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

오늘은 전일의 Agentic Empirical Asset Pricing, carry+ML, bond-manager skill ML, Optiver GPU architecture, IMC live-feedback loop를 제외했다. 9월 8~9일 당일 공개된 fixed-income ML 논문은 많지 않아, 8월 최신 연구 1개 + 9월 2일 개정된 Fed 방법론 연구 1개 + 아직 다루지 않은 bond-yield deep-learning 연구 1개로 구성했다.

퀀트사 섹션은 채용공고를 사용하지 않았다. 오늘은 Jump Trading이 공식적으로 밝힌 deep-learning compute→research velocity 구조와, IMC 현직 연구팀이 ICML 2026에서 무엇을 골라보고 왜 중요하다고 판단했는지를 통해 실제 연구 우선순위를 본다.

---

1. Algorithm-Driven SVARs: Navigating the Wilderness of Big Data

구분: NBER Working Paper · Bayesian ML/Variable Selection + Monetary Policy/Credit Spread
발표일: 2026년 8월

핵심 요약

Atlanta Fed의 Tao Zha 등이 참여한 이 연구는 SVAR에서 사람이 임의로 변수세트를 정하지 않고, Bayesian methodology가 information set 자체를 데이터에서 선택하도록 한다. 모델은 OOS 기준으로 가장 큰 admissible system을 선택하고, monetary-policy shock 식별에서도 여러 instrument를 함께 사용하는 구조를 제안한다. NBER 원문

특히 monetary-policy transmission 분석에서 algorithm이 선택한 corporate spread를 추가하자 credit-spread channel이 강해졌고, 저자들은 expected default risk가 중요한 transmission margin으로 나타난다고 보고한다.

이 논문의 핵심은 “SVAR에 ML을 썼다”기보다 어떤 변수를 모델에 넣을지조차 알고리즘이 OOS 성과를 기준으로 결정하게 한다는 데 있다.

채권 트레이딩 시사점

금리 모델에서 우리는 보통:

CPI + GDP + Fed funds + unemployment + FX

처럼 처음부터 macro feature를 고정한다.

그런데 실제 관계는 regime에 따라 달라질 수 있다.

예를 들어 어느 시기에는:

Policy → Treasury

가 주 경로지만,

stress에서는:

Policy → credit spread → risk appetite / liquidity → Treasury

가 더 중요할 수 있다.

따라서 feature selection을 단순 Lasso 하나로 끝내지 않고 **“현재 regime에서 어떤 information set이 실제 OOS 설명력을 추가하는가”**로 볼 필요가 있다.

한국 시장 복제 아이디어

한국 금리 macro model에:

• 기준금리/OIS
• CPI
• 수출
• USD/KRW
• KOSPI
• 회사채 AA-/BBB spread
• 은행채 spread
• CDS
• 외국인 선물

을 후보 universe로 두고, 매 rolling window마다 information set selection을 다시 수행한다.

특히:

Credit Spread Feature Included?

자체를 regime indicator로 볼 수 있다.

평시에는 credit가 빠져도 되지만 stress에서는 신용스프레드가 금리모델 성능을 급격히 높인다면, 이는 monetary-policy→credit→rates transmission regime로 해석할 수 있다.

실무 적용 우선순위: ★★★★★

---

2. Fed — Linear and Nonlinear Econometric Models versus Machine-Learning Models

구분: Federal Reserve FEDS · Volatility Forecasting / ML Benchmarking
최신 개정: 2026년 9월 2일
주의: underlying data는 주식 realized volatility지만 채권 volatility/risk model의 방법론적 가치 때문에 선정

핵심 요약

Fed 연구는 HAR, ARFIMA, threshold HAR, smooth-transition HAR, Markov-switching HAR와 XGBoost 및 여러 neural network를 동일 조건에서 비교한다. 평가도 단순 MSFE가 아니라 MAE·QLIKE·Model Confidence Set·Diebold–Mariano test뿐 아니라 realized utility, VaR, Expected Shortfall까지 포함한다. Federal Reserve 원문

결과는 상당히 실무적이다. 단기에서는 Markov-switching HAR, 월간 horizon에서는 ARFIMA가 강했고, ML은 기본 HAR를 이기는 경우가 있지만 broader econometric set을 지속적으로 이기지는 못했다.

