AI 생산성 낙관은 물가와 부채 재평가를 함께 부른다
ECB의 AI와 통화정책 연설은 생산성이 높아진다는 기대가 지출에 얼마나 빨리 반영되느냐에 따라 전환 초기의 물가효과가 달라진다고 설명한다. 가계와 기업이 미래소득을 즉시 믿으면 수요와 물가가 먼저 오를 수 있지만, 불확실성 속에서 천천히 학습하면 그 효과는 약해진다.
AI는 에너지와 자본을 많이 쓰므로 에너지가격 상승과 금융여건 긴축이 생산·도입을 함께 늦출 수 있다. ECB가 명시한 더 까다로운 경로는 에너지 충격이 AI 관련 주식·부채 재평가와 고용조정을 거쳐 소비로 되먹임되는 경우다.
한국에서는 반도체·데이터센터·전력설비 투자와 회사채 발행을 묶어 빠른 도입, 느린 도입, 에너지 제약의 세 시나리오를 만든다. 각 경우의 물가와 국고채 장기금리, AI 공급망 회사채 스프레드를 동시에 추정해야 성장 낙관과 조달위험을 한 화면에서 볼 수 있다.
글로벌 회사채의 공통 위험가격은 위기 때 비선형으로 커진다
뉴욕 연은 연구는 1998~2024년 중 37%의 달에 글로벌 회사채 80% 이상이 같은 방향으로 움직였다고 보고한다. 종목과 국가가 많아도 공통 위험가격이 포트폴리오를 함께 움직일 수 있다는 뜻이다.
연구진은 미국 초과채권프리미엄과 VIX를 사용해 등급별 회사채 수익률의 비선형 공통요인을 추정했다. VIX가 중앙값 18을 넘고 스프레드도 높을 때 민감도가 급격히 커졌고, 높은 공통요인은 이후 현지 신용여건 악화와 글로벌 채권펀드 유출에 연결됐다.
국내에서는 등급별 초과수익을 VIX·달러조달·미국 크레딧과 연결하고, 두 위험지표가 동시에 높은 구간의 조건부 베타를 따로 계산한다. 발행사 수로 본 분산효과와 위기 때 실제로 남는 분산효과의 차이를 스트레스 한도로 반영할 수 있다.
국채 유동성은 종목의 나이와 선물연계에 따라 바뀐다
뉴욕 연은의 국채 TRACE 연구에 따르면 발행잔액의 4% 미만인 지표물이 평균 일거래량의 65%를 차지한다. 채권이 경과물이 되면 딜러–고객 거래 의존도가 높아지고 거래량은 줄며 비용은 올라간다.
선물 최저가인도채권은 같은 나이의 다른 경과물보다 활발히 거래되는 중요한 예외다. 따라서 유동성 모델은 만기·잔액뿐 아니라 발행 후 경과일수, 지표물 교체와 선물 인도옵션을 시간에 따라 변하는 입력으로 다뤄야 한다. 체결만 있는 자료는 아예 거래되지 않은 종목을 놓치는 선택편향도 가진다.
국고채에서는 발행과 지표물 교체를 사건시간으로 정렬하고 다음 체결까지 시간, 예상 bid–ask와 체결확률을 별도 목표로 학습한다. 무체결 구간을 검열자료로 보존하면 경과물의 실제 집행난이도를 과소평가하는 문제를 줄일 수 있다.
Citadel Securities는 AI의 가치를 데이터–업무흐름 결합에서 찾는다
Citadel Securities의 Peng Zhao CEO 대담은 머신러닝이 이미 20년 넘게 시장을 바꿨으며, 다음 가치는 AI를 핵심 업무에 넣어 측정 가능한 생산성을 만드는 데 있다고 설명한다. 회사는 독점 데이터·기술전문성·업무흐름의 결합이 단순한 AI 표방과 지속 가능한 우위를 가른다고 본다.
예측분석과 자동화가 고객수요 예상과 변동성 속 안정성에 기여한다는 것은 확인되지만 모델·라벨·시장별 P&L은 공개되지 않았다. 공개자료에 기반한 실무적 추론은 사용횟수보다 응답시간, 호가 안정성, 체결 후 mark-out과 장애율로 효과를 측정해야 한다는 것이다.
