채권시장 AI·Quant Intelligence — 2026년 9월 11일

오늘은 전날의 Goldman AI debt/term-premium, Glass Box corporate bond ML, 중국 회사채 default ML, Optiver LLM trader benchmark, Citadel EQR anomaly framework를 제외했다. 9월 10~11일 사이 완전히 새로 나온 고품질 fixed-income ML 논문은 많지 않아, 오늘은 8월 20일 공개된 중국 국채 yield-curve ML, 그리고 아직 다루지 않은 bond-option operator learning, credit-network GNN을 골랐다.

퀀트사 섹션은 채용공고를 사용하지 않았다. 오늘은 Two Sigma senior AI/quant leaders가 직접 밝힌 AI→feature research 가속 구조와, Jane Street가 오래전부터 공개해온 low-SNR 대규모 ML 연구의 원칙을 본다.

---

1. Forecasting Chinese Yield Curve with Machine Learning and SHAP Interpretation and Knowledge

구분: 국채 Yield Curve ML · Extra Trees / RF / SVR / SHAP
발표일: 2026년 8월 20일
출처: Journal of Innovation & Knowledge

핵심 요약

이 연구는 중국 국채 3개월부터 10년까지 yield curve를 대상으로 31개 macro·market·term-structure feature를 구성하고, SVR·Extra Trees·Random Forest·AdaBoost를 DNS·ARIMA·Random Walk와 비교한다. 결과적으로 Extra Trees가 가장 높은 예측 정확도를 보였고, 특히 1개월을 넘는 horizon에서 전통적 benchmark 대비 우위가 두드러졌다. ScienceDirect 원문

이 논문의 좋은 점은 prediction에서 끝나지 않고 SHAP으로 feature importance와 방향성을 분석한 뒤, 중요한 변수만 다시 추려 모델을 재학습한다는 점이다. 최종적으로 6개월 SHIBOR, USD/CNY, 지급준비율, 주택가격, 고정자산투자, yield 첫 번째 PCA factor 등 6개 변수가 일관되게 중요하게 나타났고, 이들만 사용한 축약모델의 성능이 오히려 개선됐다.

채권 트레이딩 시사점

핵심은:

Feature를 많이 넣는 것과 information을 많이 넣는 것은 다르다.

이다.

31개 변수를 넣은 뒤 SHAP을 이용해 중요한 information set을 다시 압축했을 때 성능이 개선됐다는 것은, fixed income에서 특히:

Macro universe → nonlinear model
→ importance/interaction 분석
→ compact state representation

과정이 효과적일 수 있음을 보여준다.

또 중국처럼 정책변수·환율·유동성 요인이 강한 시장에서 tree model이 좋은 성능을 냈다는 점은 한국에도 꽤 직접적이다.

한국 시장 복제 아이디어

국고채 모델에 처음부터 100개 feature를 모두 넣는 대신, 다음 5개 cluster를 만든다.

• 통화정책
• 국내 macro
• global rates
• FX
• flow/liquidity

각 cluster에서 feature를 10~20개 넣어 Extra Trees/LightGBM을 학습한 뒤:

SHAP importance

• stability by regime
• incremental IC

로 핵심 feature만 남긴다.

예를 들어 최종 모델이:

KOFR/OIS USD/KRW UST10Y 외국인 10선 flow curve PC1

5개로 50개짜리 모델과 비슷하거나 더 좋다면, production에서는 작은 모델이 훨씬 낫다.

실무 적용 우선순위: ★★★★★

---

2. DeepONet-based Surrogate Modeling for Bond Option Pricing

구분: 금리파생 AI · DeepONet / PINN / DeepBSDE
발표일: 2026년 3월 9일
선정: 최신성보다 기술적 가치 때문에 선정

핵심 요약

이 연구는 Hull–White와 G2++ 금리모형에서 European bond call option 가격을 계산하는 문제에 DeepONet, PINN, DeepBSDE를 비교한다. DeepONet은 closed-form 가격을 supervised label로 학습하고, PINN과 DeepBSDE는 PDE/BSDE constraint를 이용해 학습한다. 논문 원문

단순 가격 오차뿐 아니라 automatic differentiation으로 계산한 Vega, 그리고 volatility distribution이 바뀌는 OOD stress 상황까지 평가했다. 두 term-structure model 모두에서 DeepONet이 가격 정확도, Vega 정확도, OOD robustness에서 가장 좋은 성과를 보였다.