저자는 결론적으로 모델 class보다 해당 horizon에서 persistence와 nonlinear dynamics를 얼마나 잘 표현하느냐가 더 중요하다고 판단한다. 이 결과는 information set, re-estimation frequency, estimation window 등을 바꿔도 유지된다.

채권 리스크관리 시사점

이 결과를 국채 volatility에 옮기면 중요한 교훈이 있다.

“Transformer로 volatility를 예측할까?”

보다 먼저:

현재 시장의 volatility dynamics가
long memory 문제인지, regime-switching 문제인지 판단해야 한다.

예를 들어 금통위·CPI 직후 volatility는 regime jump 성격이 강하므로 Markov-switching 계열이 더 자연스러울 수 있고, 평시 일별 realized vol은 HAR/long-memory model이 훨씬 강한 benchmark가 될 수 있다.

한국 시장 복제 아이디어

3선/10선 realized volatility prediction에서 최소한 아래를 한 scoreboard에 넣는다.

HAR HAR + event dummy Markov-switching HAR LightGBM MLP/LSTM

그리고 horizon을:

• 5분
• 30분
• next day

로 나눠 각각 winner를 따로 정한다.

최종 risk budget은:

Expected Alpha / Predicted Volatility

이므로 volatility model의 개선은 direction alpha가 없어도 position sizing과 stop/risk control을 통해 직접 P&L로 연결된다.

실무 적용 우선순위: ★★★★★

---

3. Deep Learning for Bond Yield Forecasting: The LSTM-LagLasso

구분: International Journal of Finance & Economics · Bond Yield Deep Learning + Explainability
2026년 정식 게재
선정: 최신성보다 기술적 가치 때문에 선정

핵심 요약

이 논문의 구조는 일반적인 features → LSTM → yield보다 훨씬 흥미롭다. 먼저 Lasso로 initial feature selection을 하고, 그 feature로 LSTM yield predictor를 만든 뒤, LSTM 내부 latent signal을 추출하고, 다시 그 signal이 어떤 경제변수와 연결되는지 회귀분석한다. Wiley 원문

그리고 거기서 경제적으로 의미 있다고 확인된 변수를 다시 첫 단계 feature selection으로 feedback시킨다. 즉 ML → interpretation → feature redesign → ML의 recursive loop다.

저자들은 LSTM이 단순 yield forecasting black box가 되는 것을 피하고, internal signal의 temporal variation을 실제 경제변수로 설명하는 것을 핵심 연구목표로 둔다.

왜 이 방식이 중요하나

일반적인 feature importance는:

SHAP(feature)

로 끝난다.

이 논문은 한 단계 더 간다.

LSTM latent state → 어떤 macro/market variable과 연결되는가?

를 본다.

예를 들어 model hidden state 하나가 실제로:

• inflation cycle
• policy regime
• curve steepening

과 강하게 움직인다면 이를 다시 explicit feature로 승격시킬 수 있다.

즉 deep learning이 새 feature를 발견하는 도구가 된다.

한국 시장 복제 아이디어

한국 금리 LSTM에서 hidden representation을 저장한 뒤:

latent_1 ~ CPI surprise + OIS latent_2 ~ foreign futures flow latent_3 ~ UST 10Y + USD/KRW latent_4 ~ auction / supply

처럼 probe regression을 한다.

그리고 경제적 의미가 분명한 latent factor를 발견하면 이를 다시:

explicit factor

로 만들어 LightGBM·linear model에도 사용한다.

그러면 deep learning의 역할이 단순 forecast engine에서:

representation discovery engine

으로 확장된다.

특히 연구자 입장에서 “딥러닝이 왜 맞았는가”를 분석하기 좋아진다.

