회사채 기술 지표의 정보와 비선형 모형의 효과는 어떻게 나누는가?
가격, 수익률, 거래량의 변화는 발행사의 고정 특성과 다른 정보를 담을 수 있다. 연구는 이 자료에서 146개 기술 지표를 만들고 전통적인 회사채 특성과 함께 향후 수익률을 예측한다. 입력을 바꾸는 효과와 추정 방법을 복잡하게 하는 효과를 함께 비교하는 설계다.
보존된 결과에서는 기술 지표가 기존 채권 특성보다 강한 예측력을 보였다. 반면 복잡한 기계학습은 기준 선형모형을 크게 개선하지 못했다. 추가 정보가 좋은 입력에 이미 담겨 있다면 복잡한 관계를 학습하는 것만으로 큰 개선을 얻지 못할 수 있다는 구체적인 비교다.
이 결과는 기계학습이 언제나 불필요하다는 결론이 아니다. 연구가 사용한 정보와 검증조건에서 입력의 차이가 더 중요했다는 범위다. 국내에서는 가격·거래량 기반 상태를 먼저 추가하고 같은 입력에서 선형과 비선형 모형을 비교해야 어느 변경이 예측을 개선했는지 분리할 수 있다.
SCOPE역사적 연구 결과다. 구체적 표본과 비용 조건을 재확인하지 않았고 모든 시장의 선형 우위를 주장하지 않는다.
Evidence & verification ↓회사채 기계학습 성과는 국가와 시장상태에 따라 달라지는가?
미국 회사채에서 잘 작동한 입력이 다른 시장에서도 같은 의미를 갖는지는 별도 질문이다. 국제 연구는 여러 국가 회사채를 하나의 자료로 묶어 종목 사이 미래 수익 차이를 예측한다. 국가별 중요 정보와 미국 금융시장에 연결되는 정도를 함께 살펴본다.
보존된 결과는 미국과 비미국 시장 모두 유의한 예측력이 있었다고 설명한다. 그러나 중요한 변수는 시장별로 달랐고 선진시장 회사채는 미국 채권 및 주식시장과 더 강한 연결을 보였다. 모든 국가에 같은 모형과 입력을 고정할 근거보다 시장별 차이를 확인할 근거가 남는다.
성과는 시기에 따라 크게 달랐으며 경기 악화, 유동성 저하, 심리와 위험회피가 높아지는 구간 등에서 예측력이 강했다는 기록이다. 전체기간 평균이 평시와 스트레스의 차이를 가릴 수 있다는 의미다. 국내에서는 연결 정보의 추가 가치와 시장상태별 오차를 함께 측정해야 실제 이전 가능성을 판단할 수 있다.
SCOPE국제 연구의 보존 기록이다. 국가별 표본과 동일 비용 기준의 거래 성과는 재확인하지 않았다.
Evidence & verification ↓Large Language Model and Bond Risk Premia in China
시장 서사의 긍정적 감성은 중국 채권에 어떤 방향의 정보였는가?
경제 전망이 긍정적으로 표현되면 채권에도 같은 방향의 수익 신호인지 물어야 한다. 연구는 경제와 시장의 서사를 언어모형으로 처리해 감성지수를 만들고 중국 국채 초과수익을 예측한다. 문장의 낙관 정도와 채권의 보유 성과를 구분하는 분석이다.
보존된 결과에서 감성은 표본 안팎의 이후 채권 초과수익을 음의 방향으로 예측했다. 수익률곡선 모형에 감성을 넣었을 때 미래 단기금리 기대와는 양의 관계가 나타났다. 긍정적인 서사가 금리 기대와 보유수익에 서로 다른 방향으로 연결된다는 구체적인 비교다.
관계는 장기물에서 더 강했고 평균·분산을 고려하는 투자자에게 경제적 가치도 있었다고 보고한다. 다만 기대 단기금리와 위험 보상이 분리된다는 모형 해석을 감성이 금리를 직접 바꾼다는 주장으로 읽을 수는 없다. 국내에서는 표현의 언어·제도 차이와 정보 공개시점을 맞춰 별도로 검증해야 한다.
