HSBC의 21거래일 금리방향 분류가 남긴 검증 과제
MarketWatch가 보도한 HSBC의 DUSTIN은 미국 10년물 금리가 향후 21거래일 동안 오를지 내릴지를 확률로 분류한다. 학습에 쓰지 않은 데이터의 방향 정확도는 65%, 학습표본은 76%로 보도됐다.
표본 밖 데이터는 모델이 처음 보는 기간을 뜻한다. 두 정확도의 차이는 과적합 가능성을 살피게 하지만, 공개기사에는 변수·학습기간·비용·신뢰구간이 없어 65%를 독립 검증된 운용성과로 볼 수 없다. 방향을 맞힌 횟수도 큰 손실일의 크기와 DV01 손익을 말해주지 않는다.
국내에서는 10년 선물의 20거래일 뒤 방향을 라벨로 고정하고 로지스틱 회귀와 트리·신경망을 같은 확장창에서 비교한다. 확률 보정과 Brier score, 비용 후 DV01 손익을 함께 보고 50% 부근의 낮은 확신은 거래하지 않는 규칙까지 사전에 정한다.
국채 공급충격은 누가 사느냐에 따라 달라진다
연준 IFDP는 투자자 부문별 보유비중과 수요탄력성이 달라지는 국채 수요체계를 추정한다. 해외 공공부문 비중이 줄고 헤지펀드·민간투자자가 늘면서 시장이 공급변화에 더 가격민감해졌다는 결과다.
모형에서 현재 국채 공급 1,000억달러 증가는 5년물 금리를 약 3bp 올린다. 이 숫자는 모든 입찰의 고정효과가 아니라 투자자 구성이 반영된 평균적 추정치이며, 해외 공공기관 매도나 연준 대차대조표 변화의 반사실 분석에 사용할 수 있다.
한국에서는 만기별 순발행과 한은·보험·연기금·외국인·은행·증권 보유변화를 연결한다. 월간 보유자료의 지연을 인정하고 입찰·선물·레포를 보조변수로 써 투자자별 흡수능력이 약해질 때 같은 발행량의 충격이 얼마나 커지는지 범위로 제시한다.
담보를 당일 현금으로 바꾸는 속도가 국채시장을 지킨다
연준의 9월 22일 연설은 2024년 시작한 Discount Window Direct가 대출요청·상환·담보정보를 온라인화했고 현재 요청의 60% 이상을 처리한다고 설명한다. 사전 약정을 갖춘 은행은 Fedwire의 국채를 할인창구 담보계좌로 옮겨 당일 자금을 받을 수 있다.
이 운영속도는 스트레스 때 국채를 급히 팔 필요를 줄이고 레포·연방기금시장 압력을 완화한다. 2020년 3월 실제로 연준에 맡긴 국채가 급증했다는 공식 설명은 담보 준비가 실행 전에도 완충장치가 될 수 있음을 보여준다.
국내 스트레스 테스트도 시장가 하락만 계산하지 말고 담보이동·가치평가·승인·자금수령 시간을 측정해야 한다. 중앙은행 대출, 레포와 CCP 증거금의 담보 중복을 찾고 운영실패 때의 강제매도 DV01을 비교한다.
HRT는 수백 PB 연구데이터의 실패까지 직접 설계한다
HRT의 Blobby 기술 글은 수백 페타바이트 데이터를 많은 연구자가 동시에 읽고 모델을 훈련하는 환경을 공개한다. 외부 저장장치의 비용·확장한계와 연구자 간 간섭을 줄이기 위해 append-only 분산 파일시스템을 직접 만들었다.
기본 블록은 6개 데이터 조각과 3개 패리티 조각으로 저장돼 세 조각 손실을 견딘다. 평균 단일사용자 속도보다 많은 동시 작업의 총처리량을 우선하고, 지속적인 chaos testing으로 디스크·네트워크·업그레이드 실패에서 데이터가 보존되는지 확인한다.
국내 채권 데이터도 원시 시세·주문·체결·공시를 append-only로 저장하고 체크섬과 스냅샷을 붙인다. 디스크손실·부분파일·순서역전을 주입한 뒤 행 수와 DV01 집계가 원본과 같은지 검증해야 저장장애가 조용한 라벨오염으로 바뀌지 않는다.