채권 트레이딩·리스크관리 시사점

이 논문이 중요한 이유는 neural surrogate의 target을:

“가격을 빨리 계산한다”

에서 끝내지 않았기 때문이다.

실제 금리 derivative desk에서는 pricing보다 더 중요한 것이:

• Delta/DV01
• Vega
• scenario sensitivity
• stress robustness

다.

즉 AI surrogate가 production에 들어가려면:

Price accuracy 만 아니라 Greek accuracy + OOD behaviour

까지 통과해야 한다.

이건 앞서 얘기한 Alpha Validation Gate와 동일한 원리다.

한국 시장 복제 아이디어

국내에서도 KTB futures option이나 IRS/swaption valuation에서 Monte Carlo/PDE 기반 pricing이 병목이라면:

Traditional pricer → 대규모 training label 생성
→ DeepONet/ML surrogate

구조를 만들 수 있다.

다만 production gate는:

pricing RMSE DV01 error Vega error stress-regime error

를 모두 요구해야 한다.

특히 Greek error가 작은 surrogate는 실시간 scenario engine을 매우 빠르게 만들 수 있다.

예:

+10bp parallel 2s10s steepening vol +20%

수천 개 portfolio scenario를 장중 바로 돌리는 식이다.

실무 적용 우선순위: ★★★★☆

---

3. Default Prediction and Contagion Risk via Dynamic Heterogeneous Graph Neural Networks

구분: 회사채 Credit AI · Graph Neural Network / Network Contagion
발표일: 2026년 6월 5일
선정: 최신성보다 한국 credit-network risk에 적용 가능한 기술적 가치 때문에 선정

핵심 요약

이 연구는 중국 채권시장의 corporate guarantee network를 다룬다. 기존 credit model이 개별 issuer를 서로 독립적으로 분석하는 반면, 이 논문은 기업 간 보증관계를 graph로 구성하고 **Dynamic Heterogeneous Graph Neural Network(DHGN-Credit)**로 default와 contagion risk를 동시에 추정한다. Springer 원문

핵심 modeling idea는 회사채 default가 issuer의 재무상태만으로 결정되지 않고 다른 기업과 어떤 관계망에 연결되어 있는가에도 의존한다는 것이다. 특히 guarantee chain을 통해 shock이 연결된 기업으로 전파되는 구조를 time-varying graph로 표현한다.

채권 리스크관리 시사점

Credit ML에서 기존 input은 보통:

Issuer Fundamentals + Bond Characteristics + Market Variables

이다.

여기에 앞으로 추가할 것이:

Network Position

이다.

예를 들어 한 issuer가 단독으로 보면 건전해도:

• 동일 그룹 계열사
• 보증관계
• 공급망
• 금융기관 exposure

가 stress를 받으면 위험이 커질 수 있다.

즉 default probability를:

P(default_i | own state, network state)

로 봐야 한다.

한국 시장 복제 아이디어

한국에서는 보증관계보다 기업집단 네트워크가 더 좋은 시작점일 수 있다.

Node:

• issuer

Edge:

• 동일 그룹
• 지분관계
• 채무보증
• 주요 공급망
• 동일 PF exposure

Feature:

• leverage
• spread
• equity vol
• rating outlook
• news/NLP score

로 graph를 만든다.

그리고 target을:

P(downgrade) P(spread widening > Xbp) P(group contagion)

으로 두면 된다.

특히 대기업집단·건설/PF·금융그룹처럼 cross-issuer linkage가 강한 sector에서 독립 issuer model보다 가치가 높을 가능성이 있다.