SCOPE역사적 연구 기록이다. 언어 감성의 인과효과, 국내 예측력, 비용 차감 개선 폭은 확인하지 않았다.
Evidence & verification ↓경제적 설명을 가설로 만든 뒤 어떤 자료로 시험하는가?
시장 가격은 참가자의 주문과 상대방 반응에서 형성된다. Citadel의 시장영향 연구 책임자는 이런 행동을 설명하고 예측하는 모형을 만든다고 소개한다. 경제적 직관을 가설의 출발점으로 두고 시장이 실제로 어떻게 작동하는지 이해하려는 연구관을 설명한다.
가설은 대규모 자료에서 시험하고 여러 시간범위의 신호를 탐색한다고 한다. 가격 형성과 참가자 상호작용, 시장영향과 미시구조가 해당 역할의 연구 영역이다. 경제적 설명을 수학적으로 표현하고 관측자료에 대조하는 과정이 공개된 내용이다.
이 인터뷰에는 구체적으로 어느 가설이 지지됐는지나 거래비용 뒤 어떤 성과를 냈는지 비교가 없다. 따라서 좋은 직관이 곧 수익을 만든다는 증거로 삼을 수는 없다. 국내에서는 가설마다 관측할 행동, 비교집단, 반증 조건을 먼저 정해 경제적 설명과 자료 검증을 이어주는 설계로 참고할 수 있다.
SCOPE관계자 인터뷰의 역사적 기록이다. 시장영향 모형의 구체적 계수와 거래 성과는 공개된 근거에 없다.
Evidence & verification ↓딥러닝을 중심 연구도구로 쓰는 조직의 하루 업무는 무엇인가?
Jane Street의 공개 대담은 거래 기술의 변화 속에서 딥러닝의 역할이 커졌다고 설명한다. 공식 연구 소개는 연구자, 엔지니어, 트레이더가 가까이 협업하며 자료분석부터 실제 거래분석까지 업무가 연결된다고 한다. 모형 학습과 주문 운영을 떨어진 활동으로 보지 않는 구조다.
하루 업무에는 모형 설정 조정과 분산학습 오류 수정도 포함된다. 최신 언어모형, 영상, 강화학습, 학습기술 등의 아이디어를 문제에 맞춰 선택하고 자체 구조도 만든다고 소개한다. 어떤 연구는 짧게 거래로 이어지고 다른 연구는 큰 주문시스템으로 발전할 수 있다는 다양한 기간도 언급된다.
계산자원 배분에 실시간 경매를 사용한다는 대담 내용은 내부 자원 운영의 사례다. 그러나 딥러닝이 큰 동력이라는 회사 표현을 정확한 수익 비중이나 다른 방법의 열위로 번역할 수는 없다. 국내에서는 연구·기술·거래가 함께 보는 오류와 변경 기록을 만들고 실제 효과를 비교해야 한다.
SCOPE회사 자체 설명의 역사적 기록이다. 딥러닝의 손익 기여율이나 내부 자원 경매의 효과는 검증되지 않았다.
회사채 예측을 평가할 때 모형 이름보다 어떤 정보가 추가됐고 어디에서 유지됐는지를 확인해야 한다. 공개 연구 운영은 이런 검증의 범위를 보여주지만 성과 비교를 대신하지 않는다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Technical Indicators and the Cross-Section of Corporate Bond Returns in a Machine Learning Era0 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 ↓International Corporate Bond Returns: Uncovering Predictability Using Machine Learning0 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 ↓Large Language Model and Bond Risk Premia in China0 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 ↓Citadel — Hua Zheng, Head of Market Impact Research가 직접 설명한 연구 프로세스0 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 ↓Jane Street — 현직자들이 밝힌 “Deep Learning이 Systematic Trading의 최대 Driver가 된 과정”0 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 ↓Show the original briefing text
채권시장 AI·Quant Intelligence — 2026년 9월 3일
오늘은 채용공고를 완전히 제외했다. 전일의 RL·execution·HRT·Two Sigma 자료도 제외했고, 논문 3개는 실제 채권 예측 target과 feature 설계에 도움되는 것, 퀀트사 2개는 현직자가 직접 설명한 연구 방식과 딥러닝 production 구조만 골랐다.
