채권시장 AI·Quant Intelligence — 2026년 9월 10일

오늘은 전일의 Algorithm-Driven SVAR, Fed volatility benchmarking, LSTM-LagLasso, Jump GPU research velocity, IMC ICML review를 제외했다.

오늘의 구성은 조금 다르게 잡았다. 9월 9일자로 나온 Goldman Sachs의 AI 차입→장기금리 분석 1개를 최신 시장 변화로 넣고, 아직 다루지 않은 회사채 interpretable ML 2개, 그리고 퀀트사에서는 Optiver가 실제 LLM을 trading simulator에 넣어 시험한 결과와 Citadel EQR가 데이터 anomaly를 어떻게 research product로 만드는지를 골랐다. 채용공고는 사용하지 않았다.

---

1. Goldman Sachs — AI 투자자금 조달이 이제 글로벌 장기금리의 supply factor

구분: 주요 금융기관 공식 시장연구 · AI CAPEX / Bond Supply / Term Premium
발표일: 2026년 9월 9일

핵심 요약

Goldman Sachs Research는 최근 미국·일본·독일·영국 등에서 장기금리가 수십 년래 높은 수준까지 상승한 배경 중 하나로 AI 투자에 필요한 대규모 차입을 명시적으로 지목한다. AI 관련 투자를 위한 borrowing 규모가 글로벌 GDP의 약 1%에 이를 가능성이 있고, 정부 재정적자와 동시에 자금시장에서 경쟁하면서 글로벌 savings pool에 대한 수요를 높이고 있다는 분석이다. Goldman Sachs 원문

Goldman은 9월 8일 기준 미국 30년 Treasury yield가 약 5.2%로 20여 년 만의 높은 수준이고, 장기물 수요가 충분하지 않은 상황에서 fiscal deficit과 AI-related issuance가 높은 term premium을 지속시킬 가능성이 있다고 본다.

또 미국·영국·일본 정부가 장기물 발행을 줄이거나 buyback으로 평균 만기를 낮추더라도, 이런 issuance adjustment만으로 장기금리의 macro price 자체를 바꾸기는 어렵다고 평가한다.

채권 트레이딩 시사점

이제 AI boom을 equity thematic variable로만 보면 안 된다.

채권에서는 다음 transmission chain이 생긴다.

AI CAPEX 확대
→ hyperscaler debt issuance 증가
→ IG credit duration supply 증가
→ global savings absorption
→ long-end Treasury demand 경쟁
→ term premium 상승 압력

즉 AI에 대한 투자수익 기대가 좋아져도 bond market에는 단기적으로 반드시 bullish한 이야기가 아닐 수 있다.

오히려:

AI growth expectation ↑ + AI CAPEX / debt issuance ↑

이면 equity에는 positive, duration에는 negative인 regime도 가능하다.

한국시장 복제 아이디어

AI Funding Pressure Index를 별도로 만들어볼 만하다.

입력 후보:

• 미국 hyperscaler 최근 1M/3M 발행량
• IG tech issuance / total IG issuance
• 10Y·30Y new-issue concession
• tech credit spread
• UST term premium
• NVIDIA/semiconductor equity momentum

그리고:

AI Funding Index → UST 10/30 → KTB 10/30

의 beta를 rolling으로 추정한다.

특히 한국 장기물에서는 외국인 flow와 함께 넣어 10/30 curve model의 structural supply factor로 시험할 가치가 있다.

실무 적용 우선순위: ★★★★★

---

2. Glass Box Machine Learning and Corporate Bond Returns

구분: Journal of Financial Economics · Interpretable ML + Corporate Bond Returns
2026년 정식 게재
선정: 최신성보다 기술적 가치 때문에 선정

핵심 요약

Sebastian Bell, Ali Kakhbod, Martin Lettau, Abdolreza Nazemi는 고차원 회사채 characteristic을 사용하면서도 black-box 모델이 아니라 해석 가능한 ML 구조로 state-of-the-art 수준의 return prediction을 구현한다. 특히 term structure와 macro uncertainty 관련 비선형 관계와 interaction이 회사채 return predictability의 중요한 부분으로 나타난다. NBER 원문

subsample에서는 이런 nonlinear sensitivity가 소형 issuer와 장기만기 bond에서 더 강하게 나타났다. 즉 하나의 feature가 모든 회사채에 동일한 beta로 작동한다는 linear assumption이 깨질 수 있음을 보여준다.

또 저자들은 interpretable model을 단순 설명용으로 쓰지 않고, 사전에 어떤 특성이 portfolio allocation을 만들어냈는지 설명할 수 있도록 portfolio construction까지 연결한다. replication package도 2026년 4월 공개돼 재현성이 높은 편이다.

