AI 회사채에는 신용보다 공급과 집중 프리미엄이 먼저 붙는다
Reuters의 9월 22일 조사는 우량 회사채 시장이 AI 관련 발행사와 전통 발행사로 갈라졌다고 전한다. 하이퍼스케일러의 2027년 총발행 전망은 4,200억달러로 2026년 추정보다 60% 많고, AI 발행사 스프레드는 약 115bp로 전체 투자등급 시장 78bp보다 넓었다.
핵심은 부도확률보다 물량과 집중이다. 데이터센터 조달기구까지 최종 모회사 익스포저로 합산하면 단일종목 한도가 빠르게 소진되고, 예고되지 않은 반복 발행은 이전 채권의 유통가격을 압박한다. Alphabet와 Aon의 상반된 수요는 같은 우량등급 안에서도 희소성과 공급 캘린더가 신규발행 프리미엄을 가른다는 점을 보여준다.
국내에서는 반도체·데이터센터·전력설비 기업의 본사채, PF, 보증채와 유동화를 최종 위험주체 기준으로 연결한다. 발행 전후 민평 대비 스프레드와 주문배수, 유통시장 성과를 이용해 신용 프리미엄과 공급·집중 프리미엄을 분리해야 한다.
장기물 바이백은 경과물 유동성의 비선형 구간을 바꾼다
미 재무부는 10~20년과 20~30년 명목국채의 유동성 지원 바이백 상한을 회당 20억달러에서 최소 40억달러로 확대했다. 조치는 9월 9일부터 11월 4일까지 적용되며, 장기물에서 양질의 매도제안이 꾸준히 들어온 점을 근거로 들었다.
바이백은 방향성 전망이 아니라 경과물의 거래가능성을 보완하는 시장구조 도구다. 같은 듀레이션이라도 경과일수, 잔액, 지표물 여부와 선물 연계에 따라 bid–ask와 헤지비용이 다르므로 공정가치 모델에는 정책 수요를 별도 상태로 넣어야 한다.
국내 국고채 교환·조기상환도 공고일부터 결제일까지 대상종목의 체결공백, 거래량과 on/off-the-run 스프레드를 기록한다. 잔액·만기·딜러재고별 비선형 반응을 추정하면 경과물 호가와 교환 대상 선정의 실증 근거가 된다.
회사채 머신러닝은 정부보증 기대와 제도 차이를 학습한다
동료평가를 거쳐 게재된 중국 회사채 연구는 거시지표와 채권·발행사 특성을 함께 쓴 머신러닝이 전통적 선형모형을 통계·경제적 기준 모두에서 앞섰다고 보고한다. 국유기업 비중, 암묵적 정부보증과 빠른 시장변화 같은 제도적 특성을 비선형 모델이 포착했다.
공매도가 제한된 시장에서는 롱숏 백테스트만으로는 실행 가능성을 판단하기 어렵다. 연구는 롱온리 포트폴리오도 비교했지만, 공개 초록만으로 알고리즘별 성과와 거래비용을 확인할 수는 없어 한국 시장의 예상수익을 단정하면 안 된다.
한국에서는 공기업 여부, 그룹지원, 지급보증, 등급전망, 발행주선과 유동성을 시점 기준으로 결합한다. 민평오차와 bid–ask, 보유기간, 실제 매도가능성을 차감한 롱온리 표본외 성과로 선형모형과 비교해야 한다.
Man AHL은 강화학습으로 주문경로의 탐색과 활용을 균형화한다
Man AHL CIO의 공식 기고는 AI가 수많은 약한 신호를 찾더라도 무작위 잡음에서 같은 결과가 나오는지, 정보가 얼마나 빨리 감쇠하는지와 표본외 성과 비율을 확인해야 한다고 설명한다. 이는 가설 수를 늘리는 속도와 과적합 통제를 같은 연구과정에 두는 접근이다.
집행에서는 강화학습 기반 적응형 지능 라우팅이 여러 거래경로 사이의 탐색과 활용을 균형화한다. 어떤 경로를 선택하지 않으면 그 결과를 볼 수 없고 시장도 계속 변하므로, 단순 과거평균이 아니라 제한된 실험과 업데이트가 필요하다. 실제 보상함수·라우팅 대상·P&L은 공개되지 않았다.
