채권시장 AI·Quant Intelligence — 2026년 9월 7일

오늘은 전일의 XTX foundation model, Citadel alternative data, Treasury news-NLP, robust ensemble을 제외했다. 새 자료 중에서는 9월 3일 공개된 회사채 liquidity ML과 9월 4일 HRT AI Labs의 RL execution 실험이 가장 강하다.

퀀트사 섹션은 채용공고를 사용하지 않았다. 특히 오늘 HRT 자료는 지금까지 브리핑에서 본 공개자료 중에서도 드물게 baseline → simulator → SAC 실패 → PPO → memory augmentation → OOS P&L까지 실제 연구과정을 공개해서 꼭 볼 가치가 있다.

---

1. Forecasting Corporate-bond Liquidity: The Value of Segmentation

구분: 최신 연구 · Corporate Bond Liquidity + Machine Learning
작성일: 2026년 9월 2일 / SSRN 게시 9월 3일

핵심 요약

이 연구는 TRACE의 2004~2024년 미국 회사채 거래 데이터를 사용해 다음 달 liquidity를 예측한다. 핵심 질문은 모든 회사채를 하나의 pooled model로 학습시키는 것이 좋은지, 아니면 bond 특성에 따라 시장을 segment한 뒤 별도 관계를 학습하는 것이 좋은지다. SSRN 원문

저자들은 validation MAE가 실제로 개선되는 split만 유지하는 Panel Tree를 만든다. segmentation을 적용하자 linear model의 OOS (R^2)가 기존 1~3%에서 약 24%까지 상승했고, nonlinear model에서도 MAE가 낮아졌다.

가장 자주 선택된 segmentation 변수는 평균 일중 transaction-price range, time-to-maturity, yield-to-maturity, duration이었다. 개선효과는 IG에서 가장 크고 HY에서 가장 작았다.

채권 트레이딩 시사점

이 결과는 아주 중요한 modeling 원칙을 보여준다.

Corporate bonds are not IID samples from one market.

예를 들어:

AA 3년 금융채

와

BBB 12년 산업채

의 liquidity-generating mechanism이 같다고 가정하고 하나의 모델을 학습시키면 오히려 성능을 잃을 수 있다.

따라서 문제를:

Universal Model

하나로 만들기보다

Liquidity Regime → Specialist Model

구조로 만드는 것이 유리할 수 있다.

특히 흥미로운 것은 rating만 segmentation 변수로 쓰는 것이 아니라 price range·YTM·duration 같은 시장상태가 중요했다는 점이다.

한국 시장 복제 아이디어

국내 회사채에도 바로 적용 가능하다.

먼저 다음 feature로 bond universe를 자동 segmentation한다.

• 잔존만기
• duration
• 등급
• 발행잔액
• 최근 거래빈도
• 민평 대비 spread
• 최근 실제 체결 price range
• 금융채 / 회사채 / 여전채

그 다음:

P(trade within next N days)

또는

Expected bid-ask / expected price impact

를 segment별로 학습한다.

특히 비유동 회사채 fair-value model이나 **“이 포지션을 지금 얼마나 쉽게 청산할 수 있는가?”**를 예측하는 risk engine에 매우 실용적이다.

실무 적용 우선순위: ★★★★★

---

2. Machine Learning in Corporate Bonds: Evidence from China

구분: Journal of Banking & Finance · Corporate Bond ML
발표: 2026년 3월
선정: 최신성보다 한국 시장과 제도적으로 가까운 시장이라는 기술적 가치 때문에 선정

핵심 요약

이 연구는 중국 회사채 cross-sectional return을 대상으로 OLS·PLS·LASSO·Elastic Net과 GBRT, Random Forest, 1~5 layer neural network를 폭넓게 비교한다. tree-based model과 2~4 layer NN이 linear model보다 통계적·경제적 성과 모두에서 우수했다고 보고한다. Journal of Banking & Finance 원문

특히 ML의 이점은 중국 특유의 SOE, LGFV/Chengtou, implicit government guarantee, 유동성 차이 같은 institutional feature와 nonlinear interaction을 포착하는 데서 나타난다. 예를 들어 investment-grade에서는 RF의 OOS (R^2)가 2.71%로 가장 높았고, lower-grade에서는 GBRT가 상대적으로 강했다.

흥미롭게도 Bond Connect 이후 전체 ML 모델의 예측력은 감소했다. 저자들은 시장개방으로 효율성이 높아지고 predictor 관계가 변화했을 가능성을 제시한다.

채권 트레이딩 시사점

이 연구는 한국 시장에 특히 의미가 있다.

미국 bond ML을 그대로 가져오기보다:

시장 제도 자체를 feature로 넣어야 한다.

