채권시장 AI·Quant Intelligence — 2026년 9월 5일

오늘은 전일의 ECB hyperscaler issuance, yield-curve VAE, bond similarity learning, Two Sigma feature engineering, Man AHL weak-signal ensemble은 제외했다. 오늘 새롭게 볼 포인트는 ① AI 투자붐 자체가 채권 공급·신용·금융안정 factor가 되는 과정, ② 금리곡선 ML에서 복잡한 deep learning이 언제 실제 portfolio P&L로 이어지는지, ③ 모델 성능보다 production iteration 구조가 어떻게 알파를 좌우하는지다.

퀀트사 섹션은 요청대로 채용공고를 사용하지 않았다. Optiver 현직 엔지니어의 기술글과 Man Group/Man AHL의 실제 systematic-credit 연구 및 현직 책임자 공개자료를 사용했다.

---

1. Bank of England — AI debt boom을 실제 금융안정 stress scenario로 모델링

구분: 중앙은행 공식 보고서 · Bank of England Financial Stability Report
발표일: 2026년 7월 10일
선정 이유: 최신성보다 현재 AI-채권시장 연결을 가장 구체적으로 수치화한 공식자료 중 하나라 선정

핵심 요약

영란은행은 2026년 상반기 AI hyperscaler의 대규모 채권 발행을 금융안정 리스크로 별도 분석했다. 2025년 말 hyperscaler 5개사는 미국 IG 시장 outstanding의 약 3%에 불과했지만, 2026년 5월 초까지 신규 USD IG 발행의 15% 이상을 차지했다. Bank of England FSR 원문

BoE는 Barclays 분석을 인용해 hyperscaler의 2026년 IG credit 조달규모가 약 2,400억달러에 달할 수 있다고 소개하며, 비교를 위해 미국 대형 은행 6곳의 통상 연간 senior debt 발행규모가 약 1,500억~1,700억달러라고 설명한다.

더 중요한 것은 BoE가 AI boom 붕괴를 실제 stress scenario로 계산했다는 점이다. AI productivity·profitability 기대가 재평가되는 가상 시나리오에서 미국 주식시장이 6개 분기에 걸쳐 45% 하락하고, corporate credit spread가 350bp 확대되는 충격을 가정했다.

또 AI financing이 일반 회사채뿐 아니라 private credit, leveraged finance, structured finance, data-center ABS/SPV 등으로 퍼지면서 최종 위험보유자를 파악하기 어려워지고 asset-level leverage가 증가할 수 있다고 지적한다.

채권 트레이딩·리스크관리 시사점

AI를 하나의 단순 sector exposure로 보면 부족하다.

앞으로는:

AI CAPEX → 회사채 발행
→ dealer/investor duration absorption
→ credit spread / term premium

과 동시에

AI valuation shock → equity correction
→ credit spread widening
→ leveraged position unwind
→ sovereign liquidity

라는 두 경로를 같이 봐야 한다.

따라서 stress model에서는 NVDA -20% 같은 단순 equity shock보다:

AI equity

• hyperscaler CDS
• IG spread
• UST liquidity
• repo/basis

를 하나의 state로 묶는 게 낫다.

한국 시장 복제 아이디어

국내에는 직접적인 hyperscaler corporate-bond 공급은 적지만 전파경로가 있다.

US AI shock → UST → USD/KRW → 외국인 KTB futures → 한국 반도체/전력/IDC credit → KTB curve

를 intraday event study로 만들 수 있다.

특히 장기적으로는 AI Credit Stress Index를 만들어:

• Oracle/Meta/Amazon CDS
• US tech IG spread
• data-center financing spread
• hyperscaler issuance
• NASDAQ vol

을 조합하고, 한국 국채 10/30년과 회사채 spread에 대한 beta를 추정해볼 만하다.

데스크 적용 우선순위: ★★★★★

---

2. Data-Driven Duration Management — Term Structure Forecasting Using Machine Learning

구분: 최신 연구논문 · Yield Curve ML / Portfolio Management
발표일: 2026년 6월 25일

핵심 요약

이 연구는 미국과 유럽 zero-coupon government-bond curve를 대상으로 Dynamic Nelson-Siegel, PCA 같은 전통 모델과 여러 neural network 구조를 비교한다. 단순 forecasting RMSE뿐 아니라 실제 duration-management trading strategy의 경제적 성과까지 함께 평가한다는 점이 중요하다. arXiv 원문

미국에서는 DNS factor로 yield curve 차원을 줄이고 macro 변수는 Autoencoder로 representation을 학습한 direct-forecasting neural network가 가장 좋은 결과를 보였다. 반면 유럽에서는 macro 변수를 추가하지 않은 PCA-factor 기반 NN이 가장 우수했다.

