채권시장 AI·Quant Intelligence — 2026년 9월 1일

전일의 AI infrastructure/private credit valuation, USD/EUR AI-credit supply RV, Janus Henderson agentic fixed income, Jump AI trading factory, DRW proprietary-data AI는 제외했다.

오늘은 ① FSB가 8월 31일 새로 경고한 frontier AI·레버리지·국채시장 리스크, ② 중앙은행 커뮤니케이션을 LLM으로 구조화하는 Copom 연구, ③ 예측모델과 포트폴리오 최적화를 하나로 학습하는 NBER 연구, 그리고 탑티어 퀀트사에서는 ④ Citadel의 data-quality/anomaly framework, ⑤ Jane Street의 실제 GPU training engineering을 선정했다.

오늘 핵심은 **Better Model보다 Correct Data → Decision Objective → Production Efficiency**다.

---

1. FSB Chair’s Letter to G20 — Frontier AI, Leverage and Sovereign-Bond Fragility

구분: 국제기구 공식자료 · Financial Stability Board
발표일: 2026년 8월 31일

FSB 의장 Andrew Bailey는 어제 공개한 G20 재무장관·중앙은행총재 서한에서 금융시스템의 AI 관련 가장 즉각적인 위험은 frontier AI가 cyber risk의 속도·규모·경제성을 바꾸는 것이라고 명시했다. FSB 공식 원문

채권 데스크에 더 직접적인 부분은 AI만 따로 보지 않는다는 점이다. FSB는 현재 높은 자산가격, 시장집중, AI 낙관론과 채권·주식시장의 레버리지 확대가 결합되면 future correction을 증폭시킬 수 있다고 경고했고, sovereign debt market의 취약성도 주요 리스크로 다시 지목했다. FSB 공식 발표

채권 트레이딩·리스크관리 시사점

AI는 이제 단순한 주식 sector factor가 아니다.

잠재적인 전파경로는:

AI valuation shock
→ equity vol ↑
→ leveraged fund deleveraging
→ Treasury / futures position unwind
→ market depth ↓
→ basis·curve·funding volatility ↑

로 봐야 한다.

특히 FSB는 올해 4월에도 일부 펀드가 유사한 전략에 높은 레버리지를 사용하면서 국채시장의 disorderly unwind 위험을 높일 수 있다고 지적했다. FSB 4월 분석

따라서 AI-related stress를 포트폴리오에서 측정할 때 주가만 볼 것이 아니라:

AI equity vol

• Treasury basis
• repo/funding
• dealer depth
• leveraged-fund positioning

을 하나의 stress-state로 보는 것이 좋다.

한국시장 복제 아이디어

NASDAQ/AI basket shock → UST 10Y/30Y → USD/KRW → 외국인 3선/10선 → 국고 10/30 의 intraday transmission을 event study로 만들 수 있다.

그리고 평시 대비 외국인 선물 포지션 unwind + 호가 depth 감소가 동시에 발생하는 구간을 별도 regime으로 정의하는 것이 유용하다.

데스크 적용 우선순위: ★★★★★

---

2. Reading Copom’s Tone: A Weighted LLM Framework for Hawkish–Dovish Sentiment, Forward Guidance, and Uncertainty

구분: 최신 NLP/금리 연구 · arXiv
발표일: 2026년 8월 7일

이 연구는 브라질 중앙은행 Copom 성명서 80건, 총 1,498개 문장을 대상으로 LLM이 단순 hawkish/dovish label만 붙이는 것이 아니라 표현의 강도까지 0~1로 추정해 문서별 tone score를 만든다. arXiv 원문

또 별도의 문서-level layer에서 forward-guidance 방향, guidance explicitness, uncertainty level, uncertainty change를 분리한다. 저자는 tone과 guidance가 상당히 연관되지만 완전히 같은 정보는 아니며, 이 시스템의 목적은 아직 금리 또는 DI 수익률 예측보다는 투명하고 감사 가능한 policy-language state를 만드는 것이라고 명확히 선을 긋는다.

채권 트레이딩 시사점

이 구조가 좋은 이유는 중앙은행 문서를 하나의 hawkish score로 압축하지 않는다는 것이다.

실제로 채권 데스크에서는 다음 네 신호가 다를 수 있다.

• Current tone
• Forward policy direction
• Guidance confidence
• Policy uncertainty

예를 들어 통방문이 hawkish해도 향후 경로를 모호하게 만들었다면:

front-end 금리 ↑ 와 동시에 volatility ↑

가 함께 나올 수 있다.

따라서 금통위 NLP feature를:

Tone Forward Guidance Explicitness Uncertainty

로 분해하는 편이 훨씬 낫다.

한국시장 복제 아이디어

한국은행에 그대로 적용할 수 있다.