예를 들어 국내에서는:

• 공기업 여부
• 금융지주 계열
• 대기업집단
• 정책금융기관
• 정부/지자체 지원 가능성
• 은행채/여전채 규제환경

같은 institutional variables가 단순 leverage보다 중요할 수 있다.

즉:

fundamental + market + institutional state

를 같이 학습해야 한다.

또 저자들은 ML의 예측력이 높다고 해서 반드시 투자성과가 비례해 좋아지는 것은 아니라고 명시적으로 경고한다. turnover·liquidity·short-sale constraint 등을 별도로 고려해야 한다.

한국 시장 복제 아이디어

회사채 return model에서 issuer를 단순 sector로만 넣지 말고:

Institutional Embedding

을 만든다.

예:

정부 지원 가능성 금융지주 affiliation 대기업집단 발행시장 접근성 은행/보험 demand

그리고 이 feature와:

rating × liquidity issuer type × regime duration × market stress

같은 interaction을 GBRT / RF / shallow NN에 맡긴다.

한국 회사채는 미국보다 제도·관행의 영향이 강하기 때문에 복잡한 Transformer보다 이런 interaction modeling이 먼저일 가능성이 높다.

실무 적용 우선순위: ★★★★★

---

3. BIS — Bond Yield Responses to Macro News: Forecast Disagreement × Monetary Policy Uncertainty

구분: BIS Working Paper 1361 · Treasury market microstructure / macro-event modeling
발표일: 2026년 6월 16일
선정: 최신성보다 macro-event feature engineering 가치 때문에 선정

핵심 요약

BIS 연구진은 1998~2024년 미국 Treasury의 물가·고용·GDP 등 6개 주요 경제지표 발표 직후 intraday yield movement를 분석한다. 핵심 결과는 같은 surprise라도 시장 반응 크기가 고정되어 있지 않고, 발표 전 forecast disagreement와 monetary-policy uncertainty 상태에 따라 달라진다는 것이다. BIS 원문

특히 forecast disagreement와 금리 불확실성은 서로 다른 채널로 작동한다. 즉 CPI surprise = +0.2%p 하나만으로 금리충격을 설명하는 것이 아니라 시장참여자들이 사전에 얼마나 의견이 갈렸고, 향후 정책경로를 얼마나 불확실하게 보고 있었는가가 response function을 바꾼다.

채권 AI 시사점

경제지표 event model의 target을:

ΔYield = β × Surprise

로만 잡으면 너무 단순하다.

더 현실적인 구조는:

ΔYield = f(Surprise, Disagreement, Policy Uncertainty, Regime)

다.

예를 들어 CPI가 consensus보다 +0.2%p 높아도:

Case A
consensus dispersion 작음
→ 진짜 surprise 큼

Case B
forecast dispersion 큼
→ 이미 시장이 다양한 결과를 준비

이면 반응함수가 다를 수 있다.

따라서 ML feature로 단순 Bloomberg consensus뿐 아니라:

• forecast std
• high-low range
• option-implied rate volatility
• OIS distribution
• 최근 policy communication uncertainty

를 넣는 편이 좋다.

한국 시장 복제 아이디어

한국 CPI·고용·GDP·금통위에서도:

Surprise × Economist Forecast Dispersion × 3M/6M rate vol

interaction을 만들 수 있다.

그리고 target은:

• 발표 1분 3선
• 5분 3선
• 5분 10선
• 3/10 변화
• 30분 realized volatility

로 분리한다.

특히 event-day sizing model에 유용하다.

같은 surprise라도 uncertainty state가 다르면 포지션 size를 바꾸도록 한다.

실무 적용 우선순위: ★★★★★

---

Quant Firm Intelligence

4. HRT AI Labs — SAC가 실패하고 Memory-Augmented PPO까지 간 실제 RL Execution 연구

구분: Hudson River Trading 공식 Tech Blog / HRT AI Labs 실제 프로젝트
발표일: 2026년 9월 4일
채용공고 아님 — 실제 프로젝트 작성자가 research process와 실험결과를 공개

오늘 전체 5개 중 가장 추천한다.

확인 가능한 사실 ① — 문제를 어떻게 정의했나

HRT AI Labs 프로젝트의 목적은 price-return prediction stream을 실제 trading decision으로 합성하는 RL policy를 학습하는 것이다. 장기 signal이 목표 포지션을 결정하고, 단기 return forecast를 이용해 그 목표 포지션으로 언제 얼마나 거래할지를 최적화한다. HRT 공식 기술글

예를 들어 long target이 있을 때 short-term signal이 가격하락을 예상하면 즉시 매수하지 않고 기다릴 수 있고, 상승을 예상하면 더 빨리 거래하는 식이다.

이 구분은 굉장히 중요하다.

Long-term alpha → Where do I want my position?

Short-term alpha → When do I trade there?