채권 AI에서 중요한 부분

이 논문의 핵심은:

Explainability를 위해 prediction power를 포기할 필요가 반드시 있는 것은 아니다.

라는 점이다.

채권에서는 이 문제가 주식보다 더 중요하다.

예를 들어 ML이 A채권을 overweight하라고 했는데 그 이유가:

• liquidity?
• curve roll?
• macro uncertainty?
• issuer risk?

인지 모르면 실제 데스크가 size를 크게 싣기 어렵다.

따라서 알파모델을:

Prediction

하나로 끝내지 말고:

Prediction + Driver decomposition

으로 제공할 필요가 있다.

한국시장 복제 아이디어

회사채 fair-value/return model 출력에 반드시:

Top positive drivers

• issuer spread residual
• curve carry
• liquidity
• peer relative value

Top negative drivers

• leverage deterioration
• recent supply
• volatility
• sector pressure

를 함께 제공한다.

그리고 prediction과 explanation을 같이 저장해 나중에:

“이 feature가 높은 confidence를 만들었을 때 실제 P&L이 좋았나?”

를 검증한다.

즉 설명가능성을 UX 목적이 아니라 모델 validation feature로 쓸 수 있다.

실무 적용 우선순위: ★★★★★

---

3. Default Risk Identification of Chinese Corporate Bonds Using Interpretable Machine Learning

구분: Computational Economics · Credit Default / LightGBM + SMOTE + NSGA-II + SHAP
발표일: 2026년 2월 17일
선정: 최신성보다 한국 회사채 credit-risk engine에 직접 적용 가능한 기술적 가치 때문에 선정

핵심 요약

이 연구는 2014~2024년 중국 회사채 default 데이터를 사용해 SMOTE → LightGBM → NSGA-II hyperparameter optimization → SHAP interpretation이라는 명확한 credit-risk pipeline을 설계했다. default가 희소한 class imbalance를 SMOTE로 보정하고, LightGBM을 classifier로 사용한 뒤 NSGA-II로 여러 성능목표를 동시에 최적화한다. Springer 원문

제안 모델의 평균 classification accuracy는 82.88%, 평균 TPR은 **93.54%**였고, default 직전 한 분기 데이터에서는 accuracy가 86.43%, TPR이 **93.80%**로 가장 높았다.

SHAP 기준 가장 중요한 default predictor는 Cash Asset Ratio였고, CAR이 0.05 미만인 구간에서 default risk가 높아지는 패턴을 보고한다. Total Asset Ratio, return-related 변수, Equity Multiplier 등도 주요 설명요인으로 나타났다.

채권 리스크관리 시사점

여기서는 target 설계가 중요하다.

회사채 AI를:

spread return prediction

하나만 두기보다 별도로:

P(default | next quarter)

를 만드는 것이 좋다.

그리고 이 값이 단순 credit-screening용이 아니라:

Expected return − Expected default loss − Expected liquidity cost

에 직접 들어가야 한다.

또 실제 default sample은 극도로 적기 때문에 accuracy 자체를 보는 것은 위험하다.

예를 들어 99%가 정상채라면:

모두 정상이라고 예측

해도 99% accuracy가 나온다.

따라서 실무에서는:

• Recall / TPR
• Precision
• False-negative rate
• PR-AUC

가 더 중요하다.

한국시장 복제 아이디어

국내 회사채 Early Warning Model을 만든다면:

Structured data

• leverage
• cash ratio
• interest coverage
• FCF
• 단기차입금
• maturity wall

Market data

• 민평 대비 spread
• peer residual
• 거래빈도
• equity vol

Text

• 신평사 outlook
• Watchlist
• 감사보고서
• issuer 공시

를 결합한다.

출력은:

P(downgrade 6M)
P(Watchlist 6M)
P(default / restructuring 12M)

으로 여러 horizon을 나누는 편이 실용적이다.

실무 적용 우선순위: ★★★★★

---

Quant Firm Intelligence

4. Optiver — LLM을 실제 trading simulation에 넣어보니 어디서 깨졌는가

구분: Optiver Applied AI 공식 실험 · 현직 trader Quintin Brown
발표일: 2026년 4월 27일
선정: 최신성보다 실제 LLM trading 실험 결과라는 기술적 가치 때문에 선정
채용공고 아님

오늘 퀀트사 자료 중에서는 이 자료를 가장 추천한다.

