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