국내 채권 RFQ는 요청부터 응답·체결·헤지·사후 mark-out까지 공통 ID로 연결한다. AI가 처음에는 비교종목과 체결확률만 제시하게 하고, 독립 홀드아웃에서 응답시간과 손실성 체결이 개선될 때만 주문권한을 제한적으로 넓힐 수 있다.
Two Sigma는 체결모델을 인과문제로 다시 정의한다
Two Sigma의 Claudia Perlich는 데이터 행 수보다 공통 원인의 수가 유효표본 크기를 결정하고, 금융처럼 신호가 약한 문제에서는 특징 수와 표본 수의 절충이 중요하다고 설명한다. 지나치게 좋은 수익예측은 미래정보 혼입을 먼저 의심해야 한다.
특히 큰 주문은 그 자체가 가격을 움직이므로 최저비용 집행전략을 고르는 일은 단순 상관예측이 아니라 실험이 필요한 인과문제다. 공식 글은 신뢰받지 못하는 고성능 모델보다 근거를 확인할 수 있는 약한 모델이 먼저 쓰일 수 있으며, 에이전트형 시스템은 실제 과업의 증거를 확인한 뒤 속도를 높여야 한다고 지적한다.
국고채·회사채 RFQ에서는 안전한 범위의 제한적 탐색이나 인과추론으로 선택하지 않은 집행방식의 반사실 비용을 추정한다. 실제 가격영향·mark-out·무체결 비용을 함께 남기고, 늦게 확정되는 라벨은 충분한 관측기간 뒤에만 학습시키는 것이 핵심이다.
읽고 나서 남는 질문
하나의 큰 모델보다 도입속도, 공통 위험가격, 종목의 생애주기, 주문행동의 가격영향을 각각 명시한 작은 모델들이 더 검증 가능하다. 국내 채권시장에서는 이 상태변수를 공통 사건 ID와 시점 데이터로 연결하고, 모델이 만든 행동의 결과까지 다시 학습자료로 돌아오게 만드는 것이 research→production→P&L 피드백의 출발점이다.
편집 전 브리핑 원문 펼치기
채권시장 AI 연구 브리핑
2026년 9월 27일
조사 마감: 2026년 9월 27일 06:32 (Asia/Seoul)
원문 열람일: 2026년 9월 27일
중복 점검: 기존 56개 브리핑과 2026년 9월 26일 게시물을 대조했다. 전날의 HSBC·연준·HRT·D. E. Shaw 자료와 겹치지 않는 원문을 선정했다. 4·5번은 채용공고가 아니라 퀀트회사 공식 경영진 대담과 현직 데이터과학 책임자의 기술 글이다. 공개되지 않은 모델·라벨·전략·P&L은 아는 것으로 단정하지 않고 확인 가능한 사실과 공개자료에 근거한 추론을 구분했다.
1. ECB — AI 생산성 충격은 물가·자연금리·AI 부채를 동시에 움직인다
구분: 중앙은행 연설·AI와 통화정책 및 채권 위험
발표일: 2026년 7월 6일
핵심 요약
ECB의 AI와 통화정책 연설은 AI가 생산성을 영구적으로 높인다는 기대가 소득과 지출에 빠르게 반영되면 전환 초기에 수요와 물가를 올릴 수 있지만, 가계·기업이 소득효과를 천천히 학습하면 초기 물가효과는 크게 약해질 수 있다고 설명한다. AI의 에너지 집약도와 자본 집약도 때문에 에너지가격 상승이나 금융여건 긴축은 AI 생산·도입을 동시에 늦출 수 있다. ECB는 에너지 충격이 AI 관련 주식과 부채의 재평가로 이어지고 경기둔화·고용조정과 맞물리는 피드백을 명시한다. 따라서 하나의 생산성 추정치보다 도입속도·소비반응·에너지·금융충격을 함께 보며 자료에 따라 정책판단을 갱신해야 한다는 결론이다.
실무 시사점
AI를 장기 성장률 상승만으로 해석하면 전환기의 인플레이션과 장기금리 상승, AI 투자기업의 차입비용 확대를 놓칠 수 있다. 금리·크레딧 모델은 생산성 낙관과 조달비용 악화가 동시에 나타나는 상태를 허용하고, AI 관련 주식·회사채·전력가격과 실질금리의 공동 변화를 점검해야 한다.
