일 “기준금리가 어떻게 될까”를 직접 LLM에게 묻는 것보다, 현재 데이터에서 향후 물가·성장·정책경로의 조건부분포를 생성하고 이를 3년·10년 금리에 매핑하는 편이 경제적으로 해석하기 쉽다.
BISTRO는 공개 코드가 있다는 것도 장점이다. 국내 데이터를 붙여 한국형 BISTRO benchmark를 직접 만들어 기존 AR/DNS/LightGBM과 비교할 수 있다.
데스크 적용 우선순위: ★★★★★
3. MAS Annual Report 2025/2026 Remarks — AI investment boom and credit-market concentration
구분: 중앙은행 공식 발표 · Monetary Authority of Singapore
발표일: 2026년 8월 13일
원문 링크: https://www.bis.org/review/r260813l.htm
핵심 요약
MAS는 현재 AI 붐이 주식시장을 넘어 채권 발행구조 자체를 바꾸고 있다고 지적했다. AI-connected 기업은 S&P 500 시가총액의 약 40%, MSCI EM Asia의 30% 이상을 차지하는 동시에 미국 신규자금조달에서 **IG 회사채 발행의 약 절반, HY 발행의 38%**를 차지한다고 밝혔다.
단기적으로는 hyperscaler의 현금흐름과 확정 주문이 대규모 투자를 지탱하지만, AI 투자계획이 이미 일부 기업의 현금흐름과 상업적 매출을 넘어서는 규모로 커지고 있어 앞으로 더 많은 equity·debt financing이 필요할 수 있다고 MAS는 평가한다. 반대로 AI 수익화가 기대에 미치지 못하면 투자축소, 반도체 수요 감소, asset repricing과 함께 credit·loan 시장의 취약한 financing structure에서 금융안정 문제가 발생할 수 있다고 경고한다.
실무 시사점
이건 단순 AI 뉴스가 아니라 크레딧 concentration trade 문제다.
향후 회사채 스크리닝에서는 issuer별로:
AI CAPEX
FCF
Net Debt
신규 회사채 발행
AI-related revenue
Refinancing maturity
를 같이 추적해야 한다.
특히 시장 전체 스프레드가 타이트해도 AI 인프라 관련 기업들의 발행량이 계속 늘면 공급 자체가 특정 섹터의 relative-value premium을 만들 수 있다.
한국 적용: 반도체·전력기기·IDC·EPC·클라우드 공급망을 하나의 AI credit basket으로 묶고, 발행액·스프레드·주가·CAPEX를 같이 추적해 equity opportunity vs debt burden divergence를 측정할 수 있다.
데스크 적용 우선순위: ★★★★☆
Quant Firm Intelligence
4. Two Sigma — 실제 공개된 Data → Model → Portfolio → Execution 체계
구분: 회사 공식 Investment Management 자료
게시일: 미표기 · 2026년 8월 20일 현재 공식 공개 확인
원문 링크: https://www.twosigma.com/businesses/investment-management/
공개적으로 확인된 사실
Two Sigma는 운용 프로세스를 매우 명시적으로 네 단계로 공개한다.
Data Sourcing & Preparation → Modeling → Portfolio Construction → Execution.
현재 공식 페이지 기준 10,000개 이상의 데이터 소스와 수백 PB 규모 데이터, 대규모 simulation infrastructure를 사용하며, 모델링에는 ridge regression부터 NLP까지 다양한 방법을 쓴다. 특히 portfolio construction 단계에서는 실시간 데이터에서 여러 독립 forecast를 만들고 이를 consensus view로 합친 뒤 trading cost와 risk까지 포함해 target allocation을 결정한다고 설명한다. Execution에서는 실시간 위험을 모니터링하면서 optimization parameter를 조정한다.
수익 메커니즘 — 공개 사실과 추론 구분
확인된 사실
Two Sigma의 공개 production chain은:
Data
→ Independent forecasts
→ Consensus
→ Trading cost + Risk
→ Target Portfolio
→ Execution
이다.
추론
여기서 중요한 것은 “가장 좋은 단일 모델”을 찾는 것이 아니다.
예를 들어 10년 금리에 대해:
- macro model: +0.8bp
- flow model: -0.3bp
- curve model: +1.1bp
- news model: +0.4bp
라면 이를 하나의 consensus expected return으로 만들고, 각 모델의 신뢰도·상관관계와 비용을 반영해 size를 정하는 구조로 볼 수 있다.
즉 P&L은
Forecast quality × combination quality × portfolio sizing × execution efficiency
의 곱에 가깝다.