국내 국고채·회사채 주문에서는 체결가격, 응답시간, mark-out, 정보노출과 재고 DV01을 합친 목적함수를 정의한다. 과거 주문으로 반사실 평가를 한 뒤 탐색률과 주문크기를 제한한 shadow·canary 단계에서만 실시간 적응을 허용한다.
Two Sigma는 데이터를 코드처럼 버전·시험·재생한다
Two Sigma의 데이터 엔지니어링 글은 데이터셋과 처리 인프라를 함께 버전 관리해 과거 상태를 재생하고, Terraform·dbt·CI/CD로 파이프라인 선언과 SQL 시험, 품질 커버리지를 연결하는 방식을 공개한다.
BigQuery로 기반을 중앙화한 뒤 자동 이상탐지, 데이터 검색·문서화와 워크플로 오케스트레이션 도구를 내부에 구축했다. 특정 알파나 손익은 공개하지 않았지만, 스키마 변경·지연·수정치가 조용히 연구와 생산을 갈라놓는 일을 막는 구조는 분명하다.
국내 채권 데이터에는 스키마 계약, 수신시각 기준 버전과 변환코드 해시를 붙인다. 결측·중복·수정률·지연 검사가 실패하면 재학습과 주문배포를 자동 차단하고, 수정 전후 결과를 같은 스냅샷에서 재생할 수 있게 한다.
읽고 나서 남는 질문
국내 채권 AI의 다음 단계는 더 큰 모델보다 공급·정책·제도 상태를 분리하고, 실행 행동과 데이터 계보를 다시 학습 가능한 기록으로 만드는 일이다. 발행·교환·RFQ·체결·mark-out을 공통 사건 ID로 묶고 시점 데이터와 자동시험, 제한적 실험을 지키면 연구→production→P&L 피드백을 빠르게 하면서도 재현성과 통제를 잃지 않을 수 있다.
편집 전 브리핑 원문 펼치기
채권시장 AI 연구 브리핑
2026년 9월 28일
조사 마감: 2026년 9월 28일 06:35 (Asia/Seoul)
원문 열람일: 2026년 9월 28일
중복 점검: 기존 57개 브리핑과 2026년 9월 27일 게시물을 대조했다. 전날의 ECB·뉴욕 연은·Citadel Securities·Two Sigma 인과추론 자료와 겹치지 않는 원문을 선정했다. 4·5번은 채용공고가 아니라 퀀트회사 현직 CIO의 공식 기고와 공식 엔지니어링 글이다. 공개되지 않은 모델·라벨·전략·P&L은 아는 것으로 단정하지 않고 확인 가능한 사실과 공개자료에 근거한 추론을 구분했다.
1. AI 회사채는 신용위험보다 공급·집중 위험에 먼저 가격이 붙는다
구분: 주요 금융보도·AI 인프라 회사채 수급
발표일: 2026년 9월 22일
핵심 요약
Reuters의 최근 회사채 시장 조사에 따르면 하이퍼스케일러의 총 회사채 발행은 2027년 4,200억달러로 2026년 추정치보다 60% 늘어날 전망이다. AI 관련 발행사의 스프레드는 약 115bp로 전체 투자등급 시장의 78bp보다 넓었고, 이는 부도 우려보다 반복적·비예측적 발행과 단일 발행사 집중한도에 대한 보상으로 해석됐다. 보도에 인용된 투자자들은 모회사 보증 데이터센터 조달기구까지 동일 그룹 익스포저로 합산하면 일부 포트폴리오가 단일종목 한도에 근접한다고 설명했다. Alphabet의 8월 딜은 큰 신규발행 프리미엄이 필요했던 반면 Aon의 135억달러 인수금융에는 650억달러 주문이 몰려, 우량등급 안에서도 희소성과 공급경로가 가격을 갈랐다.