실무 적용 우선순위: ★★★★☆

---

Quant Firm Intelligence

4. Two Sigma — AI가 Feature Research를 “몇 달 → 며칠”로 단축한다

구분: Two Sigma 공식 AI/Quant 리더 인터뷰
발표일: 2026년 1월 21일
선정: 최신성보다 AI가 실제 research workflow를 어떻게 바꾸고 있는지 보여주는 1차 자료라 선정
채용공고 아님

확인 가능한 사실

Two Sigma의 CTO Jeff Wecker, Chief AI Innovation Officer Matt Greenwood, Head of Complex Feature Engines Ben Wellington, Head of Technique Forecasting Jin Choi, Head of AI Core Mike Schuster가 회사의 2026년 AI 활용 방향을 직접 설명했다. Jeff Wecker는 LLM을 alpha identification부터 내부 production environment, incident management, business process까지 활용하고 있으며, 내부 시스템을 이해하도록 점점 더 “Two Sigma-aware”하게 만들고 있다고 설명한다. Two Sigma 공식 원문

Ben Wellington의 발언은 더 직접적이다. 그는 AI가 raw data를 novel/predictive feature로 변환하는 작업을 가속해 과거 몇 달 걸렸을 insight generation을 며칠로 단축했다고 말한다.

반면 Jin Choi는 AI agent가 hypothesis와 backtest를 대량 생성하면서 overfitting 위험도 동시에 크게 키운다고 경고한다. 특히 pretrained LLM을 historical forecasting pipeline에 사용할 경우 모델이 knowledge cutoff 이전의 미래 사건을 이미 알고 있을 수 있어, 과거 backtest가 오염될 수 있다고 명시한다.

공개자료 기반 추론

이 자료에서 가장 중요한 구조는:

AI = Alpha predictor

하나가 아니다.

더 실제적인 용도는:

Raw Data → LLM/Agent-assisted feature ideation
→ fast coding / testing
→ human/quant validation
→ existing forecasting stack
→ production monitoring

이다.

즉 AI의 첫 번째 P&L contribution은 forecast 자체보다 Research Cycle Compression일 가능성이 크다.

이는 이전에 본 Optiver·Jump의 “research velocity” 관점과도 일치한다.

한국 시장 복제 아이디어

채권 research agent의 KPI를:

Generated Ideas

가 아니라:

Validated Novel Features / Week

로 잡는 것을 추천한다.

Agent가 하루 100개 feature를 만들더라도:

• leakage 없음
• 기존 feature와 낮은 correlation
• rolling OOS 통과
• regime 안정성
• 비용 후 incremental P&L

을 통과한 것이 0개면 생산성은 0이다.

따라서:

AI Feature Factory → Alpha Validation Gate → Feature Store

구조를 만들면 된다.

이게 지금까지 살펴본 탑티어 quant 자료를 국내 채권 데스크에 옮길 때 가장 실용적인 형태 중 하나다.

복제 가치: ★★★★★

---

5. Jane Street — Low Signal-to-Noise 환경에서 “데이터를 많이 가진 것”을 실제 ML Edge로 바꾸는 법

구분: Jane Street 공식 기술블로그 · ML Research Practice
발표: 2017~2018년 기술 시리즈
선정: 최신성보다 기술적 가치 때문에 선정
채용공고 아님

Jane Street의 공식 ML 아카이브는 자사가 signal-to-noise ratio가 매우 낮지만 데이터 양은 매우 큰 문제를 다룬다고 명시한다. 2018년 Chris Hardin의 글은 대규모 dataset shuffling 문제를 직접 다루며, 2017년 Real world machine learning 시리즈는 trading strategy를 실제 돈을 버는 production model로 만들기 위해 어떤 실험 문제가 생기는지 설명한다. Jane Street ML 공식 아카이브

확인 가능한 사실

Jane Street는 공식적으로 trading에서 ML을 사용할 때 대량 데이터 + 극도로 낮은 SNR이라는 특성을 오래전부터 명시해왔다. 또한 batch size, dataset shuffling, regularization 같은 일반 ML 주제를 단순 benchmark 문제가 아니라 자사의 실제 대규모 학습환경에서 연구해왔다.