확인 가능한 사실 ① — LLM에게 trader 시험을 실제로 시켰다

Optiver Applied AI 팀의 trader Quintin Brown은 최신 LLM에 신입 trader 시험뿐 아니라 입사 6개월 수준의 mock trading assessment까지 시켰다. 이론 문제와 함께 실제 Optiver training에 쓰이는 market-making simulation에서도 테스트했다. Optiver 공식 실험

LLM은 fair value 계산, market-maker의 역할, adverse-selection 개념 등 기본 trading reasoning에서는 꽤 좋은 성능을 보였고, 일부 기초 영역에서는 intern 수준과 경쟁할 정도였다고 Optiver는 평가한다.

확인 가능한 사실 ② — 약점은 “sequential updating”

가장 반복적으로 나타난 실패는:

• fair value를 일관되게 업데이트하지 못함
• 한 번 행동한 뒤 새로운 정보를 제대로 반영하지 못함
• 1~2단계 이상의 미래 reasoning이 약함

이었다.

즉 LLM이:

Information A → fair value 수정
→ trade

까지는 잘하지만,

Information B 추가 → 과거 trade와 새로운 information을 종합
→ 다시 belief 업데이트

하는 과정에서 자주 무너졌다.

이건 실제 trading agent에서 매우 중요한 failure mode다.

확인 가능한 사실 ③ — EV를 알지만 EV-maximizing action은 잘 못한다

모델들은 expected value 개념 자체는 잘 이해했지만 실제 simulation에서는 지나치게 보수적으로 행동했다.

Optiver는 모델이:

• 최적 size보다 작게 거래하거나
• positive-EV opportunity보다 hedge를 우선하거나

해서 알고 있는 EV를 행동으로 정확히 전환하지 못하는 문제를 관찰했다.

또 adverse selection을 올바르게 식별하고도 informed counterparty와 negative-EV level에서 거래하는 모순된 action을 보이기도 했다.

확인 가능한 사실 ④ — 다른 시장참가자의 반응을 제대로 simulation하지 못한다

LLM은 participant를:

• informed trader
• position-driven trader
• liquidity provider

등으로 분류하는 데는 괜찮았지만, 자신의 행동에 따라 상대가 다음에 어떻게 반응할지를 동적으로 추론하는 능력이 약했다. Optiver는 이를 game-theoretic/adversarial reasoning의 한계로 본다.

공개자료 기반 추론

이 결과를 보면 현 단계에서 LLM을:

직접 bond trader로 production 배치

하는 것보다,

Research copilot / scenario analyst / simulator critic

으로 쓰는 것이 훨씬 현실적이다.

LLM은:

• 문제 framing
• 계산
• 규칙 이해

에는 강하지만,

• stateful belief updating
• strict EV optimization
• adversarial sequential decision

에는 아직 별도의 시스템적 보완이 필요하다.

한국 채권시장 복제 아이디어

이 자료를 그대로 활용해서 Bond Trader Agent Benchmark를 만들 수 있다.

예를 들어 시나리오:

09:58 10선 fair value = 116.25

10:00 CPI surprise

→ fair value 업데이트

10:00:05 외국인 매도 3,000계약

→ 다시 업데이트

10:00:20 UST reversal

→ 다시 업데이트

각 단계에서 agent에게:

1. fair value
2. position
3. order size
4. confidence
5. expected P&L

을 출력시킨다.

평가 metric은 단순 정답률보다:

Belief consistency Sequential adaptation EV optimality Risk limit compliance

로 잡아야 한다.

LLM trader 평가 benchmark로 상당히 재미있다.

복제 가치: ★★★★★

---

5. Citadel EQR — “이상치인가 알파인가?”를 데이터 품질 시스템으로 만드는 방식

구분: Citadel EQR 공식 기술·업무 인터뷰
발표일: 2026년 8월 4일
채용공고 아님 — 실제 EQR quantitative-development project 설명

확인 가능한 사실

Citadel EQR의 Rishi가 수행한 프로젝트는 여러 research dataset에서 이상치를 자동으로 찾아 단순 flag가 아니라 해당 값을 버릴지, down-weight할지, 아니면 실제 signal로 유지할지를 결정할 수 있게 하는 framework를 만드는 것이었다. Citadel 공식 자료

Citadel이 강조하는 핵심 질문은 매우 좋다.

“unusual data point가 오류인가, 아니면 중요한 정보인가?”

단순 statistical distance로는 이를 결정하기 어렵기 때문에, researcher들이 그 데이터를 실제로 어떻게 쓰는지와 downstream effect를 함께 고려한다.

