채권시장 AI·Quant Intelligence — 2026년 8월 31일

전일의 LLM+RL 금융 리뷰, BIS LLM supervisory screening, client–dealer informed-flow, HRT target engineering, D. E. Shaw research observability는 제외했다. 오늘은 AI 인프라 부채의 valuation gap, AI 채권 공급이 만든 USD/EUR 상대가치, 그리고 agentic AI가 실제 fixed-income quantamental workflow에 들어간 사례를 먼저 본다. 퀀트사 쪽은 Jump Trading의 AI trading factory와 DRW Head of AI가 직접 설명한 proprietary-data 결합 방식을 선정했다.

오늘의 핵심은 AI 모델 자체보다 데이터·시장구조·의사결정·production을 어떻게 결합하느냐다.

1. AI Infrastructure Debt Is Testing Private Market Valuations

구분: 주요 금융기관 연구 · S&P Global Market Intelligence
발표일: 2026년 8월 28일

S&P Global은 AI 데이터센터 투자 사이클이 이제 일반 corporate bond를 넘어 private credit, asset-based finance, CMBS, ABS까지 확산되고 있다고 분석한다. S&P Global 원문

핵심 문제는 valuation lag다. private/structured credit은 거래빈도가 낮아 public market이 급격히 repricing해도 mark가 늦게 반영될 수 있고, 그 결과 보고가치와 실제 위험 사이에 gap이 생길 수 있다고 S&P는 지적한다. S&P Global 원문

또 CMBS·ABS·direct lending·corporate credit으로 서로 다른 자산처럼 나뉘어 보여도 underlying cash flow가 동일한 소수 hyperscaler 수요에 의존하면 숨겨진 concentration risk가 발생할 수 있다고 본다.

실무 시사점

채권 AI에서 fair value를 만들 때 “마지막 관측가격”을 진실로 놓으면 안 된다. 특히 illiquid credit에서는:

Public comparable spread

• issuer CDS/equity
• power/data-center utilization
• collateral
• financing structure

를 이용해 shadow mark를 계산하고, reported/private mark와 차이를 별도로 저장하는 게 좋다.

즉 모델 target을

현재 mark

가 아니라

현재 시장정보를 반영한 latent economic value

로 바꾸는 것이다.

한국 시장 복제 아이디어

국내 PF·IDC·전력 인프라 관련 사모대출/유동화증권/회사채를 하나의 exposure graph로 묶어:

동일 sponsor 동일 data-center tenant 동일 전력수요 동일 보증주체

기준으로 concentration을 계산하면 좋다. 자산분류는 달라도 같은 경제적 위험을 여러 번 보유하는지 확인하는 시스템이다.

우선순위: ★★★★★

---

2. Credit Market Lens: The AI Split Between USD and EUR Investment Grade

구분: 주요 채권운용사 공식 리서치 · PIMCO
발표일: 2026년 8월 10일

PIMCO는 AI hyperscaler의 대규모 발행이 단순 credit fundamental이 아니라 통화별 supply technical을 만들어 동일 issuer의 USD와 EUR 채권 간 상대가치를 벌리고 있다고 분석한다. PIMCO 원문

2026년 8월 초 기준 AI hyperscaler의 지수편입 대상 순공급은 USD IG에서 약 1,200억달러, EUR IG에서는 약 220억유로였고, hyperscaler의 지수 비중은 USD IG 약 5%, EUR IG 약 **1.2%**였다.

PIMCO는 Amazon·Alphabet의 듀레이션 매칭 USD/EUR 채권을 비교했을 때 EUR 표시 채권이 USD 표시 채권보다 상대적으로 양호한 spread performance를 보였다고 설명한다. 발행사의 fundamental은 같지만 공급압력이 다른 시장에서 technical spread가 분리된 것이다.

채권 트레이딩 시사점

이건 아주 좋은 ML/RV problem이다.

기존 credit model:

Issuer Fundamental → Spread

보다 현실적인 모델은:

Issuer Fundamental

• Currency-specific supply
• Dealer inventory
• Index weight
• cross-currency hedge → Relative Spread

다.

즉 신용위험이 아니라 supply pressure를 예측해서 먹는 알파다.

같은 Amazon이라도 USD가 대량 공급되고 EUR가 덜 공급되면:

USD spread widening vs EUR spread stable

구조가 생길 수 있다.

한국 시장 복제 아이디어

국내에서도 동일 issuer를:

• 원화 공모채
• 외화채
• CP/전자단기사채
• 은행 대출

로 나눠 funding technical을 비교할 수 있다.

또 같은 등급에서도 최근 1개월 순발행액 / 유통잔액을 Supply Pressure Factor로 만들어 민평 대비 spread residual을 예측해볼 만하다.

