LLM 뉴스 감성을 기존 신용평가에 연결한다
뉴스가 나쁠 때 채권 스프레드가 넓어진다는 생각은 단순하지만, 이를 신용평가에 안정적으로 넣는 일은 어렵다. 이탈리아 중앙은행의 새 연구는 Dow Jones Factiva 뉴스에서 대규모 언어모델(LLM)로 신용 감성 지표를 만들고, 이를 유로시스템의 기존 내부 신용평가시스템에 결합했다.
공식 발표는 건전기업과 부실기업의 구분력이 개선됐다고 설명하지만 모델 구조와 개선 폭을 모두 공개하지는 않는다. 그래서 이 결과를 특정 LLM의 우월성으로 확대하기보다, 텍스트를 독립 신호가 아니라 재무정보 기반 PD를 보강하는 상태변수로 사용했다는 설계에 주목해야 한다.
국내에서는 발행사별 공시·언론·신평사 코멘트의 관측시각과 입수시각을 저장한 뒤, 신용 악화·유동성 압박·지배구조 사건을 별도 점수로 만든다. 20영업일 스프레드 확대와 12개월 등급하락을 서로 다른 타깃으로 두면 단기 매매와 중기 리스크 관리가 한 뉴스 점수를 억지로 공유하는 문제를 피할 수 있다.
시장조성 체결 뒤 1초의 자동헤지를 측정한다
시장조성자는 자신의 매도 호가가 체결되면 채권을 판 대가로 짧은 포지션과 금리위험을 떠안는다. Banca d’Italia 연구는 이 재고충격을 거의 즉시 반대 거래로 상쇄하는 자동헤지(Auto-Hedging)를 이탈리아 국채 MTS 시장에서 측정했다.
연구는 2010년 1월부터 2026년 4월까지의 거래를 보고, 선행 체결 뒤 1초 안에 같은 시장조성자가 실행한 반대 방향 거래 등을 AH 후보로 식별한다. 2020년 이후 사용이 크게 늘었고, 딜러 간 차이는 시장 유동성보다 각 딜러의 지속적인 특성에 더 강하게 연결됐다. 이는 알고리즘과 인프라, 정보처리 능력이 헤지 여부를 함께 결정한다는 뜻이다.
국내 복제에서는 호가 수익만 보지 말고 체결 후 100밀리초·1초·5초의 mark-out, 헤지 비용, 잔존 DV01을 하나로 묶어야 한다. 자동헤지의 목표는 거래 횟수를 늘리는 것이 아니라 잘못된 방향의 재고를 줄이면서도 얕은 유동성에서 과도한 비용을 내지 않는 것이다.
비선형 PD를 은행–기업 네트워크로 전파한다
ECB 워킹페이퍼는 랜덤포레스트로 기업 부도확률(PD)을 예측하고, 이를 은행–기업 대출 네트워크의 스트레스 테스트로 확장한다. 랜덤포레스트는 여러 의사결정나무의 결과를 평균해 비선형 관계를 잡는 모델로, 금리와 성장 충격이 임계점을 넘을 때 PD가 급격히 변하는 패턴을 로짓보다 민감하게 반영했다.
연구는 Orbis 재무제표, AnaCredit 익스포저, 2023년 EU 스트레스 시나리오를 연결한다. 충격을 모든 기업에 똑같이 주지 않고 재무구조와 산업에 따라 다르게 배분한 뒤, 대출 익스포저를 따라 은행 위험으로 전파해 꼬리위험이 큰 은행을 찾는다. 공개 결과는 해당 표본과 시나리오의 결과이므로 한국 시장에서 재현 검증이 필요하다.
회사채 포트폴리오에도 같은 구조를 적용할 수 있다. 발행사 PD를 채권 잔액과 보유기관 그래프에 연결하고, 금리 상승·이익률 하락·차환스프레드 확대를 동시에 충격으로 주면 평균 예상손실뿐 아니라 특정 그룹과 기관에 집중된 비선형 손실을 확인할 수 있다.
G-Research가 공개한 연구와 배포의 역할 분담
G-연구 공식 자료는 잡음 많은 현실 데이터에서 글로벌 금융시장 움직임을 예측하는 연구팀, 그 연구를 실전 결과로 바꾸는 인프라를 만드는 엔지니어링팀, 새 기술을 시험·도입하는 기술혁신팀을 구분해 설명한다. 공개된 것은 조직과 작업 방식이며 구체적인 자산군, 라벨, 모델 성과, P&L은 아니다.
이 역할 분담은 연구 자유도와 운영 통제를 동시에 유지하는 방법을 시사한다. 연구자는 가설과 입력 변수를 주도하되, 데이터 재현성·배포 승인·위험 한도는 별도 검증을 거친다. 공개자료만으로 사용 모델을 단정할 수는 없지만, 아이디어에서 생산 시스템까지의 거리를 줄이는 일이 수익화의 일부라는 점은 확인할 수 있다.