실무 적용 우선순위: ★★★★★

---

Quant Firm Intelligence

4. Jump Trading — GPU를 “더 큰 모델”이 아니라 “더 빠른 Research Loop”를 위해 쓴다

구분: Jump Trading 공식 AI/HPC 발표
발표일: 2026년 3월 17일
선정: 최신성보다 실제 AI infrastructure 운영방식의 기술적 가치 때문에 선정
채용공고 아님

Jump는 NVIDIA의 차세대 Vera Rubin NVL72를 도입하는 최초 금융서비스 기업군 중 하나가 되겠다고 공식 발표했다. 이 플랫폼은 Jump의 기존 accelerated-computing infrastructure를 확장해 global financial-market deep-learning research를 지원한다. Jump 공식 발표

확인 가능한 사실 ① — Infrastructure KPI가 research velocity다

Jump는 AI 연구의 computational demand와 experiment complexity가 증가하면서 infrastructure decision이 research velocity를 결정한다고 직접 설명한다. 특히 market condition이 계속 변하기 때문에 모델을 빠르게 test → refine → scale하는 능력이 성과의 기반이라고 밝힌다.

Jump의 공식 사이트도 자사 ML stack이 live inference와 fast iteration을 동시에 지원한다고 설명하고, research·infrastructure·execution을 따로 보지 않고 하나의 machine으로 구축한다고 밝히고 있다. Jump Trading 공식 사이트

확인 가능한 사실 ② — 모든 asset class와 horizon을 같은 연구 인프라에서 다룬다

Jump는 전략이 high-frequency부터 statistical arbitrage, discretionary macro까지 여러 horizon을 포괄하며 equities, options, credit, commodities, futures 등에 걸쳐 있다고 공식적으로 밝힌다. Jump Trading Trading 페이지

구체적인 model architecture나 credit algorithm은 공개하지 않는다.

공개자료 기반 추론

Jump의 edge를 단순히:

더 큰 GPU → 더 큰 NN → 더 좋은 alpha

라고 해석하면 과하다.

공개자료에서 더 강하게 보이는 구조는:

Data → experiment 수 증가
→ iteration time 감소
→ regime 변화에 빠른 재학습/검증
→ production deployment
→ live performance

다.

즉 compute의 경제적 가치는 research option value에 가깝다.

하루 5개 모델만 검증하던 조직이 100개를 동일 품질로 검증할 수 있다면, 큰 모델 한 개를 만드는 것보다 더 큰 edge가 될 수도 있다.

한국 채권시장 복제 아이디어

우리도 compute KPI를:

GPU hours

가 아니라

Validated Experiments / Day

로 잡는 게 낫다.

예를 들어 연구 pipeline을 자동 측정한다.

Data load 40min → feature 20min → training 8min → simulation 60min

이면 GPU보다 simulation/Data I/O가 병목이다.

따라서 먼저:

• feature cache
• incremental backtest
• parallel scenario engine
• reproducible experiment registry

를 개선하는 편이 GPU 증설보다 P&L ROI가 클 수 있다.

복제 가치: ★★★★★

---

5. IMC Trading — 현직 연구팀이 ICML에서 무엇을 보고 있는가

구분: IMC 공식 Research/ML 기술 리뷰
공개: ICML 2026 이후, 2026년 공식 게시
채용공고 아님

IMC는 ICML 2026 서울에 quant researcher와 machine-learning engineer 팀을 직접 파견했고, 회사가 실제 연구에 사용하는 학술 생태계를 따라가기 위해 논문들을 선별해 기술적으로 리뷰했다. IMC 공식 리뷰

확인 가능한 사실 ① — “큰 모델”보다 reliability/adaptation 쪽으로 관심이 이동한다

IMC 연구진이 정리한 ICML의 큰 흐름은 foundation-model pretraining 자체보다 adaptation, inference-time computation, evaluation, reliability 쪽으로 무게가 옮겨가고 있다는 것이다.

이 시각은 금융에 특히 중요하다. trading model은 benchmark 한 번 이기면 끝나는 것이 아니라 regime drift 하에서 계속 calibration과 reliability를 확인해야 하기 때문이다.

확인 가능한 사실 ② — Distributional RL을 구체적으로 주목했다

IMC가 자세히 리뷰한 논문 중 하나는 Multivariate Distributional Reinforcement Learning Using Sliced Divergences다. 일반 RL이 평균 return을 예측하는 것과 달리 distributional RL은 미래 reward의 전체 분포와 여러 reward dimension 사이 trade-off를 모델링한다.

이 연구는 고차원 분포를 직접 비교하지 않고 여러 1차원 projection으로 나눠 Wasserstein/Cramér 계열 divergence 등을 계산하는 방식을 제시한다. IMC 리뷰는 특히 high-dimensional setting과 outlier robustness를 자세히 다룬다.