특히 여전채·은행채는 issuer fundamental 변화보다 발행 스케줄·수급이 단기 relative value를 더 많이 설명하는 구간이 많다.

우선순위: ★★★★★

---

3. Janus Henderson Quantitative Fixed Income — Agentic AI를 실제 Quantamental·Trading·Portfolio Management에 적용

구분: 주요 글로벌 운용사 공식 자료 · 실제 Fixed-Income AI 조직
현재 공개 확인: 2026년 8월

Janus Henderson은 2026년부터 Quantitative Fixed Income 팀에 Quantitative and AI Research Analyst 역할을 두고 있으며, Zeyu Gao의 공식 프로필에는 agentic AI를 quantamental analysis, trading, portfolio management에 적용해 AI-driven systematic portfolio strategy를 개발한다고 명시돼 있다. Janus Henderson 공식 프로필

이 자료는 논문은 아니지만, 대형 fixed-income 운용사가 agentic AI를 단순 document summarization이 아니라 research→trading→portfolio construction 전 과정에 연결하고 있다는 공개적인 증거라는 점에서 가치가 높다.

확인 가능한 사실 vs 추론

확인 가능한 사실: agentic AI가 quantamental analysis, trading, portfolio management와 systematic portfolio strategy에 사용되고 있다는 것까지는 회사가 직접 공개했다.

공개자료 기반 추론: 구체적인 agent architecture, tool set, execution authority, alpha model은 공개돼 있지 않다. 따라서 “agent가 직접 주문한다”거나 특정 LLM을 사용한다고 추정해서는 안 된다.

다만 production architecture는 합리적으로 다음처럼 설계할 수 있다.

Agent → 자료수집/가설생성/코드작성
→ quantitative validation
→ portfolio optimizer
→ human/risk approval
→ execution

한국 시장 복제 아이디어

국내 채권에서는 agent를 Trader Replacement보다 Quant Research Copilot으로 먼저 쓰는 편이 경제성이 높다.

예를 들어:

“최근 3년 금통위에서 headline inflation 전망치가 +0.2%p 이상 상향된 날의 3/10 움직임을 분석해.”

라고 하면 agent가:

1. event calendar 추출
2. DB query 생성
3. 금리 변동 계산
4. DV01-neutral 포지션 생성
5. 거래비용 적용
6. OOS 검증
7. 결과 보고서 생성

까지 자동으로 수행한다.

최종 주문은 별도 risk layer가 승인한다.

우선순위: ★★★★★

---

Quant Firm Intelligence

4. Jump Trading — Vera Rubin NVL72와 “AI Trading Factory”

구분: 회사 공식 기술문서 · AI/HPC 인프라
발표일: 2026년 3월 17일
선정: 최신성보다 기술적 가치 때문에 선정

확인 가능한 사실

Jump Trading은 NVIDIA의 차세대 Vera Rubin NVL72를 도입하는 초기 금융기업 중 하나이며, 이를 글로벌 금융시장의 AI·deep-learning 연구용 data-center expansion에 사용한다고 공식 발표했다. Jump Trading 공식 원문

Jump는 AI 연구가 복잡해질수록 인프라가 research velocity를 결정하며, 모델을 빨리 테스트·수정·확장하는 능력이 performance의 핵심이라고 직접 설명한다.

Head of Research Technology Joe Stam은 금융모델링이 LLM 하나가 아니라 크기와 형태가 다른 수많은 conventional/novel model architecture를 수천 개의 변화하는 시장 application에 적용하는 문제라고 설명한다.

CTO Alex Davies는 이를 아예 **“AI trading factory”**라는 지속적인 플랫폼으로 표현하며, 컴퓨팅 인프라를 일회성 hardware upgrade가 아니라 scale·energy efficiency·reliability를 포함한 전략적 역량으로 정의한다.

공개자료 기반 수익 메커니즘

Jump의 edge를

GPU가 더 빠름 → 돈 번다

로 이해하면 너무 단순하다.

공개자료를 바탕으로 보면:

Compute Density / Memory / I/O → 더 많은 experiment
→ 더 빠른 model iteration
→ market regime 변화에 빠른 adaptation
→ 더 많은 live strategies
→ P&L

구조다.

즉 compute는 research throughput을 사는 자본재다.

특히 Jump가 강조하는 것은 한 개의 거대한 AI model이 아니라 수천 개 market application을 빠르게 반복실험하는 capability다.

한국 시장 복제 아이디어

초기에는 NVL72 같은 인프라가 필요 없다. 먼저 AI trading factory의 핵심 KPI를 만든다.

• experiments / researcher / day
• data-loading latency
• feature-generation latency
• backtest runtime
• idea → first OOS result
• challenger → production 시간

그리고 GPU 증설이 실제로 이 KPI를 개선하는지 본다.