국내 데스크에서는 모든 실험에 입력 데이터 버전, 타깃, 거래비용, OOS 기간, 폐기 이유를 붙인다. 배포 후 예측·주문·체결·1일과 5일 mark-out을 같은 experiment ID로 연결하면 좋은 백테스트가 운영에서 사라지는 지점을 측정할 수 있다.
XTX가 공개한 대규모 예측과 컴퓨팅의 연결
XTX Markets 공식 자료는 머신러닝 가격예측을 5만3천 개가 넘는 금융상품의 거래와 고객 유동성 공급으로 연결한다고 밝힌다. 회사가 공개한 현재 규모는 연구 클러스터의 2만5천 개 이상 GPU, 1엑사바이트 이상 저장공간, 하루 2,500억달러 거래다.
이는 인프라 규모와 예측→거래→유동성 제공의 경로를 보여주지만, 개별 모델의 라벨이나 실제 수익기여를 공개한 것은 아니다. 수만 종목을 함께 다루려면 공유 표현, point-in-time 데이터, 분산 학습, 드리프트 모니터링이 필요할 가능성이 높다는 것은 공개자료 기반 추론이며 XTX의 비밀전략으로 단정할 수 없다.
한국 채권시장에서는 발행사·만기·등급·옵션·유동성 속성으로 종목을 표현하고, 유동성이 낮은 채권도 비슷한 종목의 정보를 빌려오게 할 수 있다. 다만 공정가치 잔차를 곧바로 주문으로 바꾸지 말고 체결확률, 재고 DV01, hedge slippage를 합친 quote score로 변환해야 예측이 실제 시장조성 손익으로 이어진다.
읽고 나서 남는 질문
다음 실험의 핵심은 모델 하나를 더 만드는 것이 아니라 신호가 어느 단계에서 사라지는지 측정하는 일이다. 뉴스 점수, PD, 공정가치, 주문, 헤지, 사후 mark-out에 같은 식별자를 붙이면 연구 성과가 실제 P&L로 이어지는 구간과 끊기는 구간을 분리할 수 있다.
편집 전 브리핑 원문 펼치기
채권시장 AI 연구 브리핑
2026년 9월 18일
조사 마감: 2026년 9월 18일 06:35 (Asia/Seoul)
중복 점검: 기존 게시 이력과 2026년 9월 17일 브리핑을 확인했다. 전날의 시장충격 RL, 제약형 실행, AI 설비투자 채권 공급, Jane Street 대체데이터·데이터웨어하우스 자료는 제외했다.
선정 원칙: 1~3번은 중앙은행 원문 연구, 4~5번은 퀀트회사 공식 공개자료다. 채용공고는 사용하지 않았다.
1. Banca d’Italia — LLM 뉴스 감성으로 기업 신용위험을 보강하다
구분: 중앙은행 연구 · LLM/NLP · 기업 신용위험
발표일: 2026년 9월 16일
열람일: 2026년 9월 18일
핵심 요약
이탈리아 중앙은행은 Dow Jones Factiva의 금융뉴스에서 대규모 언어모델(LLM)로 기업별 신용 감성 지표를 만들고, 이를 유로시스템의 신용평가 체계 일부인 내부 신용평가시스템(ICAS)에 결합했다. Banca d’Italia 공식 발표는 이 지표가 건전기업과 부실기업을 구분하는 능력을 높였다고 설명한다.
이 자료의 중요한 점은 텍스트 점수를 독립적인 매매 신호로 끝내지 않고 기존 정량 신용평가 과정에 추가했다는 것이다. 공개 소개는 사용 LLM의 세부 구조, 라벨 정의, 성과 수치를 모두 밝히지는 않으므로 특정 모델이나 개선 폭을 추정해서는 안 된다. 공식 연구 PDF에서 확인 가능한 범위는 뉴스 기반 감성 지표와 ICAS의 결합 및 분류력 개선이다.
채권 트레이딩·리스크관리 시사점
크레딧 뉴스 모델의 타깃은 단순 긍정·부정이 아니라 등급하락, 부도, 스프레드 확대와 연결되는 신용상태여야 한다. 재무제표처럼 저빈도인 정보와 뉴스처럼 고빈도인 정보를 분리한 뒤, LLM 지표가 기존 PD나 내부등급에 주는 추가 설명력과 위기 구간의 오탐을 함께 측정하는 설계가 적합하다.