실무 시사점
AI 발행사를 등급·레버리지로만 비교하면 공급 캘린더와 포트폴리오 집중이라는 기술적 매도압력을 놓친다. 상대가치 모델에는 발행예고, 최근 누적발행, 계열 특수목적기구, 투자자별 잔여한도와 신규발행 프리미엄을 별도 상태변수로 넣어야 한다.
한국 시장 복제 아이디어
반도체·데이터센터·전력설비 기업의 본사채, 프로젝트금융, 보증채와 유동화를 최종 위험주체 기준으로 다시 묶는다. 발행 전후 민평 대비 스프레드, 주문배수와 유통시장 성과를 추적해 신용위험과 공급·집중 프리미엄을 분리한 AI 인프라 크레딧 바스켓을 만든다.
2. 미 재무부 장기물 바이백 확대는 유동성의 비선형 구간을 겨냥한다
구분: 미 재무부 공식자료·국채 시장미시구조
발표일: 2026년 8월 19일
핵심 요약
미 재무부는 10~20년과 20~30년 명목국채의 유동성 지원 바이백 회당 상한을 20억달러에서 최소 40억달러로 두 배 이상 확대했다. 확대 조치는 2026년 9월 9일부터 11월 4일까지 적용되며, 이후 규모는 다음 분기 차환계획에서 다시 안내한다. 재무부는 장기물 바이백에 양질의 매도제안이 꾸준히 들어온 점을 확대 근거로 들었다. 이는 가격 전망 신호가 아니라 노후·저유동 종목을 매입해 장기물 시장의 거래가능성을 보완하는 시장구조 조치다.
실무 시사점
같은 만기 구간에서도 지표물과 경과물의 유동성·헤지비용·실행가능 가격은 다르다. 바이백 대상 여부, 남은 잔액, 경과일수와 선물 최저가인도채권 연계를 포함하지 않은 장기물 공정가치 모델은 정책 수요에 따른 유동성 프리미엄을 잔차로 오인할 수 있다.
한국 시장 복제 아이디어
국고채 교환·조기상환의 공고일부터 결제일까지 대상종목의 bid–ask, 체결공백, 거래량과 on/off-the-run 스프레드를 사건 패널로 만든다. 단순 평균효과 대신 잔액·만기·딜러재고별 비선형 반응을 추정해 교환 대상 선정과 경과물 호가 모델에 반영한다.
3. 중국 회사채 머신러닝은 제도 변수를 신호로 사용한다
구분: 동료평가 논문·회사채 수익률 예측
발표일: 2026년 3월 (온라인 선공개 2026년 1월 9일)
선정 이유: 최신성보다 한국과 유사한 공매도 제약·정부보증 기대를 다룬 기술적 가치 때문에 선정
핵심 요약
Journal of Banking & Finance에 게재된 연구는 거시지표와 채권·발행사 특성을 함께 사용해 중국 회사채의 횡단면 수익률을 예측하고, 여러 머신러닝 기법이 전통적 선형모형을 통계·경제적 기준 모두에서 앞섰다고 보고한다. 특히 국유기업 비중, 암묵적 정부보증과 빠른 시장구조 변화처럼 중국 특유의 제도적 특성을 비선형 모델이 포착했다. 연구진은 공매도 제약을 반영하기 위해 롱숏뿐 아니라 롱온리 포트폴리오도 비교했다. 공개 초록은 구체적 알고리즘별 성과와 거래비용을 모두 제시하지 않으므로 그 수치나 한국 적용 성과를 추정하지 않는다.
실무 시사점
회사채 예측력은 재무비율만이 아니라 국유·민영 구분, 보증 기대, 유통구조와 공매도 제약 같은 제도적 상태에서 나올 수 있다. 그러나 제도 변수가 과거 수익률을 설명한다는 사실과 미래에도 안정적 알파라는 주장은 다르므로 시점 데이터와 롱온리 비용을 포함한 검증이 필요하다.
한국 시장 복제 아이디어
공기업·민간기업, 그룹 지원, 지급보증, 등급전망, 발행주선과 유동성 변수를 회사채·발행사 특성에 결합한다. 롱숏 가상성과 대신 실제 가능한 매수·교체 포트폴리오를 만들고 민평오차, bid–ask, 보유기간과 매도가능성을 차감한 표본외 성과로 선형모형과 비교한다.