즉 동일한 neural architecture를 모든 시장에 적용하는 것이 아니라 시장마다 유효한 representation과 information set이 다를 수 있다는 결과다. 연구진은 NN이 양 시장 모두에서 전통 모델보다 forecasting accuracy뿐 아니라 portfolio performance에서도 우수한 결과를 보였다고 보고한다.

채권 트레이딩 시사점

여기서 가장 중요한 것은 Deep Learning ≠ raw yields를 Transformer에 넣기라는 점이다.

오히려 좋은 구조는:

Yield Curve → DNS/PCA factor

Macro → Autoencoder latent

그 다음:

Curve factor + Macro latent → NN

이다.

즉 금융이론이 이미 알려주는 좋은 low-dimensional structure를 버리지 않고 NN의 input representation으로 이용한다.

이건 채권에서 매우 합리적이다.

금리곡선은 본질적으로 강한 correlation structure를 가지기 때문에:

• 30개 tenor raw input 보다
• level / slope / curvature 또는 learned factor

가 sample efficiency에서 유리할 수 있다.

한국 시장 복제 아이디어

국고채에서는 다음 세 모델을 동일 조건으로 바로 경쟁시키면 된다.

A. Baseline DNS factor → VAR

B. Hybrid DNS factor + macro → LightGBM

C. Neural hybrid DNS factor + macro autoencoder latent → MLP/RNN

평가는 단순 RMSE가 아니라:

• 방향 정확도
• 3/10 P&L
• 10/30 P&L
• DV01-neutral P&L
• turnover
• 거래비용 후 Sharpe

까지 봐야 한다.

특히 이 논문처럼 forecast accuracy와 duration-management 성과를 동시에 보는 evaluation framework를 그대로 가져올 가치가 있다.

데스크 적용 우선순위: ★★★★★

---

3. Yield Curve Forecasting using Machine Learning and Econometrics: A Comparative Analysis

구분: 연구논문 · U.S. Treasury / Transformer·RNN·LGBM
발표일: 2026년 5월 11일
선정: 최신성보다 “복잡한 딥러닝이 항상 이기지 않는다”는 실무적 가치 때문에 선정

핵심 요약

이 연구는 약 47년의 미국 Treasury yield-curve 데이터를 가지고 ARIMA 계열, naive benchmark, ensemble ML, LightGBM, RNN, 그리고 여러 forecasting Transformer를 비교한다. 결과는 의외로 ARIMA와 단순 econometric benchmark가 대부분의 time block에서 복잡한 ML/DL 모델보다 우수했다. arXiv 원문

ML 모델 중에서는 TimeGPT, LightGBM, RNN이 상대적으로 강했지만, “최신 Transformer를 쓰면 금리예측이 좋아진다”는 단순한 결론은 지지되지 않았다. 연구는 deep-learning input을 stationary transformation으로 할지 raw/non-stationary series로 할지에 따라서도 결과가 달라짐을 분석한다.

채권 AI 시사점

오늘 2번 논문과 같이 보면 재미있다.

2번 논문은 hybrid NN이 잘됐지만, 이 논문에서는 전통 모델이 강했다.

차이는 결국:

architecture보다

• target
• representation
• training window
• regime
• evaluation objective

가 더 중요하다는 것이다.

따라서 금리 AI 연구에서 반드시 Naive benchmark를 살아 있게 유지해야 한다.

예를 들어 모델 A의 RMSE가 3.41bp이고:

Yesterday Yield = Forecast

의 RMSE가 3.35bp라면 딥러닝 모델은 실패한 것이다.

복잡한 모델이 benchmark보다 0.1bp 낫더라도 turnover와 instability가 커지면 실제 P&L에서는 더 나쁠 수 있다.

한국 시장 복제 아이디어

모든 금리 forecasting experiment에 자동으로 다음 benchmark를 붙이는 것을 추천한다.

• random walk
• AR(1)
• PCA/VAR
• DNS
• ridge
• LightGBM

그 다음에야:

• RNN/LSTM
• Transformer
• time-series foundation model

을 추가한다.

