채권시장 AI·Quant Intelligence — 2026년 9월 4일

오늘 검색에서는 9월 3~4일 당일 공개된 고품질 채권-AI 논문이 많지 않았다. 그래서 최신성이 높은 ECB의 8월 31일 AI 회사채 분석을 한 축으로 두고, 아직 브리핑에서 깊게 다루지 않은 yield-curve generative model과 회사채 similarity learning을 골랐다. 퀀트사 섹션은 요청대로 채용공고를 전부 배제하고, Two Sigma 현직 Head가 56분간 직접 설명한 feature-engineering 프로세스와 Man AHL Chief Scientist가 실제 ML 운용방식을 공개한 기술자료를 선정했다.

오늘의 핵심은 **모델 architecture보다 representation·feature·target이 중요하고, 좋은 아이디어를 firm-wide research asset으로 축적하는 구조가 장기적인 moat가 된다**는 것이다.

---

1. ECB — Big tech, big debt: when US tech giants tap the euro area bond market

구분: 중앙은행 공식 시장분석 · ECB
발표일: 2026년 8월 31일

핵심 요약

ECB는 AI 인프라 투자붐으로 미국 hyperscaler들이 유럽 회사채시장까지 대규모로 이용하기 시작했다고 분석했다. Hyperscaler는 2028년까지 총 1조달러 이상의 CAPEX가 필요할 것으로 예상되고, 현재 이들이 발행한 채권 중 약 10%가 유로화 표시다. ECB 원문 바로 보기

유로 표시 hyperscaler 채권 잔액은 약 400억유로, euro corporate-bond benchmark의 1%를 조금 넘는 수준이며, 2026년에는 미국 big tech가 euro NFC gross issuance의 거의 **10%**를 차지했다. Amazon과 Alphabet은 올해 euro-area non-financial corporate market에서 가장 큰 발행사였고 Amazon 거래는 역대 최대 규모를 기록했다. ECB 분석

ECB가 강조하는 것은 단순 공급량이 아니다. Hyperscaler 채권은 일반 유럽 회사채보다 장기만기 비중이 높고, technology exposure와 AA급 이상의 고등급 채권 공급을 늘려 euro credit index의 구성 자체를 변화시키고 있다.

채권 트레이딩 시사점

이제 AI theme은 주식시장 뉴스가 아니라 credit index structure와 duration supply를 바꾸는 변수다.

예를 들어 동일 issuer의 신용도가 그대로여도:

30Y 대규모 issuance → dealer inventory 증가
→ 동일 sector 장기물 concession 확대
→ index duration 증가
→ sector RV 변화

가 발생할 수 있다.

따라서 credit ML에서 새로운 feature는 단순 issuer fundamental이 아니라:

Issuer Supply Pressure

• 최근 1/3/6개월 gross issuance
• 순발행 / 유통잔액
• 평균 발행 maturity
• new-issue concession
• index weight change

까지 포함해야 한다.

한국 시장 복제 아이디어

국내에서는 은행채·여전채·AA급 회사채에서 이 구조를 바로 테스트할 수 있다.

Issuer fundamentals 를 통제한 뒤

최근 순발행량 / outstanding

이 민평 대비 spread residual을 얼마나 설명하는지 본다.

특히 같은 금융지주 또는 여전사 그룹 내에서:

발행이 집중된 issuer vs 발행이 적은 issuer

간 spread divergence를 Supply RV Signal로 만들 수 있다.

데스크 적용 우선순위: ★★★★★

---

2. Yield Curves Dynamics Using Variational Autoencoders Under No-arbitrage

구분: 연구논문 · arXiv / VAE + Neural SDE + 금리곡선
발표일: 2026년 5월 12일
선정: 최신성보다 기술적 가치 때문에 선정

핵심 요약

이 연구는 yield curve를 생성·예측하는 deep-learning model에서 흔한 문제인 **“통계적으로 그럴듯하지만 채권가격 이론상 arbitrage가 가능한 curve를 만드는 문제”**를 직접 다룬다. 저자들은 Student-t Conditional VAE로 heavy-tail term-structure manifold를 만들고, latent dynamics를 Neural SDE로 진화시키면서 no-arbitrage PDE를 penalty로 강제하는 2단계 architecture를 제안한다. arXiv 원문

USD·GBP·JPY sovereign curves에서 테스트했고, 저자들은 OOS 평균 tenor RMSE 약 6.58bp를 보고한다. 또한 단순 forecast뿐 아니라 continuous-time scenario generation과 unsupervised regime detection도 수행한다.

왜 이 architecture가 재미있는가

구조를 단순화하면:

Yield Curve → VAE Encoder → latent state (z_t)

그 다음:

Neural SDE → (z_)

그리고 decoder가 다시:

→ future yield curve

를 만든다.

