AI 투자 부채가 회사채와 국채를 한 기대충격으로 묶는다
영란은행 금융정책위원회 기록은 2026년 9월 초까지 세계 AI 관련 부채 발행이 약 4,500억달러로 2025년 전체의 두 배를 넘었다는 시장기관 추정치를 인용한다. 파운드 회사채에서는 AI 하이퍼스케일러가 연초 이후 발행의 47%를 차지했다.
데이터센터의 사모신용, 특수목적기구와 장기 구매계약까지 합치면 위험은 본사채 밖에 분산돼 보이지만 같은 생산성 기대와 가동률에 의존한다. 기대가 꺾이면 관련 회사채의 스프레드뿐 아니라 투자·세수 전망과 장기 국채금리도 함께 재평가될 수 있다.
국내 반도체·데이터센터·전력설비 프로젝트의 회사채, PF, 보증과 임차계약을 공통 프로젝트 ID로 연결한다. 가동률·전력비·차환금리를 함께 충격으로 주어 발행사 신용과 국고채 장기구간의 공동 손실을 측정한다.
국채 공급충격은 유동성이 줄수록 레포금리에 비선형으로 커진다
연준의 레포시장 분석은 일평균 8조달러가 넘는 미 국채 레포에서 같은 발행량도 중앙은행 유동성 수준에 따라 전혀 다른 조달충격을 만든다고 보여준다. 유동성이 GDP의 12%를 넘을 때 500억달러 쿠폰채 순발행 영향은 1bp 미만이지만 10% 아래에서는 거의 10bp였다.
이 비선형성은 현선물 베이시스와 스왑스프레드의 가격차만 보고 포지션을 늘리는 일이 위험한 이유다. 국채 공급, 딜러 재고, MMF 현금과 준비금·ON RRP가 함께 움직이면 레포비용이 특정 구간에서 급격히 뛸 수 있다.
국내에서는 국고채 발행·만기, 은행 준비금, MMF·증권사 현금과 레포금리를 일별로 연결한다. 발행충격의 기울기를 유동성 분위수별로 추정해 현선물 차익거래와 경과물 재고의 조달한도를 동적으로 조정한다.
경과물의 표시 스프레드는 실제 거래비용을 과장할 수 있다
연준의 경과물 국채 연구는 실제 거래자료와 머신러닝을 이용해 표시 bid–ask가 거래비용의 편향된 대리변수임을 보인다. 오래된 경과물에서는 표시 스프레드가 실제 비용을 체계적으로 과장했고 지표물의 유동성에 따라 그 관계도 달라졌다.
거래규모와 비용이 항상 단조롭게 늘지 않았다는 결과는 큰 주문도 상대방과 시점 선택에 따라 유리하게 체결될 수 있음을 뜻한다. 따라서 호가폭 하나보다 체결가격, 주문규모, 지표물 깊이와 미체결을 함께 읽어야 실행가능 비용을 추정할 수 있다.
국고채·회사채에서는 민평 대비 호가, 실제 체결, 주문규모와 동시점 선물·지표물 깊이를 연결한다. 평균비용뿐 아니라 50·90·99분위 슬리피지와 미체결률을 예측해 RFQ 가격과 청산비용에 반영한다.
머신러닝 수익화는 데이터 이해에서 배포 후 피드백까지 이어진다
Jane Street의 공식 ML 글은 금융데이터의 낮은 신호대잡음비와 게임이론적 구조 때문에 표준 알고리즘이 그대로 작동하는 경우가 드물다고 설명한다. 데이터 탐색과 도메인 지식으로 목적함수·근사를 정하고 여러 모델군을 문제에 맞게 수정한다.
검증을 통과한 뒤에도 효율·신뢰성, 치명적 예측오류와 시장 적응을 봐야 한다. 특히 자사 거래가 시장을 바꾼 뒤 다음 모델이 그 주문을 시장의 동의로 오해하면 연구와 생산이 잘못된 피드백 고리에 들어간다. 실제 라벨·포지션·P&L은 공개되지 않았다.
국내 채권 모델의 학습표본에는 자사 주문·체결 영향과 모델 버전을 표시한다. shadow와 제한 canary 단계마다 mark-out·재고 DV01·오류 꼬리와 신호감쇠를 비교하고 자기 주문이 라벨을 오염시키면 재학습을 자동 중지한다.
가격예측과 강화학습 주문전략은 서로 다른 학습문제다
Two Sigma 공식 웨비나는 고빈도 데이터의 가격변동 예측과 강화학습 기반 최적 주문전략을 서로 다른 금융 머신러닝 문제로 제시한다. 전자는 미래 가격을, 후자는 행동이 체결·시장충격·다음 상태를 바꾸는 순차 의사결정을 다룬다.