그리고 새로운 모델이 production 후보가 되려면 최소:

OOS P&L > simple benchmark P&L

뿐 아니라

incremental utility / complexity cost > 0

를 통과하게 한다.

이 기준은 AI agent가 자동으로 모델을 수백 개 생성하기 시작할수록 더 중요해진다.

데스크 적용 우선순위: ★★★★☆

---

Quant Firm Intelligence

4. Optiver — 현직 엔지니어가 공개한 “Latency와 Research Iteration을 동시에 잡는 Trading-System 설계”

구분: Optiver 공식 기술 블로그 · 현직 Engineering Team Lead 직접 작성
발표일: 2026년 7월 20일
채용공고 아님

확인 가능한 사실

Optiver Shanghai의 engineering team lead Daniel B.는 지난 약 10년간 세대별 trading stack이 어떻게 바뀌었는지를 공식 기술글에서 직접 설명한다. 핵심 갈등은 lowest latency와 fastest research iteration이 서로 반대 방향의 engineering requirement를 갖는다는 것이다. Optiver 공식 기술글

그의 설명에 따르면 trading이 더 systematic하고 model-driven해지면서 모델이 점점 무거워지고, 기존 시스템의 bottleneck을 반복해서 넘어가야 했다. 그래서 단순히 C++ 코드를 더 최적화하는 문제가 아니라 연구자가 새 모델을 빠르게 실험하면서도 production에서는 latency를 유지할 수 있는 architecture를 계속 재설계해 왔다.

Optiver가 현재 공식적으로 설명하는 전체 구조도 이와 일치한다. 회사는 deep learning, LLM, statistical modeling, reinforcement learning을 연구에 사용하고, rapid experimentation infrastructure가 아이디어를 production으로 빠르게 넘기는 역할을 한다고 밝힌다. 또한 매일 1,000만 건 이상의 trade가 실행되므로 pricing model이나 execution path의 작은 개선도 수백만 번의 live decision에 반복 적용된다. Optiver 공식 Research/Technology 설명

공개자료 기반 추론

여기서 Optiver가 해결하려는 engineering objective는:

Latency 최소화

하나가 아니다.

오히려:

Trading P&L ∝ Model Quality × Research Iteration Speed × Production Latency × Reliability

에 가깝다.

초저지연만 극단적으로 추구하면:

• feature 추가가 어렵고
• 모델 변경이 느리고
• 실험비용이 올라간다.

반대로 Python research stack을 그대로 production에 넣으면:

• latency
• jitter
• reliability

문제가 생긴다.

따라서 좋은 시스템은 research flexibility와 execution performance 사이에 명확한 interface를 만든다.

한국 채권시장 복제 아이디어

우리도 연구코드와 실행코드를 억지로 하나로 만들기보다 두 계층으로 나누는 것이 좋다.

Research Layer

• Python
• pandas/polars
• PyTorch
• 빠른 feature/model iteration

Production Decision Layer

• 고정된 feature contract
• model artifact
• deterministic risk checks
• low-latency execution

그리고 핵심은:

feature spec model input schema model version risk parameters

를 자동으로 production에 넘기는 것이다.

그렇게 하면 연구자는 Python에서 하루 20개 모델을 실험하고, 통과한 모델만 execution engine으로 안전하게 넘어갈 수 있다.

복제 가치: ★★★★★

---

5. Man Group / Man AHL — ML로 “Fallen Angel”을 미리 예측해 Corporate-Bond Portfolio를 관리

구분: Man Group 공식 연구 · PIC·Stanford·SAS 공동 연구 + Man AHL 현직자 공개자료
발표일: 2026년 6월 23일
채용공고 아님

확인 가능한 사실

Man Group은 Pension Insurance Corporation, Stanford University, SAS와 함께 corporate-bond rating transition을 머신러닝으로 예측하는 연구를 진행했다. Man은 회사채가 보험사 자산의 통상 50% 이상을 차지하기 때문에 downgrade와 upgrade를 미리 예측하는 것이 ALM·capital allocation에 직접적으로 중요하다고 설명한다. Man Group 공식 연구

핵심은 rating agency가 등급을 바꾼 후 대응하는 것이 아니라, 다양한 financial indicator를 이용해 rating transition probability를 더 일찍 추정하는 quantitative credit process다. Man은 advanced data analytics와 ML이 기존 방법보다 rating-change forecasting에서 더 일관되고 반복 가능한 process를 제공할 가능성을 보여준다고 설명한다.