4. Man AHL은 강화학습으로 주문의 최적 경로를 탐색한다
구분: 퀀트회사 공식 CIO 기고·강화학습 집행
발표일: 2024년 3월
선정 이유: 최신성보다 실제 연구검증·주문집행 절차를 공개한 기술적 가치 때문에 선정
핵심 요약
Man AHL의 Russell Korgaonkar CIO는 사람이 정한 파라미터 공간에서 AI가 다수의 약한 신호를 찾되, 무작위 잡음에서도 같은 수의 신호가 나오는지와 정보감쇠·표본외 비율을 확인해야 한다고 설명한다. 신호 1만 개 중 10개만 좋아 보이면 데이터마이닝일 수 있지만 다수가 반복되면 조합한 뒤 보지 않은 데이터에서 일반화를 다시 검증한다는 접근이다. 실행에서는 강화학습 기반 적응형 지능 라우팅이 여러 거래경로 사이의 탐색과 활용을 균형 있게 배분하며, 결과를 선택하기 전에는 관측할 수 없고 시장환경도 변한다는 문제를 다룬다. 회사가 실제 전략·보상함수·라우팅 대상·P&L을 공개하지 않았으므로 구체적인 수익효과는 확인되지 않는다.
실무 시사점
공개자료에 기반한 추론으로 수익 연결고리는 경로별 체결확률·비용을 지속적으로 학습해 동일 주문의 시장충격과 기회비용을 줄이는 데 있다. 다만 탐색 주문은 실제 비용을 만들 수 있으므로 오프라인 반사실 평가, 소규모 canary, 참여율 한도와 kill switch가 필요하다.
한국 시장 복제 아이디어
국고채·회사채 주문을 전자플랫폼, 브로커, 딜러 RFQ로 보낼 때 목표를 단순 체결률이 아니라 체결가격, 응답시간, mark-out, 정보노출과 재고 DV01의 합으로 정의한다. 먼저 과거 주문으로 contextual bandit을 오프라인 평가하고, 탐색률과 주문크기를 엄격히 제한한 shadow·canary 단계에서만 실시간 적응을 허용한다.
5. Two Sigma는 데이터를 코드처럼 버전·시험·재생한다
구분: 퀀트회사 공식 엔지니어링 글·데이터 생산화
발표일: 2025년 11월 13일
선정 이유: 최신성보다 연구 재현성과 생산 장애를 줄이는 구체적 구현 가치 때문에 선정
핵심 요약
Two Sigma의 공식 엔지니어링 글은 데이터와 처리 인프라를 함께 버전 관리하고 Terraform으로 파이프라인을 선언하며 dbt로 SQL을 시험하는 방식을 공개한다. 데이터셋과 인프라 버전을 함께 보존해 과거 상태를 재생하고, CI/CD와 데이터 품질 점검의 커버리지 지표를 연결한다. 회사는 BigQuery로 분산된 기반을 중앙화한 뒤 자동 이상탐지, 데이터 검색·문서화와 복잡한 워크플로 오케스트레이션 도구를 내부에 구축했다고 설명한다. 이는 생산 기반에 관한 확인 가능한 사실이지만 특정 알파·모델·손익 개선폭은 공개되지 않았다.
실무 시사점
연구→생산 성과가 달라지는 가장 흔한 원인은 모델보다 스키마 변경, 지연, 수정치와 계산계보 누락이다. 공개자료에 기반한 추론으로 데이터 계약·자동시험·재생가능 스냅샷은 잘못된 신호의 배포를 막고 장애원인을 빨리 찾아 P&L 피드백 시간을 줄인다.
한국 시장 복제 아이디어
국고채 체결·민평·등급·공시·RFQ 데이터에 스키마 계약과 수신시각 기준 버전을 붙이고, 모든 연구·배포가 데이터 스냅샷과 변환코드 해시를 기록하게 한다. 결측·중복·수정률·지연을 CI에서 검사하고 실패하면 모델 재학습과 주문배포를 자동 차단하며, 수정 전후 결과를 즉시 재생할 수 있게 한다.