그런데 학습 loss에:

forecast error + no-arbitrage violation penalty

를 같이 넣는다.

이 접근은 금융 ML에서 매우 중요한 원칙을 보여준다.

Physics-informed ML처럼 Finance-informed ML을 만들 수 있다.

채권 트레이딩 시사점

금리 AI를 만들 때 pure black box에 모든 자유를 주는 것이 항상 좋은 것은 아니다.

예를 들어 AI가:

• 3Y 2.8%
• 5Y 1.5%
• 10Y 3.5%

같은 비정상적인 curve를 생성해도 RMSE가 평균적으로 낮으면 statistical model은 통과할 수 있다.

하지만 실제 trading/valuation model에서는 경제적·무차익 제약이 훨씬 중요하다.

따라서 앞으로 금리모델 평가를:

Forecast Accuracy

뿐 아니라:

Curve Smoothness Arbitrage Violation Extreme Scenario Plausibility

까지 확장할 필요가 있다.

한국 시장 복제 아이디어

국고채에서는 처음부터 Neural SDE까지 갈 필요가 없다.

우선 autoencoder가:

1Y / 2Y / 3Y / 5Y / 10Y / 20Y / 30Y

곡선을 low-dimensional latent state로 압축하게 하고,

그 latent를:

• macro state
• 선물 수급
• 입찰
• 외국인 포지션

과 연결한다.

그리고 model output에 curve-shape constraint를 걸어 비경제적인 예측을 줄이는 방식부터 테스트할 수 있다.

장기적으로는 이 latent state가 Level / Slope / Curvature보다 더 유용한 learned regime representation이 될 수 있다.

데스크 적용 우선순위: ★★★★★

---

3. Supervised Similarity for High-Yield Corporate Bonds with Quantum Cognition Machine Learning

구분: 회사채 ML 연구 · arXiv / Supervised Similarity
최신 원문 버전: 2026년 3월 22일
선정: 최신성보다 기술적 가치 때문에 선정

이 논문에서 quantum이라는 단어 때문에 양자컴퓨터 연구로 오해하면 안 된다. 실제 핵심은 **“회사채끼리 어떤 방식으로 비슷하다고 정의해야 하는가”**라는 metric-learning 문제다. arXiv 원문

핵심 요약

회사채는 거래가 희소하므로 원하는 종목의 최근 가격이 없을 때 가장 비슷한 다른 채권을 찾아 가격·spread·hedge를 추정하는 것이 중요하다. 저자들은 similarity 자체를 coupon/rating/sector의 단순 Euclidean distance로 정의하지 않고 특정 target을 잘 예측하도록 supervised distance를 학습한다.

예를 들어 spread가 target이라면:

spread가 비슷하게 움직이는 bond들은 feature space에서도 가깝도록

metric을 학습한다.

기존 Random Forest/GBM proximity와 QCML representation을 비교했는데, 특히 feature가 많고 default-near outlier가 많은 HY universe에서는 QCML proximity가 classical RF proximity보다 더 나은 결과를 냈다고 보고한다. IG에서는 차이가 상대적으로 작았다.

채권 트레이딩 시사점

이 연구에서 중요한 부분은 QCML 자체보다 supervised similarity 개념이다.

회사채 A와 B가 둘 다:

• AA-
• 4년 만기
• 제조업

이라고 해서 실제 시장에서는 비슷하지 않을 수 있다.

반대로 sector가 달라도:

• 유동성
• equity beta
• spread beta
• leverage
• funding pattern

이 유사하면 실제 가격행동은 더 비슷할 수 있다.

따라서:

Similarity ≠ fundamental metadata similarity

이고,

Similarity = target-specific behavioral similarity

로 보는 것이 좋다.

한국 시장 복제 아이디어

국내 회사채에서 각 채권에 대해 Dynamic Peer 10개를 찾아주는 모델을 만들 수 있다.

입력:

• rating
• sector
• maturity
• coupon
• issue size
• turnover
• spread
• equity volatility
• group affiliation
• recent spread beta

출력:

이 종목의 현재 시장상태에서 가장 참고할 만한 채권 Top 10

그 다음:

Peer-implied fair spread − 현재 bond spread

를 RV signal로 사용한다.

이 모델은 비유동 종목의 fair value, substitution, hedge basket, anomaly detection을 모두 지원한다. 실제 논문도 illiquid bond pricing, tradable substitute selection, hedging, anomaly detection을 주요 활용사례로 제시한다.

데스크 적용 우선순위: ★★★★★

---

Quant Firm Intelligence

4. Two Sigma — Ben Wellington이 직접 설명한 “Feature Engineering에서 Alpha가 만들어지는 방식”

구분: 현직 Head of Complex Feature Engines 인터뷰 + 회사 공식 정리
팟캐스트: 2026년 7월 6일
Two Sigma 공식 공개: 2026년 8월 11일

오늘 퀀트사 자료 중 가장 추천한다.

