은행의 금리방향 확률을 읽는 범위
금리방향 정확도는 어떤 성과를 뜻하는가?
금리가 오를 확률을 예측하는 일과 미래 금리 수준을 맞히는 일은 다르다. MarketWatch는 DUSTIN이 일정 거래기간 이후 미국 장기금리의 방향을 확률로 추정한다고 보도한다. 확률 전망을 어떻게 주문으로 옮기는지는 별도 문제다.
기사의 대상은 미국 10년 금리의 향후 21거래일 방향이다. 보도된 학습 밖 정확도는 65%, 학습표본은 76%로 차이가 있었다. 자료를 본 뒤의 점수와 새로운 자료의 성능을 나눠야 하는 이유다. 사용변수·학습기간·신뢰구간과 원 모델 문서가 없어 같은 조건의 독립 재현은 어렵다.
방향을 맞혀도 움직임 크기와 틀렸을 때 손실, 거래비용에 따라 손익이 달라진다. 포지션 크기와 비용 정보가 없으므로 정확도를 운용성과로 바꾸기 어렵다. 국내 복제에서도 확률의 보정과 비용후 성과를 따로 확인해야 한다.
SCOPE기사의 모델 소개이며 독립 재현과 운용성과 검증은 완료되지 않았다.
Evidence & verification ↓누가 국채를 사느냐에 따른 공급효과
국채 공급의 금리영향은 투자자 구성에 따라 달라지는가?
추가 국채를 누가 받아내는지에 따라 필요한 금리보상이 달라질 수 있다. 연준 연구는 투자자 부문별 보유비중이 변하는 수요체계를 만든다. 가격과 보유량이 함께 결정되는 문제를 다루기 위해 도구변수로 수요탄력성을 추정한다.
가격에 덜 민감한 해외 공공부문의 비중이 줄고 민간·헤지펀드 비중이 늘면서 공급 민감도가 높아졌다는 결과다. 모형에서 현재 국채 공급 1,000억달러 증가는 5년 금리 약 3bp 상승으로 나타났다. bp는 작은 금리차의 단위다. 총발행량뿐 아니라 누가 받아내는지가 가격조건을 바꾼다.
모형은 공공기관 매도나 중앙은행 대차대조표 정책의 반사실 분석에도 쓰일 수 있다. 다른 조건을 가정한 계산이며 발행일의 확정 반응은 아니다. 국내 적용에서는 투자자별 수요를 추정하고 공급계수가 시기별로 달라지는지 다시 확인해야 한다.
SCOPE미국 수요모형의 평균 추정이며 국내 계수나 개별 발행일 효과로 옮길 수 없다.
Evidence & verification ↓담보를 미리 옮겨둘 수 있는 운영속도
담보를 준비하는 속도는 국채시장에 왜 중요한가?
국채가 있어도 담보 제출과 요청을 제때 완료하지 못하면 필요한 순간 현금을 얻기 어렵다. 연준 연설은 2024년 시작한 Discount Window Direct가 현재 요청의 60% 이상을 처리한다고 설명한다. 이는 포털 이용 비중으로 실제 대출금액이나 실행률이 아니며 제도와 운영능력을 구분하는 지표다.
국채를 Fedwire 계좌에서 할인창구 담보계좌로 늦은 시간에도 옮길 수 있다. 사전 약정을 갖춘 은행은 이를 통해 당일 대출을 받을 수 있다는 설명이다. 준비된 담보와 절차는 자금압박 때 즉시 매도해야 하는 부담을 완화할 수 있다.
위기 때 담보 예치 급증은 잠재 차입을 준비한 행동이며 모두 대출을 받았다는 뜻은 아니다. 운영속도는 시장기능의 완충조건이다. 국내에서도 적격 담보와 처리시간, 실제 사용액을 나눠야 제도 한도와 가용 현금을 혼동하지 않는다.
SCOPE연준 제도의 설명이다. 담보 예치는 실제 차입을 뜻하지 않으며 국내 절차는 별도 확인이 필요하다.
Evidence & verification ↓많은 연구자가 함께 읽는 저장기반
여러 연구자가 동시에 읽는 자료는 어떻게 보존하는가?
대규모 자료를 여러 연구자가 동시에 읽으면 개별 조회속도만으로 운영을 평가하기 어렵다. HRT는 비용·확장성·사용자 간 간섭을 다루려고 Blobby를 구축했다고 설명한다. 기존 내용을 덮어쓰기보다 추가기록을 중심으로 하는 분산 저장구조다.
Blobby는 기본 블록을 6개 데이터 조각과 3개 패리티 조각으로 나눠 저장한다. 패리티는 일부 조각을 잃어도 원자료를 복구할 수 있게 하는 정보로, 이 설계는 임의의 세 조각 손실을 견디도록 만들었다. 여러 사용자의 총처리량을 우선하고 디스크·네트워크·업그레이드 실패를 의도적으로 일으키는 장애시험으로 자료보존을 점검한다. 단일 조회의 최고속도보다 많은 연구자의 동시 작업과 실패 뒤 복구를 함께 다루는 구조다.
설계는 최고 조회속도와 함께 동시사용·장애 중 지속성을 중요하게 본다. 글에는 전략·라벨·손익이 없다. 국내 평가도 단일 조회, 여러 사용자의 처리량, 장애 후 값의 일치율을 나눠야 공개 운영목표를 모델 성과와 혼동하지 않는다.
SCOPE저장시스템의 기술 설명이며 특정 모델과 손익 개선폭은 공개하지 않는다.
Evidence & verification ↓작은 예측변화가 큰 포지션을 만들 때
최적 포지션은 작은 예측오차에 얼마나 민감한가?
수익전망이 조금 달라졌는데 최적 포지션이 한도 끝에서 반대쪽으로 이동할 수 있다. D. E. Shaw 글은 비중이 제약의 경계에 몰리는 이런 해법 때문에 입력오차와 제약의 불확실성을 반복 점검해야 한다고 설명한다. 계산상 최적값이 안정적 결정을 보장하지는 않는다.
회사는 하나의 과거위기보다 여러 위기상태의 손실을 제약하는 접근을 제시한다. 주문속도에는 알파 실현경로와 시장충격 감쇠를 함께 넣는다. 빠른 거래로 전망이익을 얻는 효과와 기다려 비용을 줄이는 효과를 비교한다.
경우에 따라 느린 집행이 더 좋고 비용절감이 예측이익과 비슷할 수 있다는 경험을 소개한다. 전략별 성과표는 아니다. 전례 없는 상황에는 사람이 위험요인·한도를 바꾸거나 도구를 멈출 역할이 남아 출력과 실행판단을 구분해야 한다.
SCOPE회사 경험과 방법론이며 특정 설정과 집행속도의 손익효과를 독립 재현한 자료는 아니다.
Evidence & verification ↓보도된 예측점수는 재현 가능한 범위에서 읽고 국채 공급효과는 투자자 구성을 조건으로 보아야 한다. 최적화 결과도 입력오차와 담보의 실행조건을 거친 뒤 판단할 수 있다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
은행의 금리방향 확률을 읽는 범위0 primary · 1 archived +
These 1 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓누가 국채를 사느냐에 따른 공급효과0 primary · 1 archived +
These 1 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓담보를 미리 옮겨둘 수 있는 운영속도0 primary · 1 archived +
These 1 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓많은 연구자가 함께 읽는 저장기반0 primary · 1 archived +
These 1 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓작은 예측변화가 큰 포지션을 만들 때0 primary · 1 archived +
These 1 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
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.