문장 단위 → hawkish / dovish / neutral
→ intensity

문서 단위 → 성장전망 변화
→ 물가경로
→ 금융안정 강조
→ guidance 명확성
→ 불확실성

그 다음 각 feature를:

3선 5분 10선 5분 3/10 10/30 당일 종가

와 각각 연결한다.

중요한 것은 LLM에게 수익률을 직접 예측시키는 게 아니라 policy state를 안정적으로 추출시키는 것이다.

데스크 적용 우선순위: ★★★★★

---

3. Machine Learning Meets Markowitz

구분: NBER Working Paper · ML + Portfolio Construction
발표일: 2026년 2월
선정 이유: 최신성보다 기술적 가치 때문에 선정

전통적인 quant pipeline은:

Expected Return Forecast → Portfolio Optimizer

라는 두 단계다.

이 NBER 연구는 이 분리가 잘못될 수 있다고 주장한다. 예측모델은 모든 종목의 forecast error를 거의 동일하게 취급하지만, 실제 투자자에게 중요한 것은 최종 포트폴리오에서 큰 weight가 들어갈 자산의 예측오차이기 때문이다. NBER 공식 원문

따라서 저자들은 expected-return generation과 portfolio optimization을 하나의 ML objective로 통합한다. 투자자별 risk preference, constraints, market friction까지 포함하면 같은 forecast universe를 사용하더라도 투자자마다 최적 efficient frontier가 달라진다고 설명한다.

채권 트레이딩 시사점

이건 채권 AI에서 상당히 중요한 문제다.

예를 들어 모델이:

• 3년물 예상 edge = 0.5bp
• 10년물 예상 edge = 0.7bp
• 30년물 예상 edge = 0.8bp

를 예측했다고 하자.

일반적인 모델은 30년 예측을 가장 좋다고 평가할 수 있다.

하지만 실제 portfolio에서는:

• DV01
• convexity
• 현재 position
• liquidity
• transaction cost
• curve correlation

때문에 3년물 예측오차가 경제적으로 더 중요할 수도 있다.

즉 loss function 자체를:

Forecast Error

가 아니라

Final Portfolio Utility Loss

쪽으로 가져가는 것이다.

한국시장 복제 아이디어

금리 AI의 학습목표를 단순:

MSE(yield prediction)

로 두지 않고,

Expected P&L − λ × DV01 risk − γ × transaction cost − η × liquidity penalty

를 통해 position-aware training을 테스트해볼 수 있다.

더 현실적인 첫 단계는 end-to-end model보다:

Alpha Model → Differentiable Portfolio Layer

를 붙여 OOS portfolio P&L을 직접 비교하는 방식이다.

데스크 적용 우선순위: ★★★★☆

---

Quant Firm Intelligence

4. Citadel EQR — “이상치 제거”가 아니라 Signal과 Bad Data를 구분하는 Data-Quality Model

구분: Citadel 공식 EQR 기술·프로젝트 공개자료
발표일: 2026년 8월 4일

확인 가능한 사실

Citadel의 Equity Quantitative Research(EQR) 팀은 최근 실제 프로젝트 하나를 공개했다. 프로젝트의 목표는 다양한 데이터셋의 이상값을 찾아 그 값이 오류인지, noise인지, 아니면 오히려 가치 있는 signal인지 분류하고 각 경우마다 exclude/down-weight/keep을 추천하는 framework를 만드는 것이다. Citadel 공식 원문

Citadel은 단순 statistical-distance 기반 anomaly detector만으로는 충분하지 않다고 명시한다. 동일한 이상값도 dataset의 사용목적과 주변정보에 따라 의미가 달라지므로, business context와 downstream research usage까지 반영해야 한다고 설명한다.

또 모델을 만든 뒤 끝나는 것이 아니라 researchers/developers가 실제로 사용하면서 feedback을 주고 다시 모델을 수정하는 model→internal product→user feedback loop를 운영한다.

공개자료 기반 추론

이 자료가 보여주는 경제적 구조는:

Better Data Quality → false signal 감소
→ corrupted feature로 인한 모델 오판 감소
→ research quality ↑
→ portfolio decision 개선

이다.

더 중요한 점은 이상치가 항상 나쁜 것이 아니라는 것이다.

금융데이터에서는:

Outlier = Error

가 아니라

Outlier ∈ {Bad Data, Noise, Regime Shift, Alpha}

다.

이 분류를 잘못하면 진짜 시장 스트레스를 데이터 오류로 지우거나, 반대로 broken tick을 alpha로 학습하게 된다.

한국 채권시장 복제 아이디어

K-Bond·국채선물·브로커 quote에 Data Quality Engine을 별도 모델로 만들 가치가 크다.

예를 들어 수익률이 갑자기 8bp 튀었을 때:

1. stale quote인가?
2. 잘못된 종목 mapping인가?
3. 소액 이상체결인가?
4. 진짜 block trade인가?
5. 시장 전체 regime shift인가?