한국 채권시장에 복제한다면
하나의 거대한 BondAI 모델 대신 독립된 forecast를 저장하는 것이 좋다.
Macro Alpha
Flow Alpha
Order-book Alpha
Event Alpha
RV Alpha
→ Meta/Consensus Model
→ 거래비용·DV01·포지션 반영
→ 최종 action
이 구조의 장점은 특정 모델이 망가져도 어느 신호가 문제인지 바로 알 수 있다는 점이다.
복제 난이도: ★★★★☆
복제 가치: ★★★★★
5. XTX Markets / XTY Labs — 최첨단 ML 연구를 실제 트레이딩 모델로 얼마나 빨리 넘길 수 있는가
구분: 회사 공식 채용·연구자료
XTY Labs 설립: 2024년 / 현재 AI Research 프로그램 운영 확인
원문 링크: https://www.xtxmarkets.com/careers/
XTX 공식 회사 페이지: https://www.xtxmarkets.com/
공개적으로 확인된 사실
XTX Markets는 현재 ML로 53,000개 이상의 주식·채권·FX·원자재·암호자산 가격을 예측하고, 그 예측을 거래소·대체거래소 매매와 고객 유동성 공급에 사용한다고 공식적으로 밝힌다. 공개 인프라는 25,000개 이상의 GPU와 1EB 이상의 usable storage 규모다.
XTY Labs는 XTX 내부의 별도 ML 연구조직으로, 현재 공식 careers 페이지에서 AI research 역할을 운영하고 있다. XTX는 quant research 조직이 대규모 noisy financial data에서 ML을 사용해 가격 forecast를 생산하고, 빠른 feedback loop를 통해 지속적으로 모델을 개선한다고 설명한다.
수익 메커니즘 — 추론
앞서 XTX에서 봤던 중요한 구조가 ML fair value → liquidity/risk warehousing이었다면, XTY Labs에서 추가로 봐야 할 부분은 research frontier 자체를 production edge로 바꾸는 속도다.
경제적 구조는:
새 ML technique
→ 금융데이터 OOS 검증
→ 기존 model 대비 incremental edge
→ production deployment
→ 더 좋은 forecast
→ 더 좋은 pricing / risk decision
으로 볼 수 있다.
즉 새로운 Transformer나 diffusion architecture가 흥미롭다는 이유만으로 쓰는 것이 아니라 현재 production model을 실제로 얼마나 개선하는가가 최종 기준이 된다. 구체적인 모델·알파 전략은 공개되지 않았다.
한국 채권시장에 복제한다면
내부 연구에도 Champion–Challenger 구조를 권한다.
현재 production model을 Champion으로 고정하고 새로운 모델은 항상:
동일 데이터
동일 OOS 기간
동일 거래비용
동일 DV01
동일 execution assumption
에서 경쟁시킨다.
그리고 challenger가 단순 RMSE가 아니라
- net P&L
- tail loss
- mark-out
- turnover
- latency
를 의미 있게 개선할 때만 production으로 승격한다.
이 구조가 있으면 새로운 AI 논문이 매주 나와도 **“신기해서 도입”하는 것이 아니라 “돈이 돼서 승격”**할 수 있다.
복제 난이도: ★★★★☆
복제 가치: ★★★★★
오늘의 데스크 결론
오늘 자료를 한 줄로 묶으면 AI의 경쟁력은 모델보다 “정보를 forecast로 만들고, forecast를 position으로 만들고, position을 실제 체결 P&L로 바꾸는 연결 구조”에서 나온다.
뉴스 연구는 text → tradable macro factor를 보여주고, BIS는 macro data → foundation-model forecast, MAS는 AI 자체가 이제 채권 공급과 credit concentration을 바꾸는 state variable이 됐음을 보여준다.
Two Sigma와 XTX의 공개자료를 함께 보면 production 시스템은 다음처럼 정리된다.
Raw Data
→ Multiple Specialized Models
→ Consensus Fair Value / Alpha
→ Trading Cost + Risk
→ Position
→ Execution
→ Realized Mark-out/P&L
→ Champion–Challenger Retraining
현재 채권 AI 개발에서 가장 먼저 가져오고 싶은 두 가지는 ① 독립 알파모델의 consensus layer, ② 모든 신규 모델을 production model과 경제적 KPI로 경쟁시키는 champion–challenger framework다.
오늘 한 편만 읽는다면: Interpretable Machine Learning for Macro Alpha
금리·거시 AI 인프라를 만든다면: BIS BISTRO
퀀트사의 실제 시스템 설계 관점에서는: Two Sigma의 공식 Investment Management pipeline을 가장 추천한다.