한국 시장 복제 아이디어
한국의 반도체·데이터센터·전력설비 투자와 관련 기업의 회사채 발행을 연결하고, 빠른 도입·느린 도입·에너지 제약의 세 경로를 만든다. 각 경로에서 잠재성장률 기대, 물가, 국고채 10·30년 금리와 AI 공급망 회사채 스프레드가 어떻게 달라지는지 조건부 시나리오로 추정한다.
2. 뉴욕 연은 — 글로벌 회사채는 국가보다 공통 위험가격에 함께 움직인다
구분: 중앙은행 연구·회사채 비선형 위험프리미엄
발표일: 2026년 5월 19일
핵심 요약
뉴욕 연은의 글로벌 크레딧 사이클 연구는 1998~2024년 중 37%의 달에 ICE 글로벌 채권지수 구성종목 80% 이상이 같은 방향으로 움직였다고 보고한다. 연구진은 미국 회사채의 초과채권프리미엄과 VIX를 입력으로 쓰고 신용등급별 회사채 수익률을 목표로 하는 비선형 예측관계에서 공통 위험가격 요인을 추정했다. 분석 결과 VIX가 역사적 중앙값 18을 넘고 크레딧 스프레드도 높을 때 두 변수의 상호작용과 위험가격 민감도가 급격히 커졌다. 이 요인은 미국뿐 아니라 다른 선진국과 신흥국 회사채 수익률에서도 유사했고, 높은 수준은 이후 수익률·현지 신용여건 악화·글로벌 채권펀드 유출과 연결됐다.
실무 시사점
회사채 분산은 발행사·국가 수가 많다는 이유만으로 확보되지 않는다. 변동성과 스프레드가 함께 높아지는 국면에는 공통 중개자 제약이 종목 고유위험을 압도할 수 있으므로, 신용 포트폴리오는 개별 PD뿐 아니라 비선형 글로벌 위험요인에 대한 조건부 베타와 환매충격을 관리해야 한다.
한국 시장 복제 아이디어
국내 등급별 회사채 초과수익을 미국 초과채권프리미엄·VIX·달러조달비용과 연결하되 선형 회귀와 상호작용 모형을 비교한다. VIX와 스프레드가 동시에 임계값을 넘을 때 해외채권펀드 유출·원/달러·여전채 스프레드를 함께 스트레스하고, 평시 분산효과가 위기 때 얼마나 줄어드는지 계산한다.
3. 뉴욕 연은 — 국채가 오래될수록 거래장소·비용·딜러 의존이 달라진다
구분: 중앙은행 시장미시구조 연구·미 국채 TRACE
발표일: 2026년 6월 30일
핵심 요약
뉴욕 연은의 국채 유동성 연구에 따르면 발행잔액의 4% 미만인 최근 발행 지표물이 평균 일거래량의 65%를 차지한다. 연구진은 2017년 7월 이후 국채 TRACE 체결자료로 개별 채권이 지표물에서 경과물로 바뀔 때 거래활동과 비용을 추적했다. 공식 분석은 경과물이 지표물보다 딜러–고객 중개에 훨씬 더 의존하고, 노후화할수록 거래량이 급감하며 거래비용이 상승한다고 보여준다. 다만 선물 최저가인도채권은 비슷한 나이의 다른 경과물보다 활발히 거래되는 예외여서, 만기와 경과일수만으로 유동성을 예측하면 선물연계 효과를 놓친다.
실무 시사점
채권 유동성 라벨은 종목 고정특성이 아니라 발행 후 시간, 지표물 교체, 거래장소와 선물 인도옵션에 따라 변하는 상태변수다. 체결자료만으로 만든 모델은 호가가 없어서 거래조차 되지 않은 종목을 관측하지 못하는 선택편향도 함께 표시해야 한다.
한국 시장 복제 아이디어
국고채 종목별 발행 후 경과일수, 지표물 교체일, 장내·장외 체결, 국채선물 최저가인도 가능성과 딜러재고를 사건시간으로 연결한다. 다음 체결까지 시간·예상 bid–ask·체결확률을 별도 목표로 학습하고, 무체결 구간을 검열자료로 처리해 지표물과 경과물의 집행비용을 비교한다.