를 분류한다.

그리고 feature store에는 raw 값을 바로 덮어쓰지 말고:

raw_value cleaned_value anomaly_type confidence action

을 모두 저장한다.

이렇게 해야 나중에 **“우리가 알파를 지워버렸는가?”**까지 감사할 수 있다.

복제 가치: ★★★★★

---

5. Jane Street — Making GPUs Actually Fast: GPU Training Performance의 실제 병목

구분: Jane Street 공식 기술강연 · Machine Learning Engineering
공개: 2026년 현재 공식 공개
선정 이유: 최신성보다 기술적 가치 때문에 선정. 채용자료가 아니라 실제 ML 엔지니어링 강연이다.

확인 가능한 사실

Jane Street의 Sylvain Gugger와 Corwin de Zahr는 공식 tech talk에서 neural-network training에서 GPU의 theoretical FLOPS보다 실제 병목을 제거하는 engineering이 중요하다고 설명한다. CPU 작업과 GPU 작업을 overlap하고, 여러 operation을 하나의 kernel로 합치는 kernel fusion, custom GPU kernel 작성 등 실제 training throughput 개선기법을 상세히 다룬다. Jane Street 공식 기술강연

Jane Street의 현재 ML 공식 페이지를 보면 ML 연구환경 자체도 상당히 크다. 최신 공개 기준 데이터는 petabyte 규모이고, 수십만 CPU core와 수만 개 high-end GPU로 성장하는 cluster를 ML 연구에 사용한다고 명시한다. Jane Street Machine Learning 공식 페이지

Jane Street는 동시에 non-stationary data와 competitive multi-agent environment를 trading ML의 핵심 어려움으로 명시하고 있으며, 특정 model family를 고집하지 않고 문제에 따라 linear model부터 deep learning까지 선택한다고 설명한다.

공개자료 기반 추론

이 자료에서 중요한 P&L 메커니즘은:

GPU Optimization → training time ↓
→ experiment throughput ↑
→ model iteration ↑
→ 시장변화에 대한 adaptation 속도 ↑
→ alpha decay 전에 deploy할 확률 ↑

다.

즉 top-tier quant가 수만 GPU를 보유하는 이유를 단순히 **“더 큰 neural net을 만들기 위해서”**라고 보면 부족하다.

실제로 더 중요한 것은:

Time-to-Experiment 와 Time-to-Production

일 가능성이 높다.

한국 채권시장 복제 아이디어

GPU 구매 전에 모든 연구 job을 profiling해야 한다.

예를 들어:

Data I/O: 70% Feature calculation: 20% Model training: 10%

이라면 A100/H100을 추가해도 전체 연구속도는 거의 안 빨라진다.

반대로:

Training: 80%

이면 GPU kernel/parallelization 최적화 가치가 커진다.

그래서 연구플랫폼에 다음 metric을 자동 수집하는 것이 좋다.

• data loading time
• feature computation
• CPU idle
• GPU utilization
• GPU memory utilization
• training time
• total idea→result latency

핵심 KPI: Validated OOS Experiments / Researcher / Day

복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 자료는 채권 AI stack에서 서로 다른 네 층을 정확히 채운다.

FSB는 AI·레버리지·국채시장 취약성이 함께 움직이는 system-level risk를 보여준다.
Copom LLM 연구는 비정형 정책문서를 tone / guidance / uncertainty라는 structured state로 변환한다.
Machine Learning Meets Markowitz는 prediction과 position 사이를 분리하지 말고 최종 portfolio objective까지 학습에 포함하라고 말한다.
Citadel과 Jane Street는 그 위에서 data integrity와 research throughput을 production capability로 만든다.

이를 하나의 architecture로 연결하면:

Raw Market / Text Data
→ Data Quality & Point-in-Time Validation
→ Structured Market / Macro State
→ Specialized Alpha Models
→ Portfolio-aware Objective
→ Risk / Execution
→ Live P&L
→ Fast Research Feedback

이다.

오늘 국내 채권 AI 프로젝트에 바로 추가한다면 두 가지가 가장 가치 있다. 첫째, Anomaly Classifier—이상값을 제거하지 말고 오류/노이즈/regime/alpha로 분류한다. 둘째, Portfolio-aware Model Evaluation—RMSE가 아니라 DV01·비용·포지션을 반영한 실제 utility 개선으로 모델을 평가한다.

오늘 한 편만 읽는다면: Reading Copom’s Tone. 금통위 NLP를 실제 feature engineering으로 옮기기에 가장 직접적이다.
퀀트 production 관점 한 편: Citadel의 EQR anomaly framework를 추천한다. 모델보다 먼저 “내가 학습시키는 값이 오류인지 알파인지”를 판단하는 인프라가 얼마나 중요한지 잘 보여준다.