Two Sigma의 Head of Complex Feature Engines Ben Wellington이 Flirting with Models에서 약 56분 동안 feature engineering, ML, AI, p-hacking, forecast horizon, shared research platform을 직접 설명했다. Two Sigma도 이후 이를 공식 사이트에 상세히 정리했다. Two Sigma 공식 정리 전체 팟캐스트·챕터

확인 가능한 사실 ① — Feature는 “column”이 아니다

Ben은 feature를 단순 데이터 column이 아니라:

“facts about the world worth noting”

으로 정의한다.

예를 들어:

• 최근 일주일 가격변화
• 뉴스 보도량
• analyst upgrade
• press release timing

모두 feature가 될 수 있다.

하지만 핵심은 데이터를 보유하는 것 자체가 아니라 어떤 질문으로 그것을 변환하느냐다.

그는 raw data가 commoditize될수록 quant edge가:

Data 에서 What you do with the data

즉 feature engineering 쪽으로 이동한다고 설명한다.

확인 가능한 사실 ② — 가장 중요한 목표는 “Orthogonal Prediction”

Ben은 alpha modeler의 업무를 아주 명확하게 표현한다.

매일 orthogonal하고 novel한 prediction을 찾는 것이다.

기존 signal과 correlation이 높은 feature는 쉽게 찾을 수 있지만 경제적 가치는 낮다.

실제로 팟캐스트에서는:

• feature collinearity
• orthogonality
• forecast horizon
• feature lifecycle
• market efficiency

를 별도 주제로 깊게 다룬다.

이 관점에서 feature 평가식은 단순:

IC(feature, return)

보다:

Incremental IC conditional on existing features

가 더 중요하다.

확인 가능한 사실 ③ — Shared Feature Library

Two Sigma에서는 연구자들이 silo별로 각자 feature를 소유하기보다 공유 feature library와 공통 research platform을 사용한다고 Ben이 설명한다.

즉 한 팀이 발견한 feature가 다른 모델과 전략에도 재사용된다.

이 구조에서는:

Research 1개 → feature library
→ 모델 20개에서 재사용

이 가능하다.

확인 가능한 사실 ④ — LLM과 Feature Engineering

Ben은 LLM이 과거 NLP와 다른 중요한 변화를 만들었다고 본다.

기존:

Language → Numbers

였다면 이제는:

Numbers / tables / structured information → Language

까지 가능해졌기 때문에 **“anything can be language”**에 가까운 연구공간이 열린다고 설명한다.

다만 AI가 모두에게 동일한 아이디어를 제안하면 오히려 연구결과가 homogenize될 수 있다. 그는 AI를:

연구자의 originality를 증폭하는 도구

로 써야 한다고 강조한다.

공개자료 기반 수익 메커니즘

Two Sigma의 구조는 이렇게 해석할 수 있다.

Raw Data → Human/AI feature hypothesis
→ orthogonality test
→ forecast model
→ shared feature library
→ 여러 portfolio에 재사용
→ P&L

즉 edge의 핵심 중 하나는:

Feature Quality × Reuse × Orthogonality

다.

한국 채권시장 복제 아이디어

우리도 Bond Feature Store를 단순 DB table이 아니라 연구자산 library로 만들 필요가 있다.

예:

foreign_10y_futures_flow_zscore auction_tail_20d_percentile 10_30_curve_residual orderbook_cancel_imbalance broker_fill_ratio MPC_hawkishness_delta

각 feature에 자동으로:

• 설명
• 경제적 hypothesis
• target horizon
• IC
• regime별 IC
• 기존 feature와 correlation
• production usage
• decay

를 기록한다.

그리고 신규 feature 승인기준을:

높은 단독 IC

가 아니라

기존 feature set에 없는 incremental information

으로 바꾼다.

이건 바로 구현할 가치가 있다.

복제 가치: ★★★★★

---

5. Man AHL — Chief Scientist가 직접 밝힌 “약한 정보들을 ML로 결합해 거래 시스템으로 만드는 방식”

구분: Man AHL Chief Scientist 공식 기술글
발표일: 2016년 11월 17일
선정: 최신성보다 기술적 가치 때문에 선정

오래된 자료지만 사용자 요청에 정확히 맞는다. Chief Scientist Anthony Ledford가 Man AHL에서 실제로 ML을 어떻게 받아들였고, 어떤 연구를 trading system으로 옮겼는지 직접 설명한다. 현재도 Man Group 공식 사이트에서 제공한다. Man AHL 공식 원문

확인 가능한 사실 ① — 실제 운용에 ML을 넣은 시점

Man AHL은 ML을 단순 연구한 것이 아니라 2014년 초부터 multi-strategy client portfolio에서 ML 기반 시스템을 실거래했다고 Chief Scientist가 밝힌다.