한국 시장 복제 아이디어
국내 회사채 발행사별 공시·언론·신평사 코멘트를 point-in-time으로 묶고, LLM이 산출한 신용 악화·유동성 압박·지배구조 사건 점수를 기존 재무비율 기반 PD 모델에 추가한다. 타깃은 20영업일 스프레드 확대와 12개월 신용등급 하락을 분리하고, 산업별 임계값과 기사 중복 제거를 적용해 모델의 추가 기여도를 검증한다.
2. Banca d’Italia — 이탈리아 국채 시장조성의 초고속 자동헤지
구분: 중앙은행 시장미시구조 연구 · 알고리즘 거래 · 국채 시장조성
발표일: 2026년 9월 14일
열람일: 2026년 9월 18일
핵심 요약
이 연구는 이탈리아 국채 MTS 시장의 시장조성자가 자신의 호가가 체결된 직후 재고충격을 빠르게 상쇄하는 자동헤지(Auto-Hedging, AH)를 분석한다. Banca d’Italia 공식 발표에 따르면 거래 단위 자료에서 2020년 이후 AH 사용이 크게 늘었고, 여러 딜러와 종목으로 확산됐다.
연구 원문은 2010년 1월부터 2026년 4월까지 MTS 거래를 사용하며, 선행 체결 뒤 1초 안에 같은 시장조성자가 반대 방향으로 실행한 거래 등을 이용해 AH를 식별한다. AH 사용 차이는 시장 유동성보다 딜러별로 지속되는 특성에 더 크게 연결됐고, 유동성은 더 작지만 통계적으로 유의한 영향을 보였다.
채권 트레이딩·리스크관리 시사점
시장조성의 수익화는 스프레드를 받는 순간에 끝나지 않고, 체결 직후 재고를 얼마나 싸고 빠르게 중화하는지까지 포함한다. 따라서 공정가치 모델과 별개로 체결 후 100밀리초·1초·5초의 mark-out, 헤지 비용, 잔존 DV01, 잘못된 헤지 비율을 연결해야 하며, 유동성이 얕을 때 자동헤지가 오히려 비용을 키우는 조건도 통제해야 한다.
한국 시장 복제 아이디어
국고채 현물·국채선물·IRS의 체결 흐름에서 딜러 호가 체결 뒤 짧은 시간창의 반대매매를 연결해 자동헤지 후보를 만든다. 보상함수는 스프레드 수익에서 헤지 비용과 잔존 DV01의 꼬리손실을 차감하고, 유동성 구간별로 즉시헤지·지연헤지·부분헤지를 비교한다.
3. ECB — 랜덤포레스트 PD와 은행–기업 네트워크 스트레스 테스트
구분: 중앙은행 워킹페이퍼 · 머신러닝 신용위험 · 스트레스 테스트
발표일: 2026년 8월 24일
열람일: 2026년 9월 18일
핵심 요약
ECB 워킹페이퍼는 유럽 비금융기업의 Orbis 재무제표와 AnaCredit 은행 익스포저를 결합해 랜덤포레스트로 부도확률(PD)을 추정한다. ECB 원문은 랜덤포레스트가 로짓보다 예측력이 높고, 금리 상승과 총부가가치 성장 둔화가 일정 강도를 넘을 때 나타나는 비선형 PD 반응을 더 민감하게 포착한다고 보고한다.
연구는 변수 중요도로 충격 대상을 정하고 2023년 EU 스트레스 시나리오를 기업별 재무구조에 따라 이질적으로 배분한 뒤, 은행–기업 이분 네트워크의 대출 익스포저를 통해 은행 위험으로 전파한다. 랜덤포레스트 기반 지표는 평균은행뿐 아니라 꼬리위험이 큰 은행을 식별하는 데 강점이 있었지만, 이는 연구 표본과 시나리오 안의 결과이며 다른 시장에서의 성과를 보장하지 않는다.
채권 트레이딩·리스크관리 시사점
신용 스프레드 모델은 평균적인 PD만 맞히는 것보다 금리·매출 충격이 임계점을 넘을 때 손실이 급증하는 비선형성을 잡아야 한다. 발행사 PD를 보유채권의 EAD, 담보·회수율, 동일 그룹 및 금융기관 연결망과 결합하면 종목 선별과 포트폴리오 스트레스가 같은 상태변수를 공유할 수 있다.
한국 시장 복제 아이디어
KIS·NICE 등급 이력, 재무제표, 회사채 잔액, 은행·증권사 익스포저를 발행사–보유기관 그래프로 구성한다. 로짓과 랜덤포레스트를 동일 시점분할로 비교하고, 금리 +100bp·영업이익률 하락·차환스프레드 확대를 기업별로 적용해 PD와 포트폴리오 예상손실의 비선형 변화를 측정한다.