중요: GPU utilization보다 **Validated Experiments per Day**를 봐야 한다.

복제 가치: ★★★★★

---

5. DRW Head of AI — 범용 AI가 아니라 Proprietary Information과 결합해야 Edge가 생긴다

구분: 회사 공식 Head of AI 인터뷰
게시일: 공식 페이지 날짜 미표기 · 2026년 현재 공개
선정: 최신성보다 기술적 가치 때문에 선정

확인 가능한 사실

DRW의 Head of AI Wachi Bandara는 과거 Mellon Capital에서 yield-curve arbitrage와 global-macro equity risk를 연구했고, 이후 ML을 unstructured/difficult data에 적용해 trading/investment insight를 만드는 일을 해왔다고 설명한다. DRW 공식 인터뷰

그는 금융시장이 이미 수십 년간 언어처리·ML 알고리즘을 사용해 왔고, 현재 DRW에서 중요한 것은 범용 AI를 그대로 쓰는 것이 아니라 DRW의 competitive edge에 특화된 정보와 기술을 결합해 precise, targeted outcomes를 만드는 것이라고 말한다.

또 AI 모델의 hallucination과 정량적 취약성을 명시적으로 언급하며, 사람이 통제·검증하는 구조와 rigorous testing이 필요하다고 강조한다.

마지막으로 DRW가 가진 장점으로 빠른 test-and-iterate와 fast feedback loop를 직접 꼽는다.

공개자료 기반 추론

이 인터뷰에서 가장 중요한 문장은 사실상:

General AI × Proprietary Information → Trading Edge

다.

ChatGPT나 공개 LLM은 경쟁자도 쓸 수 있다.

그러나:

• 자체 주문기록
• 상대별 체결행동
• 과거 hedge sequence
• quote response
• strategy-specific mark-out
• proprietary derived feature

를 AI와 결합하면 경쟁사가 복제하기 어려워진다.

즉 탑티어 퀀트의 moat는 흔히:

Model 보다 Model × Unique Data × Feedback Loop

다.

한국 채권시장 복제 아이디어

우리만 가진 데이터를 적극적으로 자산화해야 한다.

예를 들어:

동일 시장상태 에서

• 우리가 어떤 주문을 냈는지
• 어느 브로커를 택했는지
• 몇 초 기다렸는지
• 체결됐는지
• 이후 mark-out이 어땠는지
• hedge를 언제 했는지

를 모두 저장한다.

이렇게 축적된 데이터는 장기적으로 단순 K-Bond public tick보다 훨씬 높은 차별화 가능성이 있다.

그리고 LLM에는 정량 계산을 맡기기보다:

LLM → unstructured information / hypothesis

Deterministic + ML → number / probability / decision

식으로 역할을 분리하는 편이 안전하다.

복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 다섯 자료는 서로 상당히 잘 연결된다.

S&P는 AI 투자붐 때문에 private credit·ABS·CMBS·corporate bond가 서로 연결되면서 latent valuation/concentration risk가 생긴다고 본다. PIMCO는 동일 issuer조차 발행통화의 supply pressure에 따라 spread가 달라지는 technical relative value를 보여준다. Janus Henderson은 agentic AI가 실제 fixed-income quantamental/trading/portfolio workflow로 들어가고 있음을 공개했다.

그리고 Jump와 DRW를 보면 탑티어 퀀트의 AI 경쟁력을 다음 식으로 압축할 수 있다.

Unique Data
× Research Throughput
× Model Quality
× Production Feedback
= Trading Edge

Jump는 Research Throughput을 AI trading factory와 HPC로 올리고, DRW는 범용 AI를 firm-specific information과 결합하는 것이 진짜 가치를 만든다고 설명한다.

오늘 국내 채권 AI에서 바로 프로젝트화할 만한 것은 두 가지다. 첫째, Supply Pressure RV Model—issuer·통화·만기별 순발행량이 spread residual에 미치는 영향을 모델링한다. 둘째, Private Data Flywheel—우리 주문·체결·대기시간·브로커·hedge·mark-out을 하나도 버리지 않고 학습데이터로 축적한다.

오늘 한 편만 읽는다면: PIMCO의 AI Split Between USD and EUR IG. 실전 채권 트레이더 입장에서 **“fundamental이 같아도 supply가 다르면 spread가 갈라진다”**는 점을 매우 깔끔하게 보여준다. PIMCO 원문 바로 보기

퀀트 production 관점에서 하나만 읽는다면: Jump Trading의 Vera Rubin / AI Trading Factory 자료를 추천한다. 모델 architecture보다 연구속도를 industrialize하는 것이 어떻게 경쟁우위가 되는지 가장 명시적으로 공개한 자료 중 하나다. Jump Trading 원문 바로 보기