4. Citadel Securities — AI의 우위는 모델보다 독점 데이터와 업무흐름 결합에서 나온다
구분: 퀀트·마켓메이킹 회사 공식 경영진 대담·AI 운영전략
발표일: 2025년 11월 14일
선정 이유: 최신성보다 AI가 실제 시장운영과 고객서비스에 연결되는 조건을 회사 최고경영자가 직접 설명한 기술적 가치 때문에 선정
핵심 요약
Citadel Securities의 Peng Zhao CEO 공식 대담은 머신러닝이 20년 넘게 자본시장을 바꿔왔고 알고리즘이 거래활동의 다수를 구동한다고 설명한다. 회사가 제시한 다음 단계는 AI를 핵심 업무에 넣어 측정 가능한 생산성 향상을 만드는 것이며, 단순한 AI 표방보다 독점 데이터·기술전문성·업무흐름의 결합이 지속 가능한 우위를 만든다는 주장이다. 대담은 예측분석과 자동화가 고객수요를 예상하고 변동성 속 안정성을 유지하는 데 쓰인다고 밝힌다. 구체적인 모델·라벨·시장별 의사결정·P&L은 공개되지 않았으므로, 확인 가능한 사실은 운영원칙이며 비밀 전략을 안다는 뜻은 아니다.
실무 시사점
공개자료에 기반한 추론으로는 같은 범용모델을 도입하는 것만으로 경쟁우위가 생기기 어렵고, 자체 주문·호가·체결·고객반응 데이터를 의사결정 시점에 연결해 검증 가능한 업무흐름으로 만드는 것이 핵심이다. 생산성은 사용횟수보다 고객 응답시간, 호가 안정성, 체결 후 mark-out과 장애율 같은 운영지표로 측정해야 한다.
한국 시장 복제 아이디어
채권 RFQ마다 요청시각·고객군·응답가격·체결여부·헤지비용·사후 mark-out을 공통 ID로 묶는다. AI는 처음에는 주문권한 없이 비교종목·예상 체결확률·재고영향을 제시하게 하고, 응답시간 단축과 손실성 체결 감소가 독립 홀드아웃에서 확인될 때만 제한적으로 자동화한다.
5. Two Sigma — 체결모델은 예측이 아니라 인과문제부터 풀어야 한다
구분: 퀀트회사 현직 데이터과학 책임자 공식 기술 글·모델 목표와 배포
발표일: 2026년 9월 23일
핵심 요약
Two Sigma Investment Management의 전략 데이터과학 책임자 Claudia Perlich는 실제 데이터가 독립·동일분포 가정을 거의 만족하지 않으며, 표면적인 행 수보다 공통 원인의 수가 유효표본 크기를 결정한다고 설명한다. 금융시장처럼 신호가 약한 문제에서는 많은 데이터와 적은 특징 사이의 절충이 필요하고, 지나치게 좋은 자산수익 예측은 미래정보 혼입부터 의심해야 한다. 특히 글은 대규모 주문의 행동이 가격을 바꾸므로 최저비용 집행전략을 고르는 문제는 단순 상관예측이 아니라 실험이 필요한 인과문제라고 구분한다. 신뢰받지 못하는 고성능 모델보다 사용자가 근거를 확인할 수 있는 약한 모델이 먼저 배포될 수 있으며, 에이전트형 시스템은 유창함보다 실제 과업 근거를 확인한 뒤 속도를 높여야 한다고 강조한다.
실무 시사점
체결모델의 라벨을 과거 비용으로 두면 과거에 선택한 주문방식의 결과만 학습해 정책편향이 생긴다. 탐색주문·무작위화가 허용되는 작은 구간이나 인과추론으로 반사실 비용을 추정하고, 모델의 신뢰도·설명가능성·개념이동을 정확도와 함께 배포조건으로 관리해야 한다.
한국 시장 복제 아이디어
국고채·회사채 RFQ를 주문크기·시간대·상대방·유동성 상태로 층화하고 안전한 범위에서 집행방식의 제한적 탐색을 설계한다. 예상비용뿐 아니라 실제 가격영향, 체결 후 mark-out과 무체결 비용을 기록해 인과효과를 추정하며, 라벨 확정이 늦는 거래는 충분한 관측기간이 지난 뒤에만 학습자료에 넣는다.