오늘 핵심은 세 가지다. ① 채권에서는 반드시 복잡한 ML이 이기는 것은 아니다. ② 시장·제도에 따라 중요한 feature가 완전히 달라진다. ③ 탑티어 퀀트사는 ‘딥러닝 모델 하나’가 아니라 연구→컴퓨팅→실거래 feedback 전체를 최적화한다.
1. Technical Indicators and the Cross-Section of Corporate Bond Returns in a Machine Learning Era
구분: 동료평가 논문 · Journal of Financial Markets, Vol. 79
발표: 2026년 정식 게재
선정: 최신성보다 모델 선택 관점의 기술적 가치 때문에 선정
핵심 요약
이 연구는 회사채 가격·수익률·거래량으로 만든 146개 technical indicator와 전통적인 bond characteristic을 여러 ML 모델에 넣어 향후 회사채 수익률을 예측한다. 가장 흥미로운 결과는 technical indicator가 회사채 특성변수보다 강한 예측력을 보였지만, 복잡한 머신러닝 모델은 benchmark linear model을 크게 개선하지 못했다는 점이다. ScienceDirect 원문
즉 회사채에서 nonlinear model 자체가 alpha의 원천이라기보다 어떤 state representation을 넣느냐가 더 중요할 수 있다는 결과다. 연구가 강조하는 메시지는 가격·yield·volume에서 파생된 technical state가 기존의 issuer/bond characteristics에 이미 상당한 정보를 추가하고 있다는 것이다.
채권 데스크 시사점
이 논문은 지금 ML 개발에서 매우 중요한 경고다.
흔히:
Linear → XGBoost → Transformer
순으로 모델을 복잡하게 하면 성과가 올라갈 거라고 생각한다.
그런데 실제로는:
Feature Quality > Model Complexity
일 수 있다.
국고채라면 우선 다음부터 제대로 만들 필요가 있다.
1/5/20분 return
yield momentum
realized volatility
volume shock
order-flow imbalance
spread/depth
curve z-score
그리고 반드시:
- linear regression
- ridge/lasso
- LightGBM
- shallow NN
- deep NN
을 동일 OOS 기준에서 경쟁시켜야 한다.
딥러닝이 ridge보다 안 좋으면 과감히 ridge를 쓰는 게 맞다.
한국시장 복제 아이디어
회사채에서도 민평·rating만 보는 대신:
최근 실거래 spread 변화
거래량 percentile
체결 간격
민평 대비 괴리
동일 issuer peer 움직임
같은 market-derived feature를 대량으로 생성해볼 만하다.
특히 거래가 뜸한 한국 회사채에서는 “마지막 가격”보다 최근 거래가 얼마나 비정상적이었는가를 나타내는 feature가 중요할 가능성이 있다.
데스크 적용 우선순위: ★★★★★
2. International Corporate Bond Returns: Uncovering Predictability Using Machine Learning
구분: 동료평가 논문 · Journal of Financial Markets, Vol. 79
발표: 2026년
선정: 최신성보다 글로벌 회사채 ML의 regime dependence 때문에 선정
핵심 요약
이 논문은 미국뿐 아니라 여러 국가의 회사채를 하나의 국제 데이터셋으로 묶어 cross-sectional return predictability를 ML로 분석한다. 미국과 비미국 시장 모두 유의한 예측력이 존재하지만, 어떤 변수가 중요한지는 시장별로 달랐고, 선진시장 회사채는 미국 채권시장 및 주식시장과의 연결성이 더 강했다. ScienceDirect 원문
더 중요한 결과는 ML 성능 자체가 시간에 따라 크게 변한다는 것이다. COVID 이전, 경기상황 악화, 시장 유동성 저하, investor sentiment·risk aversion 상승 구간에서 예측력이 더 강했다.
채권 트레이딩 시사점
이 논문은 “모델 하나의 평균 Sharpe”보다 언제 그 모델이 작동하는가가 더 중요하다는 근거다.