즉 Alpha Model과 Execution Policy를 분리한다.

---

확인 가능한 사실 ② — simulator부터 만들었다

HRT는 historical market data를 이용한 market simulator를 먼저 구축해 RL agent가 다양한 trading policy를 대규모로 실험하도록 했다. 그리고 RL 전에 반드시 hand-crafted rule-based policy를 baseline으로 만들었다.

baseline은 대략 다음 식이다.

시장조건이 좋으면:

Remaining Position / Remaining Time

만큼 점진적으로 거래한다.

시간이 너무 부족하면 remaining position을 빠르게 체결하며, volatility가 높은 자산일수록 미래에 좋은 execution opportunity가 올 수 있으므로 더 오래 기다릴 수 있도록 설계한다.

이게 좋은 quant research 방식이다.

딥러닝부터 만들지 않는다. 인간이 이해할 수 있는 baseline부터 만든다.

---

확인 가능한 사실 ③ — SAC가 생각보다 안 좋았다

HRT는 먼저 off-policy RL인 **Soft Actor-Critic(SAC)**을 실험했다. replay buffer로 과거 experience를 재활용하기 때문에 sample efficiency가 좋다는 장점이 있다.

하지만 실제 실험에서는 state가 조금만 변해도 action이 크게 바뀌는 spiky / non-smooth decision boundary를 학습했다. HRT는 이를 noisy financial simulation의 idiosyncratic pattern을 overfit한 가능성으로 해석했다.

random state initialization도 시도했지만 핵심 문제를 해결하지 못했다.

이건 매우 중요한 실전 교훈이다.

In finance, sample efficiency보다 policy stability가 더 중요할 수 있다.

---

확인 가능한 사실 ④ — PPO가 SAC를 이겼다

그래서 HRT는 on-policy 방식인 **Proximal Policy Optimization(PPO)**으로 전환했다. PPO는 정책 업데이트마다 fresh sample을 크게 다시 수집하기 때문에 sample efficiency는 떨어지지만, HRT 실험에서는 training stability와 generalization이 좋아졌다.

HRT는 자신의 문제에서 PPO의 안정성이 SAC의 data efficiency보다 가치가 컸다고 명시한다.

확인 가능한 사실 ⑤ — Memory까지 붙였다

표준 PPO는 현재 observation만 보고 행동하기 때문에 partially observable market에는 한계가 있었다. 그래서 HRT는 Memory-Augmented PPO를 만들었다.

최종 OOS 실험에서는:

Human baseline < SAC < PPO < Memory-Augmented PPO

순으로 P&L이 개선됐다고 보고한다. 다만 RL agent가 목표 포지션을 항상 완전히 채우지는 못했고, 특히 PPO가 약간 under-fill되는 문제도 남았다.

공개자료 기반 추론

이 프로젝트가 HRT 전체 production trading stack에 그대로 사용된다고 단정할 수는 없다. HRT AI Labs 공개 프로젝트에서 확인되는 연구결과다.

하지만 연구방법론은 매우 실전적이다.

Forecast → Simulator → Simple baseline
→ SAC
→ failure analysis
→ PPO
→ Memory
→ OOS P&L

즉:

모델 선택 → 결과

가 아니라

실패원인 분석 → architecture 변경

이 핵심이다.

한국 채권시장 복제 아이디어

10선 execution RL 문제를 거의 그대로 만들 수 있다.

Long-term signal → 목표포지션 +500계약

Short-term model → 향후 5/30초 return prediction

State

• remaining position
• remaining time
• short-term alpha
• order-book imbalance
• volatility
• spread
• inventory

Action → 이번 step에서 거래할 계약 수

Reward → execution price improvement
− market impact
− incomplete-fill penalty

그리고 반드시 비교한다.

1. TWAP
2. hand-crafted alpha-aware execution
3. SAC
4. PPO
5. recurrent / memory PPO

특히 HRT 결과를 보면 국내 시장에서도 RL을 쓴다는 것보다 stable decision surface를 만드는 것이 더 중요한 연구목표가 되어야 한다.

복제 가치: ★★★★★+

---

5. Jane Street — Attention의 “시간 인식 방식” 자체를 수학적으로 다시 설계한다

구분: Jane Street 공식 ML 기술블로그 · Alok Puranik
발표일: 2026년 4월 22일
선정: 최신성보다 실제 현직 연구자가 attention architecture를 어떻게 탐구하는지 보여주는 기술적 가치 때문에 선정
채용공고 아님

확인 가능한 사실

Jane Street의 Alok Puranik은 attention model에서 positional encoding이 sequence의 시간/위치를 어떻게 표현하는지를 group theory 관점에서 분석한다. attention의 기본 query-key dot product는 순서정보를 스스로 알지 못하므로 positional encoding이 “시간의 흐름”을 모델이 어떻게 보는지를 결정하는 중요한 modeling choice라고 설명한다. Jane Street 공식 기술글

Puranik은 기존 positional encoding 하나를 단순 사용하는 대신, 원하는 성질을 먼저 정의하고 가능한 encoding family의 수학적 구조를 유도한다. 특히 상대적인 시간차에 의존하고 query/key transformation이 일정한 algebraic property를 만족하도록 제약을 둔다.