확인 가능한 사실과 추론의 경계

확인 가능한 사실: IMC 연구진이 이 논문과 방법론을 중요 ICML research로 선정해 기술적으로 분석했다.

확인되지 않은 것: IMC가 이 exact distributional-RL algorithm을 production trading에 사용한다는 증거는 없다.

따라서 이를 IMC의 비밀 실행 알고리즘이라고 해석하면 안 된다.

왜 market making에는 흥미로운가

Execution/market-making reward는 사실 scalar 하나가 아니다.

Agent는 동시에:

• spread capture
• inventory risk
• market impact
• fill probability
• tail loss

를 관리해야 한다.

일반적인 reward는:

PnL - λ × Inventory

처럼 모두 합쳐버린다.

하지만 distributional multi-objective RL은:

PnL distribution inventory distribution execution-cost distribution

자체를 모델링할 가능성을 열어준다.

평균 reward가 같아도:

Strategy A: 안정적 +1
Strategy B: 대부분 +3, 가끔 -20

이라면 market maker는 둘을 동일하게 평가하면 안 된다.

한국 시장 복제 아이디어

앞서 HRT 자료에서 만든 PPO execution simulator를 발전시킬 때 reward를 하나로 합치지 말고:

Reward vector

• execution P&L
• fill deficit
• inventory
• market impact

로 저장한다.

처음부터 distributional RL을 production에 넣을 필요는 없다.

먼저 정책별로:

P(P&L < -X) 95% execution cost inventory tail fill-shortfall distribution

을 비교하는 Distributional Policy Evaluation부터 도입할 수 있다.

이는 평균 P&L이 비슷한 execution policy 중 tail-safe policy를 고르는 risk gate로 바로 활용할 수 있다.

복제 가치: ★★★★☆

---

오늘의 데스크 결론

오늘 자료를 한 줄로 연결하면:

모델의 평균 성능보다 ‘어떤 정보를 선택하고, 어떤 representation을 만들고, 어떤 horizon/regime에서 실패하는지’를 관리하는 방향으로 quant ML이 이동하고 있다.

NBER 연구는 feature universe 자체를 알고리즘이 선택하게 한다. Fed 연구는 ML이라는 이름보다 horizon별 persistence/regime representation이 중요하다고 보여준다. LSTM-LagLasso는 deep model 내부 representation을 다시 경제변수로 해석하고 feature discovery loop로 되돌린다.

탑티어 퀀트사 자료에서도 방향은 비슷하다. Jump는 AI compute를 research iteration 속도의 문제로 보고 있고, IMC는 최신 ML 연구를 볼 때 단순 scaling보다 adaptation·evaluation·reliability와 distributional uncertainty를 중요하게 보고 있다.

그래서 오늘 한국 채권 AI에 하나만 추가한다면 저는 **Horizon × Model × Regime Matrix**를 권한다.

예를 들어:

모델	5분	30분	1일	MPC	Stress
HAR/MS-HAR	Vol	Vol	Vol	★★★	★★★★★
LightGBM	Alpha	Alpha	Alpha	★★★★	★★★
LSTM	Alpha	Alpha	Curve	★★★	★★★
Macro/DNS	-	-	Curve	★★★★★	★★★

처럼 “최고 모델 하나”를 고르는 게 아니라 모델의 담당 구역을 정의하는 것이다.

그리고 이것을 어제 이야기한 Alpha Validation Gate와 연결하면 좋다. 새 모델이 기존 winner보다 어떤 horizon·어떤 regime에서 incremental value를 주는지를 입증하지 못하면 production으로 승격시키지 않는 것이다.

오늘 연구 하나만 읽는다면: NBER의 Algorithm-Driven SVARs. 거시 feature를 연구자가 고정하는 관행 자체를 다시 생각하게 해주고, 특히 credit-spread channel이 금리모델에서 언제 중요해지는지 보기에 좋다. NBER 원문

퀀트사 자료 하나만 본다면: Jump Trading의 Vera Rubin 발표를 추천한다. NVIDIA 신제품 이야기가 핵심이 아니라, 왜 세계 최상위 트레이딩 회사가 compute를 ‘research velocity’ 문제로 정의하는지를 보는 게 중요하다. Jump 공식 발표