예를 들어:
Flow Alpha = +0.4 IC
라고만 저장하지 말고,
| Regime | IC |
|---|---|
| Normal liquidity | 0.05 |
| Liquidity stress | 0.18 |
| High volatility | 0.22 |
| MPC days | -0.03 |
처럼 conditional performance를 저장해야 한다.
그 결과 최종 action은:
Signal
× Regime-dependent confidence
가 된다.
한국시장 복제 아이디어
국내 금리모델을 최소한 다음 regime으로 나눠 scorecard를 만드는 게 좋다.
- 평시
- 금통위
- 국채 입찰
- 외국인 급격한 선물 포지션 변화
- 호가 depth 하위 10%
- 변동성 상위 10%
- repo/funding stress
그리고 각 모델의 IC·P&L·fill·mark-out을 regime별로 따로 기록한다.
장기적으로는 별도의 Regime Model이 현재 어떤 alpha model에 얼마의 신뢰도를 줄지 결정하도록 만들 수 있다.
데스크 적용 우선순위: ★★★★★
3. Large Language Model and Bond Risk Premia in China
구분: 연구논문 · SSRN / LLM + 국채 term structure
최종 개정: 2026년 2월 20일
선정: 최신성보다 한국 국채 NLP에 직접 복제 가능한 구조 때문에 선정
핵심 요약
저자들은 LLM으로 경제·시장 narrative에서 narrative sentiment index를 만들고 중국 국채 excess return을 예측한다. 이 sentiment는 IS와 OOS 모두에서 향후 bond excess return을 음(-)의 방향으로 유의하게 예측했으며, 저자들은 mean-variance 투자자에게 경제적 가치도 존재한다고 보고한다. SSRN 원문
특히 narrative sentiment를 affine term structure model에 넣었을 때 재미있는 두 채널이 나타난다. sentiment는 미래 단기금리 기대와는 양(+)의 관계, bond excess return과는 음(-)의 관계를 보이고, 효과는 장기물에서 더 강해진다.
즉 텍스트가 단순히 “금리가 오를까 내릴까”를 말해주는 것이 아니라 expected short rate와 term/risk premium을 서로 다른 방향으로 움직이는 정보를 포함할 수 있다는 것이다.
채권 트레이딩 시사점
이 부분이 굉장히 중요하다.
10년 금리는 대략:
Expected future short rates + Term premium
이다.
따라서 LLM sentiment가 hawkish하다고 해서:
무조건 10년 숏
으로 번역해서는 안 된다.
예를 들어:
hawkish narrative
→ expected short rate ↑
동시에
risk sentiment 개선
→ term premium ↓
이면 장기금리의 최종 움직임은 애매해질 수 있다.
따라서 NLP 모델의 target을 처음부터:
Δ3Y
Δ10Y
하나로 만들기보다,
Policy-rate component 와 Risk-premium component
로 분리하는 게 좋다.
한국시장 복제 아이디어
한국은행·기재부·언론·증권사 자료를 LLM으로 읽어:
Policy Narrative
- inflation
- growth
- hawkish/dovish
- forward guidance
Risk Narrative
- 지정학
- 금융안정
- credit
- global risk appetite
를 따로 만든다.
그 뒤:
Policy Narrative → 3년
Risk / Term-premium Narrative → 10/30년
관계를 별도로 학습한다.
데스크 적용 우선순위: ★★★★★
Quant Firm Intelligence
4. Citadel — Hua Zheng, Head of Market Impact Research가 직접 설명한 연구 프로세스
구분: Citadel 공식 현직자 인터뷰
발표일: 2026년 1월 15일
자료 성격: 채용공고 아님. Head of Market Impact Research가 직접 자신의 업무와 EQR 연구방식을 설명한 1차 자료
확인 가능한 사실
Citadel EQR의 Head of Market Impact Research Hua Zheng은 quantitative researcher가 시장행동을 설명하고 예측하는 모델을 만들며, 여러 시간 horizon의 signal을 탐색하고 경제적 intuition에 기반한 hypothesis를 대규모 데이터에서 검증한다고 직접 설명한다. Citadel 공식 인터뷰
그녀 자신의 연구영역은 특히 가격이 어떻게 형성되고 시장 참가자들이 서로 어떻게 상호작용하는가, 즉 market impact와 microstructure에 가깝다. Hua Zheng은 시장연구를 “세상이 실제로 어떻게 작동하는지를 이해하는 과정”으로 설명하며 mathematical rigor뿐 아니라 economic reasoning을 hypothesis의 출발점으로 둔다.