왜 이게 quant research 관점에서 흥미로운가

확인 가능한 사실: 글은 attention/positional encoding에 대한 일반 ML 연구이며, Jane Street가 특정 trading model에서 이 encoding을 실제 사용한다고 공개한 것은 아니다. 따라서 이 알고리즘이 Jane Street의 비밀 alpha model이라는 식으로 해석하면 안 된다.

하지만 연구자의 사고방식은 굉장히 중요하다.

일반적인 접근:

Transformer 논문에서 positional encoding 복사

Jane Street 연구자가 보여주는 접근:

우리 문제에서 time representation이 가져야 하는 성질은 무엇인가? → 그 성질을 만족하는 architecture를 수학적으로 찾는다.

채권 AI에 주는 시사점

금융 time series에서는 1 step이 항상 같은 의미가 아니다.

예를 들어 event sequence가:

09:00 trade → 3ms
→ quote update → 2초
→ trade → 25분
→ macro announcement

처럼 irregular하다.

따라서 일반 Transformer의:

position 1, 2, 3, 4

보다:

실제 Δt event type market clock time-to-event

를 embedding하는 것이 훨씬 자연스러울 수 있다.

한국 시장 복제 아이디어

국채선물 Transformer를 만든다면 positional encoding을 단순 integer index로 두지 말고:

Δtime_since_last_event

time_since_market_open

time_to_close

time_to_macro_release

event_type

을 encoding한다.

특히:

trade → trade 100ms

와

trade → trade 10분

을 같은 “한 step 차이”로 보지 않게 한다.

그리고 Jane Street 글의 철학을 가져와:

“최신 positional encoding이 뭐지?”

대신

“한국 채권 microstructure에서 time representation이 만족해야 할 invariant가 무엇이지?”

부터 정의한다.

복제 가치: ★★★★☆

---

오늘의 데스크 결론

오늘은 HRT 자료 하나만으로도 얻을 것이 많다.

HRT가 보여준 실제 research sequence는:

Long-horizon Alpha
→ Execution Target
→ Historical Simulator
→ Simple Baseline
→ SAC
→ 실패
→ failure diagnosis
→ PPO
→ partial observability 발견
→ Memory-Augmented PPO
→ OOS P&L

이다.

여기서 가장 중요한 것은 PPO가 SAC보다 좋았다는 결과 자체가 아니다.

핵심은:

금융에서는 좋은 ML algorithm보다 좋은 experimental loop가 더 중요하다.

는 점이다.

회사채 liquidity 논문도 같은 방향을 가리킨다. 전체 시장에 복잡한 nonlinear model 하나를 넣는 것보다 시장 heterogeneity를 먼저 찾아 segmentation하는 것이 성능을 크게 올렸다.

그래서 지금 국내 채권 AI를 설계한다면 다음 구조가 좋아 보인다.

Prediction Layer
Long-horizon fair value / target position

↓

Short-horizon Layer
next 1~30s alpha

↓

Execution Layer
fill / impact / RL policy

↓

Risk Layer
inventory / DV01 / regime

↓

Live Outcome

↓

Research Feedback

그리고 오늘 새로 만들 가치가 가장 큰 내부 데이터는 **Execution Episode Dataset**이다.

각 주문마다:

target_position
remaining_position
short_alpha
LOB state
volatility
action
fill
market impact
mark-out
final P&L

을 episode 단위로 저장한다.

이 데이터가 쌓이면 나중에 SAC/PPO/recurrent policy/behavior cloning을 동일 simulator에서 실제로 비교할 수 있다.

오늘 논문 한 편만 본다면: Forecasting Corporate-bond Liquidity. 특히 “universal model보다 segmentation이 훨씬 중요할 수 있다”는 결과가 국내 회사채에 직접적이다. SSRN 바로 보기

오늘 퀀트회사 자료는 HRT를 강하게 추천한다. 기존 공개자료가 “우리는 RL을 연구한다” 정도였다면 이번 글은 SAC가 왜 실패했는지, 왜 PPO로 갔는지, 왜 memory를 추가했는지, 최종적으로 어떤 문제가 남았는지까지 공개한다. 실제 탑티어 quant 연구자가 ML 문제를 푸는 방식을 이해하는 데 지금까지 나온 자료 중 가장 실용적인 편이다. HRT AI Labs 전체 글