확인 가능한 사실 — 첫 anomaly model은 부족했다

초기 모델은 이상치 후보를 잘 flag했지만, “통계적으로 멀다”는 것만으로 실제 값을 제거해야 하는지는 판단하지 못했다. 연구자들이 surrounding information과 business context를 추가해주면서 framework를 수정했고, 최종적으로 user feedback을 받아 반복적으로 모델을 개선하는 product-loop 구조로 발전시켰다.

즉:

Model → anomaly flag

가 아니라:

Anomaly Detection → contextual classification → keep / down-weight / exclude → researcher feedback → model refinement

이다.

Citadel 전체 research 방식과 연결

Citadel EQR Head of Research Nick Butler도 EQR를:

Data → Predictions → Trades

pipeline으로 설명하고, 연구자가 alpha research뿐 아니라 market impact, portfolio construction, optimization, execution까지 전체 process에 관여한다고 밝힌다. prototype은 simulation에서 검증하고, market feedback을 받아 반복 개선한다. Citadel EQR research workflow

공개자료 기반 추론

이 자료에서 흥미로운 점은 데이터 품질관리가 ETL팀의 housekeeping 업무가 아니라 alpha research의 일부라는 것이다.

금융 데이터의 이상치는:

• vendor 오류
• stale price
• timestamp 문제

일 수도 있지만,

실제로는:

• flash liquidity shock
• forced liquidation
• information event

같은 가장 좋은 signal일 수도 있다.

따라서 자동:

3σ → drop

규칙은 quant data에서 매우 위험하다.

한국 채권시장 복제 아이디어

Bond Data Anomaly Engine을 만들 수 있다.

예:

국고10년 가격이 peer curve 대비 8σ 이탈했다.

시스템이 바로 삭제하는 대신:

Type A — Data error

• stale
• duplicated
• timestamp mismatch

Type B — Market microstructure

• thin-book execution
• block trade
• temporary impact

Type C — Real information

• policy event
• foreign flow shock
• issuer news

로 분류한다.

그리고:

drop down-weight keep create_event_feature

중 action을 결정한다.

특히 C 타입 anomaly를 신규 feature로 승격시키는 과정이 중요하다.

복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 가장 중요한 메시지는 **“이상한 것을 제거하지 말고 먼저 이해하라”**다.

회사채 interpretable-ML 연구에서는 비선형 interaction을 설명할 수 있어야 실제 portfolio decision으로 연결할 수 있고, credit-default 연구에서는 어떤 변수 때문에 default probability가 올라갔는지를 SHAP으로 확인한다. Citadel은 한 발 더 나아가 데이터의 anomaly 자체가 오류인지 실제 signal인지를 business context와 함께 판단하는 시스템을 구축하고 있다.

Optiver의 LLM 실험도 비슷한 교훈을 준다. 모델이 금융이론이나 fair-value 계산을 “안다”는 것과 시간에 따라 정보를 계속 통합하며 올바른 action을 취한다는 것은 완전히 다른 문제다.

그래서 오늘 국내 채권 AI 개발에 하나만 새로 만든다면 **Decision Trace**를 추천한다.

모든 모델 판단에:

raw input → anomaly handling → feature state → prediction → why / drivers → action → realized outcome

을 남긴다.

예를 들어:

10선 +300계약 매수

• foreign flow: +1.2σ
• short-term alpha: +0.7 tick
• curve residual: +0.4 tick
• anomalous trade detected: 유지
• expected edge: +1.1 tick
• execution cost estimate: 0.25 tick
• realized 30s mark-out: +0.8 tick

처럼 prediction과 decision의 전체 경로를 저장하는 것이다.

이 구조가 있으면 나중에 모델이 틀렸을 때:

모델 prediction이 틀렸나?
data cleaning이 잘못됐나?
anomaly를 지웠어야 했나?
execution이 edge를 먹었나?
sizing이 잘못됐나?

를 정확히 분해할 수 있다.

오늘 fixed-income 자료 하나만 본다면: Glass Box Machine Learning and Corporate Bond Returns. 단순 SHAP 후처리보다 예측구조 자체를 해석 가능하게 만들어 portfolio construction까지 이어가는 방식이 실무적으로 좋다. NBER 원문

오늘 퀀트사 자료 하나만 본다면: Optiver의 LLM trading experiment를 추천한다. 특히 fair value 계산은 잘하면서도 sequential belief updating·EV maximization·adversarial reasoning에서 무너진다는 관찰은 앞으로 LLM을 채권 trader/research agent에 붙일 때 무엇을 benchmark해야 하는지 꽤 명확한 기준을 준다. Optiver 전체 실험