이 접근이 단순 학술 프로젝트와 동떨어진 것도 아니다. Man AHL의 David Ryan은 현재 Global Trend and Volatility 공동책임자이며, 이전에는 Fast Trading Strategies in Single Name Assets 팀을 이끌면서 cash equity뿐 아니라 corporate bond의 빠른 trading strategy 연구를 담당했다. David Ryan 공식 프로필

Man AHL 내부에서 portfolio analytics 팀은 signal generation부터 fund-level analytics까지 systematic pipeline 전반을 분석하고, Investment and Data Implementation 조직은 trading-system activity 검증, data management, signal/portfolio implementation, operational risk와 controls를 담당한다고 공식 프로필에서 확인된다.

공개자료 기반 추론

이걸 하나의 systematic-credit workflow로 보면:

Fundamental / Market Data → rating-transition probability
→ spread / downgrade risk
→ portfolio weight
→ transaction/execution
→ realized rating / spread outcome
→ model update

구조다.

중요한 점은:

Credit ML의 target을 return만으로 잡을 필요가 없다.

오히려:

• P(downgrade, 3m)
• P(downgrade, 12m)
• P(fallen angel)
• P(spread widening > 50bp)

같은 intermediate target을 먼저 예측한 뒤 portfolio construction과 연결할 수 있다.

한국 시장 복제 아이디어

국내 회사채에서는 특히 AA- → A+ 또는 A- → BBB+ 같은 등급 경계 이동이 경제적으로 중요하다.

입력:

• leverage
• interest coverage
• FCF
• short-term debt
• equity return/vol
• CDS 또는 credit proxy
• 민평 spread
• peer spread
• 등급전망/Watch
• 신평보고서 LLM feature

출력:

3/6/12개월 Rating Transition Probability

를 만든다.

그 다음:

Expected spread return − Expected downgrade cost − liquidity cost

로 회사채 position을 결정한다.

특히 보험·운용사 상대가 많은 시장이라면 fallen-angel probability 자체가 supply pressure를 예측하는 feature가 될 수 있다. 등급하락으로 mandate를 위반하는 기관이 동시에 매도하기 때문이다.

복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 다섯 자료에서 가장 강하게 드러나는 공통점은 모델 하나로 모든 문제를 해결하려 하지 않는다는 것이다.

금리예측 논문 두 개만 비교해도 한 연구에서는 DNS/PCA + neural network hybrid가 효과적이었고, 다른 연구에서는 ARIMA와 naive benchmark가 최신 deep model을 이겼다. 따라서 “Transformer냐 아니냐”는 연구질문으로는 너무 뒤쪽에 있다.

더 좋은 순서는:

Economic Question → Target → Representation → Simple Benchmark → ML/DL → Trading Objective → Execution → P&L

이다.

Optiver 자료를 붙이면 여기에 production 관점이 추가된다. 좋은 모델을 발견하는 것만큼 그 모델을 빨리 실험하고 안전하게 실거래로 옮기는 architecture가 중요하다. Man AHL 사례에서는 여기에 credit-specific intermediate target, 즉 rating transition probability가 들어간다.

오늘 국내 채권 AI 개발에 하나만 추가한다면 **Target Registry**를 추천한다. 모델마다 무엇을 예측하는지, horizon, 경제적 의미, baseline, OOS IC/RMSE, 실제 P&L과의 관계, 어떤 전략이 이 target을 사용 중인지를 관리하는 것이다.

특히 아래 target들을 각각 독립적으로 관리하면 좋다.

Future Yield / Curve Move / Fill Probability / Mark-out / Market Impact / Rating Transition / Liquidity Regime

좋은 quant platform은 “최고의 모델 하나”를 만드는 시스템보다 좋은 target에 좋은 모델을 계속 붙여보는 실험공장에 더 가깝다.

오늘 한 편만 읽는다면: Data-Driven Duration Management. 전통적인 term-structure structure와 neural representation을 결합하고, 예측 정확도가 아니라 실제 bond portfolio performance까지 검증하는 방식이 현재 금리 AI 개발에 가장 참고가 된다. 논문 바로 보기

퀀트사 자료 하나만 본다면: Optiver의 Designing for latency and research iteration. 모델 알고리즘보다 한 단계 위에서 **“어떻게 하면 연구자가 더 복잡한 모델을 계속 실험하면서도 실거래 latency를 희생하지 않을 것인가”**를 현직 엔지니어가 직접 설명한다는 점에서 특히 가치가 높다. Optiver 기술글 바로 보기