다만 공개자료에는 구체적인 현재 trading target이나 실제 특정 alpha model의 architecture는 없다. 따라서 이 자료로 “Jane Street가 특정 neural model을 어떤 시장에서 사용한다”고 말할 수는 없다.

공개자료 기반 추론

저 SNR 환경에서는:

모델 architecture를 복잡하게 만드는 것

보다:

• 데이터 sampling
• train/test temporal separation
• shuffling
• batch construction
• regularization
• massive-scale experimentation

이 더 중요해질 수 있다.

이건 금융 ML에서 매우 현실적이다.

예를 들어 alpha IC가 1~2% 수준이면 작은 leakage나 sampling bias가 실제 signal보다 더 큰 효과를 낼 수 있다.

한국 시장 복제 아이디어

국채 tick-data 모델에서 train loader 설계 자체를 연구대상으로 둬야 한다.

예를 들어 단순 random shuffle 대신:

Day-block sampling Event-balanced sampling Regime-balanced sampling

을 비교한다.

특히 다음 문제가 중요하다.

평시 데이터가 95%, 금통위·CPI·stress가 5%라면 random batch는 거의 항상 평시로 채워진다.

그러면 model은:

평균적인 날에는 잘 맞지만 중요한 날에는 틀리는 모델

이 된다.

따라서 training batch에:

• 평시
• macro event
• liquidity stress
• high vol

을 의도적으로 균형 배분하는 Market Regime Sampler를 만들 가치가 있다.

복제 가치: ★★★★☆

---

오늘의 데스크 결론

오늘 다섯 자료를 연결하면 하나의 중요한 패턴이 보인다.

최근 중국 국채 ML 연구는 많은 feature를 넣고 끝내는 것이 아니라 SHAP으로 핵심 information set을 다시 압축한다. Bond-option DeepONet 연구는 단순 가격정확도가 아니라 Greeks와 OOD robustness까지 production-quality metric으로 평가한다. Credit GNN은 issuer를 독립 sample로 취급하지 않고 network state 자체를 representation에 넣는다.

그리고 Two Sigma와 Jane Street 자료를 붙이면 결국 좋은 quant ML pipeline은 다음과 같다.

Raw Data → Sampling / Representation → Feature Generation
→ Feature Selection → Model
→ Risk / OOD Validation → Production
→ Live P&L

여기서 AI가 발전할수록 모델 생성은 점점 쉬워진다. 반대로 어려워지는 것은 올바른 sample을 만들고, 의미 있는 feature만 남기고, production에서 깨지지 않는지 검증하는 일이다.

그래서 오늘 한국 채권 AI에 하나만 추가한다면 **Research Dataset Registry**를 추천한다.

모델마다 단순히 dataset version을 저장하는 게 아니라:

date range
instrument universe
sampling rule
regime composition
event composition
feature version
target definition
leakage test result

까지 저장한다.

예를 들어:

Dataset v42

• Normal: 65%
• MPC: 10%
• CPI/NFP: 10%
• High-vol: 10%
• Liquidity stress: 5%

처럼 “무엇으로 모델을 학습시켰는가”를 명시적인 연구자산으로 관리하는 것이다.

앞으로 AI agent가 자동으로 feature와 모델을 수백 개 생성하기 시작하면, model registry보다 dataset/experiment provenance가 더 중요해질 가능성이 높다.

오늘 fixed-income 자료 하나만 읽는다면: Forecasting Chinese Yield Curve with Machine Learning and SHAP Interpretation and Knowledge. 한국과 제도적으로 가까운 시장에서 macro + curve factor → tree ML → SHAP → compact feature set이라는 매우 실용적인 구조를 보여준다. 원문 바로 보기

퀀트사 자료 하나만 본다면: Two Sigma의 AI in Investment Management: 2026 Outlook Part II. 특히 AI로 feature research가 몇 달에서 며칠로 단축됐다는 실제 현직 책임자의 설명과, 동시에 agentic backtest가 overfitting을 악화시킨다는 경고를 같이 보라는 점에서 현재 AI quant research의 현실을 가장 잘 보여준다. Two Sigma 공식 원문