D. E. Shaw의 최적화는 예측과 집행 사이를 잇는다
D. E. Shaw의 Machine Teaching은 체계적 전략에서 발전시킨 최적화를 재량 포트폴리오에도 적용하는 사람–기계 반복과정을 설명한다. 작은 입력차가 큰 코너해를 만들 수 있으므로 예측오차와 제약의 불확실성을 계속 되묻는다.
알파 실현경로와 시장충격 감쇠를 함께 넣은 최적화는 사람보다 느린 집행을 권할 수 있으며, 절감 슬리피지가 예측이익과 비슷한 경우도 있었다고 회사는 밝힌다. 단일 과거위기에 맞추기보다 여러 위기상태를 함께 제약하고, 전례 없는 상황에서는 사람이 요인·한도를 바꾸거나 도구를 중단한다.
국내에서는 방향·커브·상대가치 신호에 거래비용, 보유기간, 재고 DV01과 꼬리손실을 붙인다. 최적화와 사람 판단의 차이를 만든 입력을 역산하고 수정·거부 이유와 사후 mark-out을 저장하면 예측–집행–P&L 피드백을 더 짧고 검증 가능하게 만들 수 있다.
읽고 나서 남는 질문
공통된 결론은 예측정확도 하나가 생산 시스템을 설명하지 못한다는 것이다. 확률의 보정, 수요주체와 담보경로, 데이터 내구성, 거래비용과 위기제약을 같은 실험기록에 연결해야 연구가 포지션과 P&L로 넘어간다. 국내 채권 AI도 이 연결고리를 먼저 명시하면 작은 모델로도 더 검증 가능한 성과를 만들 수 있다.
편집 전 브리핑 원문 펼치기
채권시장 AI 연구 브리핑
2026년 9월 26일
조사 마감: 2026년 9월 26일 06:33 (Asia/Seoul)
원문 열람일: 2026년 9월 26일
중복 점검: 기존 55개 브리핑과 2026년 9월 25일 게시물을 대조했다. 전날의 IMF·OFR·Two Sigma·Man Group 자료와 겹치지 않는 원문을 선정했다. 4·5번은 채용공고가 아니라 퀀트회사 공식 기술 블로그와 공식 투자연구를 사용했다. 공개되지 않은 모델·라벨·전략·P&L은 아는 것으로 단정하지 않고, 확인 가능한 사실과 공개자료에 근거한 추론을 구분했다.
1. HSBC — 10년 미 국채 방향을 21거래일 앞서 분류하는 머신러닝
구분: 주요 금융기관 머신러닝·미 국채 금리 방향예측
발표일: 2026년 9월 22일
핵심 요약
MarketWatch가 보도한 HSBC의 DUSTIN 모델은 미국 10년물 금리가 향후 21거래일 동안 상승할지 하락할지 확률로 예측한다. 보도에 따르면 학습에 쓰지 않은 데이터에서 방향 정확도는 65%, 학습표본에서는 76%였으며, 이 차이는 표본 밖 성능을 별도로 보아야 하는 이유를 보여준다. 다만 공개된 기사는 사용 변수·학습기간·거래비용·신뢰구간과 원 모델 문서를 제공하지 않으므로 65%를 독립 검증된 운용성과로 해석할 수 없다. 확인 가능한 사실은 은행이 월간에 가까운 금리방향을 확률분류 문제로 만들었다는 점이고, 포지션 크기와 P&L 연결 방식은 공개되지 않았다.
실무 시사점
금리 방향모델은 점예측보다 상승확률과 불확실성을 내보내야 포지션 한도와 연결하기 쉽다. 그러나 분류정확도만으로는 큰 손실일의 방향, DV01 손익, 회전율과 거래비용을 알 수 없으므로 확률 보정, Brier score, 체제별 손익과 최대낙폭을 함께 검증해야 한다.
한국 시장 복제 아이디어
국고채 10년·10년 선물의 20거래일 뒤 금리방향을 라벨로 만들고, 금리곡선·인플레이션·원/달러·외국인 선물·발행수급을 수신시점 기준으로 고정한다. 단순 로지스틱 회귀와 트리·신경망을 동일한 확장창에서 비교하고, 50% 부근의 낮은 확신은 거래하지 않으며 확률구간별 DV01 손익과 비용을 공개한다.