이 지점은 상당히 중요하다. 탑티어 systematic research가 무작정 데이터에 neural network를 넣고 alpha를 찾는 방식이 아니라:
Economic Hypothesis
→ 데이터
→ 모델
→ empirical test
순서를 상당히 중시한다는 공개 증거다.
공개자료 기반 추론
Citadel의 구체적인 market-impact model은 공개되지 않는다.
다만 Hua Zheng의 역할과 설명을 보면 research problem을 다음처럼 나누는 것이 합리적이다.
Prediction horizon
- ultra-short
- intraday
- multi-day
Market response
- 우리 주문이 가격을 얼마나 움직이는가
- impact가 얼마나 빨리 decay하는가
- 다른 참가자가 어떻게 반응하는가
Economic decision
- 지금 거래해야 하는가
- 얼마나 해야 하는가
- 얼마나 나눠야 하는가
즉 시장 impact는 단순 transaction-cost 숫자가 아니라 signal과 action 사이의 모델이다.
한국 채권시장에 복제하면
지금 우리가 반드시 별도 데이터셋으로 만들어야 할 target이:
Impact Curve
다.
예:
10선 sell 10계약
→ 1초 impact
50계약
→ impact
200계약
→ impact
그리고:
Impact(t=0)
Impact(t=5s)
Impact(t=30s)
Impact(t=5min)
으로 decay를 측정한다.
그러면 Alpha 모델이:
+1.2틱 edge
라고 해도 execution model이:
200계약을 때리면 0.9틱 impact
라고 판단하면 실질 edge는 거의 없다.
결국 position sizing은:
Expected Alpha − Expected Market Impact
로 결정해야 한다.
복제 가치: ★★★★★
5. Jane Street — 현직자들이 밝힌 “Deep Learning이 Systematic Trading의 최대 Driver가 된 과정”
구분: Jane Street 공식 현직자 roundtable + 공식 ML 기술자료
현재 공개: 2026년
자료 성격: 채용공고 제외. 실제 연구자·트레이더가 회사의 ML 방식과 compute 구조를 직접 설명
확인 가능한 사실
Jane Street는 최근 3Blue1Brown의 Grant Sanderson과 진행한 사내 roundtable에서 현직자 Nitya, In Young, Craig, Alok가 회사의 기술 변화에 대해 직접 이야기했다. 공식 요약에서 Jane Street는 2005년 Excel 기반 trading system에서 시작해 현재 deep learning이 systematic trading의 “single largest driver”가 됐다고 명시한다. Jane Street 공식 roundtable 소개
공식 ML 페이지는 연구자·엔지니어·트레이더가 silo 없이 바로 옆에서 일하며, 하루 업무가 market-data 분석, hyperparameter tuning, distributed-training debugging, production trade 분석까지 모두 포함된다고 설명한다. Jane Street Machine Learning 공식 자료
또 특정 model family에 고정하지 않는다. Jane Street는 최신 LLM, computer vision, reinforcement learning, training libraries, CUDA kernels 등의 아이디어를 필요에 따라 사용하고, trading 문제에 맞는 자체 architecture·optimization도 만든다고 공개한다.
현직 연구자 Declan은 프로젝트 horizon도 매우 다양하다고 직접 설명한다. 어떤 연구는 당일 바로 하나의 trade로 이어질 정도로 짧고, 다른 연구는 결국 billions of orders를 보내는 거대한 trading system으로 발전할 수 있다. Declan 인터뷰 원문
특히 재미있는 부분: Compute Allocation
Jane Street roundtable은 compute cluster 자체에 real-time auction을 운영한다고 공개한다.
이건 상당히 의미 있는 조직 설계다.