예측 정확도가 높아도 거래비용과 재고위험을 포함한 최적 집행정책은 아닐 수 있다. 가격모델은 시계열 홀드아웃에서 검증하고, 주문정책은 시장충격을 포함한 시뮬레이션에서 체결·슬리피지·위험을 보상함수로 평가해야 한다. Two Sigma의 실제 전략과 성과는 공개되지 않았다.
국고채선물 방향 신호와 현물·IRS 헤지 주문정책을 분리한다. 집행정책은 체결확률, implementation shortfall, mark-out과 재고 DV01을 목표로 historical replay와 제한적 shadow 실행을 거쳐 승인한다.
Questions to take away
국내 채권 AI의 다음 단계는 방향예측 하나를 고도화하는 일이 아니다. Jane Street가 설명한 실제 ML 배포 과정처럼 자사 주문이 만드는 시장반응을 데이터에 표시하고, 가격예측과 집행정책을 분리하며, 레포 유동성·실제 체결비용·DV01 한도를 독립 통제층에서 묶어야 연구→production→P&L 피드백이 왜곡되지 않는다.
Show the original briefing text
채권시장 AI 연구 브리핑
2026년 10월 4일
조사 마감: 2026년 10월 4일 06:39 (Asia/Seoul)
원문 열람일: 2026년 10월 4일
중복 점검: 기존 60개 브리핑·300개 연구의 제목과 URL을 대조해 전날 ECB·BIS·G-Research·HRT 자료를 제외했다. 1~3번은 중앙은행의 최근 원문과 채권시장 머신러닝 연구, 4~5번은 채용공고가 아닌 퀀트회사 공식 기술자료다. 공개되지 않은 전략·라벨·성과는 확인 가능한 사실과 구분했다.
1. 영란은행: AI 투자 부채가 회사채와 국채를 한 기대충격으로 묶는다
구분: 중앙은행 금융정책위원회 기록·AI 인프라 신용위험
발표일: 2026년 10월 1일
핵심 요약
영란은행 금융정책위원회 기록은 2026년 9월 초까지 세계 AI 관련 부채 발행이 약 4,500억달러로 2025년 전체의 두 배를 넘었다는 시장 추정치를 인용한다. 영국 파운드 회사채에서는 AI 하이퍼스케일러가 연초 이후 발행의 47%를 차지했고, 2026~2028년 데이터센터 설비투자 중 약 7,000억달러가 사모신용으로 조달될 것이라는 전망도 제시한다. 부채·특수목적기구·순환적 계약의 불투명성이 기대수익 실망 때 손실을 키울 수 있으며, AI 생산성 기대가 재평가되면 관련 회사채뿐 아니라 재정전망과 국채시장까지 영향을 받을 수 있다는 경고다. 수치는 위원회의 자체 예측이 아니라 시장기관 추정치임을 구분해야 한다.
실무 시사점
AI 크레딧은 개별 발행사의 등급만으로 관리하기 어렵다. 본사채·프로젝트금융·사모신용·장기 구매계약을 최종 현금흐름 기준으로 연결하고, 생산성 기대 하락이 회사채 스프레드·주식가치·장기 국채금리에 동시에 미치는 경로를 시험해야 한다.
한국 시장 복제 아이디어
국내 반도체·데이터센터·전력설비 프로젝트의 회사채, PF, 보증과 장기 임차계약을 공통 프로젝트 ID로 묶는다. 가동률 하락·전력비 상승·차환스프레드 확대를 함께 주어 발행사 신용과 국고채 장기구간에 전달되는 손실을 네트워크 스트레스로 계산한다.
2. 연준: 국채 공급충격은 유동성이 줄어들수록 레포금리에 비선형으로 커진다
구분: 중앙은행 FEDS Note·레포 및 국채시장 유동성
발표일: 2026년 8월 26일
핵심 요약
연준 FEDS Note는 일평균 8조달러가 넘는 미 국채 레포시장에서 국채 순발행과 연준 유동성이 담보조달비용을 어떻게 바꾸는지 분석한다. 연준 유동성이 명목 GDP의 12%를 넘을 때 500억달러 쿠폰채 순발행이 TGCR–IORB 스프레드에 미치는 영향은 1bp 미만이지만, 유동성이 10% 아래일 때는 거의 10bp로 커졌다. 같은 발행량이라도 준비금과 ON RRP가 줄어드는 구간에서는 딜러 재고·머니마켓펀드 현금·레포금리가 비선형으로 반응한다는 결과다. 분석은 2014년 9월부터 2026년 3월까지의 회귀이며 특정 포지션 수익을 뜻하지 않는다.
실무 시사점
베이시스·스왑스프레드 모델에 국채 발행량만 넣으면 조달상태 전환을 놓친다. 레포 스프레드, 현금공급, 딜러 재고와 중앙은행 유동성의 상호작용을 상태변수로 두고 담보비용이 급변하는 임계구간을 별도로 관리해야 한다.