2. Federal Reserve — 국채 공급 1,000억달러가 5년물 금리를 약 3bp 올린다
구분: 중앙은행 연구·미 국채 수요체계와 금리민감도
발표일: 2026년 9월
핵심 요약
연준 IFDP 연구는 투자자 부문별 보유비중이 시간에 따라 변하는 수요체계를 만들고 도구변수로 수요탄력성을 추정한다. 가격에 덜 민감한 해외 공공부문의 비중이 줄고 헤지펀드와 민간투자자 비중이 늘면서 국채시장이 공급변화에 더 민감해졌다는 결과다. 모형에서 현재 국채 공급이 1,000억달러 늘면 5년물 금리가 약 3bp 상승하며, 투자자 기반 변화가 과거 금리변동의 상당 부분을 설명한다. 공식 설명은 해외 공공기관 매도와 연준 대차대조표 정책의 반사실 시나리오에도 쓸 수 있다고 밝히지만, 이는 평균적 모형 추정치이지 모든 발행일의 확정 효과는 아니다.
실무 시사점
발행량만 보는 공급모델은 같은 물량을 누가 흡수하는지 놓친다. 중앙은행·보험처럼 비가격적 수요가 줄고 레버리지 투자자 비중이 늘면 같은 순공급도 금리와 레포·선물 베이시스에 더 큰 충격을 줄 수 있어 투자자별 탄력성과 조달조건을 함께 추정해야 한다.
한국 시장 복제 아이디어
국고채 만기별 순발행과 한국은행·보험·연기금·외국인·은행·증권 보유변화를 패널로 만들고 투자자별 금리민감도를 추정한다. 월간 보유자료의 지연을 명시한 뒤 입찰 결과·선물수급·레포를 고빈도 보조변수로 사용해 3·5·10년 구간별 공급충격과 불확실성 범위를 제시한다.
3. Federal Reserve — 할인창구 자동화는 국채 강제매도 위험을 줄이는 시장 인프라다
구분: 중앙은행 연설·국채시장 기능과 담보 유동성
발표일: 2026년 9월 22일
핵심 요약
연준 부의장 연설에 따르면 2024년 시작한 Discount Window Direct는 대출요청·상환·담보정보와 담보파일 제출을 온라인화했고 현재 요청의 60% 이상이 이 포털을 통한다. 미 국채는 Fedwire 계좌에서 할인창구 담보계좌로 늦은 시간에도 옮길 수 있어 사전 약정을 갖춘 은행은 당일 대출을 받을 수 있다. 연준은 이 유동성이 스트레스 때 국채 강제매도를 줄이고 레포·연방기금시장의 자금압박을 완화한다고 설명하며, 2020년 3월에는 잠재적 차입을 담보하기 위해 연준에 맡긴 국채가 급증했다고 밝혔다. 이는 대출이 항상 실행됐다는 뜻이 아니라, 담보의 준비와 운영속도 자체가 시장기능의 완충장치라는 설명이다.
실무 시사점
유동성 위험은 보유 국채의 시장가치뿐 아니라 담보이동·가치평가·승인에 걸리는 시간으로 결정된다. 스트레스 테스트는 매각손실만 계산하지 말고 당일 현금화 가능한 담보, 운영 마감시간, 다른 대출기관과의 담보 중복 및 분기말 자금시장 압력을 포함해야 한다.
한국 시장 복제 아이디어
국내 은행·증권의 국고채 담보를 중앙은행 대출, 레포와 CCP 증거금 용도별로 연결하고 담보이동 시간을 사건 로그로 측정한다. 금리 급등과 레포 스프레드 확대가 겹칠 때 자동 가치평가·한도 확인·사람 승인·당일 자금수령을 모의훈련하고, 실패 시 강제매도 DV01과 시장충격을 비교한다.