4. G-Research — 잡음 많은 시장 예측을 연구에서 실전 전략으로 잇는 구조
구분: 퀀트회사 공식 공개자료 · ML 연구 운영
발표일: 미확인
열람일: 2026년 9월 18일
채용공고 아님
확인 가능한 사실
G-Research는 공식 사이트에서 잡음 많은 현실 데이터의 패턴으로 글로벌 금융시장의 움직임을 예측하고, 머신러닝·AI·고급 분석을 장기적으로 견디는 전략으로 바꾼다고 설명한다. G-Research 공식 자료는 연구팀이 시장예측을, 엔지니어링팀이 연구를 실전 결과로 바꾸는 견고한 인프라를, 기술혁신팀이 새 기술의 시험·도입을 맡는 구조를 공개한다.
회사는 개별 연구자가 탐색 방향을 주도하는 문화와 방법론적 실행을 강조하지만, 구체적인 자산군·라벨·모델 성과·P&L은 공개하지 않는다. 따라서 확인 가능한 사실은 조직과 연구–인프라 연결 방식이며, 특정 예측 신호나 수익률을 안다고 말할 수 없다.
공개자료 기반 추론과 실무 시사점
공개 구조로부터 수익화의 병목을 단일 모델 정확도보다 아이디어 탐색→재현 가능한 실험→견고한 배포로 보는 조직이라고 추론할 수 있다. 다만 어떤 horizon과 손실함수를 쓰는지는 비공개다. 채권 데스크에서는 연구자가 feature 정의·실험 가설·OOS 결과를 소유하되, 배포 승인과 위험 한도는 독립적으로 관리하는 방식이 적합하다.
한국 시장 복제 아이디어
각 실험에 가설, 입력 데이터 버전, 타깃, 거래비용, OOS 기간, 폐기 이유를 등록하고 성공한 feature가 실시간 파이프라인에서 같은 값으로 계산되는지 자동 검증한다. 연구→production→P&L 피드백은 배포 후 종목별 예측, 주문, 체결, 1일·5일 mark-out을 같은 experiment ID로 연결해 측정한다.
5. XTX Markets — 5만3천 종목의 예측을 유동성으로 바꾸는 컴퓨팅 스케일
구분: 퀀트회사 공식 공개자료 · 대규모 ML/HPC · 시장조성
발표일: 미확인
열람일: 2026년 9월 18일
채용공고 아님 · 업데이트 재선정: 과거 XTX 연구조직·TernFS를 다뤘으나, 공식 사이트에 현재 운영 규모와 예측→거래→유동성 경로가 수치로 갱신돼 다시 선정
확인 가능한 사실
XTX Markets는 머신러닝으로 주식·채권·외환·원자재·가상자산의 5만3천 개 이상 금융상품 가격을 예측하고, 그 예측으로 거래하거나 고객에게 유동성을 제공한다고 공식 설명한다. XTX Markets 공식 자료는 연구 클러스터가 2만5천 개가 넘는 GPU와 1엑사바이트 이상의 사용 가능 저장공간을 갖추고, 하루 거래 규모가 2,500억달러라고 밝힌다.
이 수치들은 회사가 공개한 현재 운영 규모이며, 개별 모델의 구조·라벨·보유기간·실제 수익기여는 공개되지 않았다. 확인 가능한 수익 연결 경로는 가격예측→거래소·대체거래소 거래 및 고객 유동성 제공이고, 특정 비밀전략을 추정할 근거는 없다.
공개자료 기반 추론과 실무 시사점
수만 종목을 함께 다루는 체계에서는 종목별 독립모델보다 공유 표현, 분산 학습, 대규모 point-in-time 데이터, 빠른 재학습과 모니터링이 중요하다고 추론할 수 있다. 그러나 XTX가 실제로 어떤 representation learning이나 loss를 쓰는지는 공개자료로 확인되지 않는다. 실무에서는 예측 오차뿐 아니라 호가 채택률, 체결확률, 재고집중, hedge slippage가 수익화 여부를 결정한다.
한국 시장 복제 아이디어
국고·통안·공사·은행·회사채를 발행사, 만기, 등급, 옵션, 유동성 속성으로 임베딩해 종목 간 정보를 공유하는 패널 모델을 만든다. 모델의 공정가치 잔차를 그대로 주문으로 보내지 않고, 체결확률과 재고 DV01을 합친 quote score로 변환한 뒤 종목군별 드리프트와 실제 mark-out을 모니터링한다.
오늘의 데스크 결론
오늘 자료의 공통점은 AI 신호가 손익이 되려면 신용평가 체계, 체결 후 자동헤지, 네트워크 스트레스, 재현 가능한 연구 인프라가 함께 있어야 한다는 것이다. 한국 채권시장에서는 뉴스 기반 신용상태 → 비선형 PD → 종목 공정가치 → 체결 후 자동헤지 → 포트폴리오 스트레스를 하나의 의사결정 로그로 연결하는 것이 가장 직접적인 복제 경로다.