당시 AHL은 하루 약 15억 개의 data tick을 수신하고 있었으며, 금융 데이터가 숫자뿐 아니라 text나 weather information까지 매우 heterogeneous하다고 설명했다.

확인 가능한 사실 ② — 핵심은 강한 Signal 하나가 아니다

Anthony Ledford의 표현에서 가장 중요한 부분은:

ML이 수많은 다양한 weak information source를 하나의 investment system으로 결합할 수 있다는 것이다.

즉:

Feature A IC 0.01 Feature B IC 0.015 Feature C IC -0.005

라고 개별적으로 약해 보여도,

nonlinear interaction과 conditional dependence를 이용하면:

combined signal

은 유의미해질 수 있다.

이게 financial ML이 image recognition과 다른 중요한 포인트다.

금융에서는 대개 매우 약하고 noisy한 signal 여러 개를 결합해야 한다.

확인 가능한 사실 ③ — 타 분야 알고리즘을 그대로 가져온다

흥미로운 실제 사례도 공개돼 있다.

Oxford-Man Institute가 천문학의 Galaxy Zoo Supernovae 프로젝트에서 사용하던 Bayesian ML 방법론을 broker recommendation signal 추출 문제에 적용했다.

두 문제 모두:

여러 관측자 → 서로 상충하는 의견
→ 관측자별 신뢰도를 학습
→ 최종 classification

구조가 동일했기 때문이다.

즉 Man AHL은:

“finance용으로 만들어진 알고리즘만 찾는다”

가 아니라

문제구조가 같다면 다른 분야의 알고리즘을 이식한다.

한국 채권시장에 복제 아이디어

이 방식은 broker view를 합칠 때 굉장히 재미있다.

예를 들어 10명의 브로커·리서치 의견이:

• 강세
• 약세
• 중립

으로 들어온다고 하자.

단순 voting 대신 각 브로커에 대해 과거:

Accuracy by tenor Accuracy by regime Accuracy by event

를 학습한다.

그 다음:

Bayesian/ML weighted consensus

를 만든다.

예를 들어:

브로커 A는 금통위에서 잘 맞고
브로커 B는 입찰에서 잘 맞고
브로커 C는 30년에서 잘 맞는다면,

현재 상황에 따라 weight를 바꾼다.

이는 Man AHL이 천문학의 “관측자 reliability” 문제를 broker recommendation으로 가져온 것과 거의 같은 구조다.

공개자료 기반 수익 메커니즘

Many Weak Signals → credibility / interaction 학습
→ combined prediction
→ diversified strategy
→ portfolio

이다.

이런 구조에서는 최신 Transformer 하나보다 수십 개 weak alpha의 결합과 신뢰도 weighting이 훨씬 중요할 수 있다.

복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 가장 중요한 연결고리는 Representation이다.

회사채 similarity 연구는:

어떤 채권이 서로 비슷한가?

를 데이터가 target별로 배우게 한다.

Yield-curve VAE는:

복잡한 곡선을 어떤 latent state로 표현할 것인가?

를 neural representation으로 학습한다.

Two Sigma의 Ben Wellington은:

raw data를 어떤 economically meaningful feature로 변환할 것인가?

가 alpha research의 핵심이라고 직접 설명한다.

Man AHL은 한 단계 더 나아가:

약한 feature 여러 개를 어떻게 하나의 강한 trading system으로 합칠 것인가?

를 실전 ML 문제로 본다.

그래서 현재 채권 AI 개발을 한 줄로 정리하면:

Raw Data
→ Good Representation
→ Orthogonal Features
→ Many Weak Predictions
→ Ensemble / Portfolio
→ Execution
→ P&L Feedback

이다.

오늘 바로 구현할 것을 하나만 고르면 **Bond Feature Registry**를 추천한다. 신규 feature마다 경제적 의미, prediction horizon, standalone IC, incremental IC, 기존 feature와 correlation, regime performance, decay, live usage를 자동으로 기록하는 시스템이다. 연구자가 많이 늘거나 AI agent가 feature를 대량 생성하기 시작할수록 이 구조의 가치가 급격히 커진다.

오늘 논문 한 편만 본다면: Yield Curves Dynamics Using Variational Autoencoders Under No-arbitrage. 딥러닝에 금융이론 constraint를 어떻게 넣을지 생각하기 좋은 자료다. 논문 바로 보기

퀀트회사 자료 하나만 본다면: Ben Wellington의 Two Sigma 팟캐스트를 가장 추천한다. 특히 feature ideation → orthogonality → forecast horizon → feature decay → p-hacking → AI rapid prototyping까지 현직 책임자가 직접 설명하므로, 실제 quant research workflow를 이해하는 데 지금까지 본 자료 중에서도 정보밀도가 높다. 56분 전체 인터뷰