4. Hudson River Trading — 수백 PB 연구데이터를 위한 분산 파일시스템을 직접 만든다
구분: 퀀트회사 공식 기술 블로그·대규모 연구 데이터 인프라
발표일: 2025년 8월 19일
선정 이유: 최신성보다 실제 모델 연구환경의 규모·격리·복구 설계라는 기술적 가치 때문에 선정
핵심 요약
HRT의 공식 기술 글은 회사가 대량의 데이터를 수집하고 연구자가 아이디어를 개발·검증해 거래전략으로 전환한다고 명시한다. 수백 페타바이트 규모에서 비용·확장성·동시 연구자의 간섭을 해결하려고 append-only 분산 파일시스템 Blobby를 직접 구축했으며, 기본 블록은 6개 데이터 조각과 3개 패리티 조각으로 저장해 임의의 세 조각 손실을 견디도록 설계했다. 많은 동시 사용자의 총처리량을 우선하고 지속적인 chaos testing으로 디스크·네트워크·업그레이드 실패에서 데이터 보존을 시험한다. 확인 가능한 사실은 연구 저장계층의 구조이며, 어떤 전략·모델·라벨이나 P&L 개선폭인지는 공개되지 않았다.
실무 시사점
공개자료에 기반한 추론으로는 연구자의 대규모 실험이 서로 방해하지 않고 실패 뒤 같은 데이터를 복구할 수 있어야 research→production 반복속도가 안정된다. 평균 처리속도보다 멀티테넌시, 데이터 내구성과 장애 재현성이 중요하며, 저장장애가 백테스트 표본이나 위험집계의 조용한 누락으로 이어지지 않게 해야 한다.
한국 시장 복제 아이디어
국고채·회사채 원시 시세, 주문·체결과 공시를 append-only 객체로 저장하고 날짜·시장·소스별 체크섬과 스냅샷을 붙인다. 연구팀별 자원격리, 동시 대량읽기, 디스크손실·네트워크 단절·부분파일 주입을 시험해 복구 후 행 수·순서·DV01 집계가 원본과 같은지 자동 검증한다.
5. D. E. Shaw — 최적화는 예측을 포지션·집행속도·꼬리위험으로 번역한다
구분: 퀀트회사 공식 투자연구·포트폴리오 최적화와 사람–기계 피드백
발표일: 2023년
선정 이유: 최신성보다 체계적·재량 전략에서 최적화가 실제 의사결정에 연결되는 구조적 가치 때문에 선정
핵심 요약
D. E. Shaw의 공식 글은 30년 넘게 체계적 전략에서 발전시킨 최적화 도구를 재량 전략에도 사용하며, 전략·용도별로 서로 다른 도구를 운용한다고 설명한다. 작은 입력변화가 코너해와 큰 포지션 이동을 만들 수 있어 예측오차와 제약의 불확실성을 반복해서 점검하고, 단일 과거위기보다 여러 위기상태의 손실을 제약하는 방식을 제안한다. 거래속도 예시에서는 알파 실현경로와 시장충격의 감쇠를 함께 넣은 최적화가 사람보다 느린 집행을 권할 수 있고, 절감된 슬리피지가 예측이익과 비슷한 규모가 되는 경우도 있었다고 회사는 밝힌다. 이는 설명용 경험이지 특정 전략의 검증 가능한 P&L 공개는 아니며, 모델 밖의 전례 없는 상황에서는 사람이 요인·한도를 바꾸거나 도구를 중단할 역할이 남는다.
실무 시사점
예측모델의 출력은 곧바로 주문이 아니라 상관·거래비용·보유기간·꼬리손실과 공통투자자 위험을 통과해야 한다. 최적화가 낸 크기와 사람 판단의 차이를 오류로 치부하지 말고 어떤 입력·제약이 차이를 만들었는지 역산하면 모델과 사람의 과신을 동시에 줄일 수 있다.
한국 시장 복제 아이디어
국고채 방향·커브·회사채 상대가치 신호에 알파 실현곡선, 예상 시장충격, 재고 DV01, 섹터·발행사·유동성 제약을 입력한다. 제안 포지션의 입력 민감도와 여러 금리·신용·조달 위기에서의 손실을 함께 표시하고, 사람의 수정·거부 이유와 사후 mark-out을 저장해 다음 최적화와 한도설계에 되먹임한다.