GPU를:
“누가 먼저 예약했는가”
로 배분하기보다,
“지금 가장 가치 있는 연구 experiment가 무엇인가”
라는 경제적 문제로 취급하고 있음을 시사한다.
구체적인 auction mechanism이나 bid metric은 공개되지 않았으므로 그 부분을 추정해서는 안 된다.
공개자료 기반 추론
Jane Street의 연구운영을 압축하면:
Trading problem
→ researcher + trader가 target 정의
→ neural model 실험
→ distributed GPU training
→ production deployment
→ 실제 model trade를 다시 연구자가 분석
→ 다음 hypothesis
다.
여기서 가장 중요한 마지막 단계는:
“study our model’s trades in production”
이다.
즉 ML 연구자의 업무가 validation loss를 보고 끝나지 않는다.
실제 모델이 낸 trade를 직접 본다.
- 왜 이 trade를 했나
- edge가 실제로 있었나
- 어느 regime에서 틀렸나
- execution 때문에 사라졌나
- prediction 자체가 틀렸나
를 다시 연구한다.
한국 채권시장에 그대로 가져올 것
모든 live trade에 Model Decision Snapshot을 남기는 걸 추천한다.
예:
Trade ID 392819
- Market state
- Model version
- feature vector
- predicted alpha
- confidence
- recommended action
- actual position
- execution price
- 10s mark-out
- 1m mark-out
- final P&L
그리고 매일 자동으로:
Best 10 trades
왜 잘됐나?
Worst 10 trades
왜 틀렸나?
High-confidence failures
가장 중요한 model debugging 대상
을 뽑는다.
이렇게 하면 research와 trading이 분리되지 않는다.
Backtest → Production
이 아니라
Research → Production → Research
의 순환이 된다.
복제 가치: ★★★★★
오늘의 데스크 결론
오늘은 꽤 중요한 메시지가 하나 나온다.
“최신 딥러닝을 쓰는 것”과 “좋은 quant research를 하는 것”은 같은 말이 아니다.
회사채 연구에서는 146개 technical signal을 잘 만드는 것이 복잡한 ML architecture보다 중요했고, ML이 linear model을 실질적으로 이기지 못했다. 반대로 국제 회사채에서는 ML 성과 자체가 liquidity·business cycle·risk regime에 따라 크게 변했다.
즉 먼저 물어야 할 질문은:
“Transformer를 쓸까?”
가 아니다.
1. 무엇을 예측할 것인가?
2. 어떤 feature가 경제적으로 중요한가?
3. 어느 regime에서 작동하는가?
4. 그 예측을 trade로 옮기면 impact가 얼마인가?
다.
Citadel의 Hua Zheng 자료는 이를 economic hypothesis → multiple horizons → large-scale empirical test → market impact라는 연구방식으로 보여준다.
Jane Street는 그 다음을 보여준다.
Hypothesis
→ Deep Learning
→ GPU Experiments
→ Production Trade
→ 실제 Trade 분석
→ 다시 Hypothesis
라는 loop다.
그래서 오늘 국내 채권 AI 개발에 새로 넣을 것을 딱 두 개 고르면 **Regime × Model Performance Matrix**와 **Live Trade Decision Snapshot**이다. 어떤 모델이 언제 좋은지를 알아야 하고, 모델이 왜 실제 돈을 벌거나 잃었는지를 다시 연구 데이터로 환원해야 한다.
오늘 논문 한 편만 읽는다면: Technical Indicators and the Cross-Section of Corporate Bond Returns in a Machine Learning Era. **“복잡한 ML을 쓰기 전에 feature가 진짜 좋은지 확인하라”**는 메시지가 현재 연구개발 단계에서 특히 중요하다.
퀀트사 자료 하나만 본다면: Jane Street의 ML 페이지와 3Blue1Brown roundtable을 같이 추천한다. 특히 deep learning이 systematic trading의 최대 driver가 됐음에도 연구자가 hyperparameter부터 실제 production trade까지 직접 보는 구조가 탑티어 퀀트사의 일하는 방식을 이해하는 데 꽤 좋은 힌트를 준다. Jane Street ML 원문