한국 시장 복제 아이디어
국고채 발행·재정증권·통안채 만기와 은행 준비금, MMF·증권사 현금, 레포금리를 일별로 연결한다. 발행 1조원 증가의 영향이 유동성 분위수별로 달라지는지 상태의존 회귀와 트리모형으로 비교하고, 현선물 차익거래의 조달한도에 직접 반영한다.
3. 연준: 경과물 국채의 표시 스프레드는 실제 거래비용을 과장할 수 있다
구분: 중앙은행 FEDS 연구·머신러닝 및 국채 시장미시구조
발표일: 2025년 7월
선정 이유: 최신성보다 경과물 거래비용의 직접 측정과 머신러닝 활용이라는 기술적 가치 때문에 선정
핵심 요약
연준의 경과물 국채 연구는 포괄적 거래자료와 머신러닝으로 실제 거래비용을 추정하고, 표시 bid–ask가 유동성의 편향된 대리변수라고 보고한다. 오래된 경과물일수록 표시 스프레드가 실제 비용을 체계적으로 과장했고, 같은 경과물도 지표물의 유동성에 따라 표시 스프레드와 체결비용의 관계가 달라졌다. 거래규모와 비용의 관계도 단조롭지 않아 큰 주문이 항상 비례해서 비싸지 않았으며 선택적·기회적 유동성 취득이 관측됐다. 논문은 비용 측정 연구이며 공개 페이지는 구체적 모델 구조와 거래전략 P&L을 모두 공개하지 않는다.
실무 시사점
호가폭만을 라벨로 쓰면 종목별 실행가능 가격을 잘못 학습할 수 있다. 실제 체결가격, 주문규모, 지표물 깊이, 경과일수와 거래상대방을 함께 써서 조건부 비용분포와 미체결확률을 추정해야 한다.
한국 시장 복제 아이디어
국고채 지표·경과물과 회사채에서 민평 대비 호가, 실제 체결, 주문규모와 동시점 선물·지표물 깊이를 연결한다. 평균 슬리피지뿐 아니라 50·90·99분위 비용과 미체결률을 예측해 RFQ 가격과 보유기간별 청산비용에 사용한다.
4. Jane Street: 머신러닝 수익화는 데이터 이해에서 배포 후 피드백까지 이어진다
구분: 퀀트·마켓메이킹 회사 공식 기술블로그·머신러닝 연구 절차
발표일: 2017년 8월 8일
선정 이유: 최신성보다 연구 아이디어→검증→배포→시장 적응의 전 과정을 공개한 기술적 가치 때문에 선정
핵심 요약
Jane Street의 공식 ML 글은 금융데이터의 낮은 신호대잡음비와 게임이론적 구조 때문에 표준 알고리즘이 그대로 작동하는 경우가 드물다고 설명한다. 데이터 탐색과 도메인 지식으로 목적함수·근사를 정하고, 가우시안 프로세스·랜덤포레스트·적응형 회귀 스플라인·유전 알고리즘과 딥러닝을 문제에 맞게 수정해 검증한다고 밝힌다. 배포 단계에서는 효율·신뢰성뿐 아니라 예측오류가 치명적이지 않은지 확인하고, 실제 거래가 시장을 바꾸며 모델이 자기 주문을 시장의 동의로 오해하는 피드백 고리도 통제해야 한다. 일부 딥러닝 아이디어가 생산 전략에 쓰인다는 사실은 공개했지만 구체적 라벨·포지션·P&L은 공개하지 않았다.
실무 시사점
공개자료에 기반한 수익 연결고리는 작은 예측력 자체보다 안전한 포지션 변환과 배포 후 오류·시장적응을 빠르게 감지하는 데 있다. 연구 데이터에 자사 주문이 섞인 경우 정책 변화 전후를 구분하지 않으면 모델이 스스로 만든 가격충격을 알파로 재학습할 수 있다.
한국 시장 복제 아이디어
국고채·회사채 모델의 학습표본에 자사 주문·체결 영향과 모델 버전을 표시한다. shadow→제한 canary→확대 배포마다 mark-out·재고 DV01·오류 꼬리와 신호감쇠를 비교하고, 자기 주문이 특징이나 라벨을 오염시키면 자동으로 재학습을 중지한다.
5. Two Sigma: 고빈도 가격예측과 강화학습 주문전략은 서로 다른 학습문제다
구분: 퀀트회사 공식 웨비나·딥러닝 및 강화학습
발표일: 2022년 8월 23일
선정 이유: 최신성보다 가격예측과 주문집행의 학습목표를 분리해 설명한 기술적 가치 때문에 선정
핵심 요약
Two Sigma 공식 웨비나는 금융 머신러닝을 고빈도 데이터의 가격변동 예측과 강화학습 기반 최적 주문전략이라는 별개의 문제로 다룬다. 전자는 시장상태에서 미래 가격 움직임을 학습하고, 후자는 행동이 체결·시장충격·다음 상태를 바꾸는 순차 의사결정을 학습한다. 따라서 예측 정확도가 높은 모델이 곧 최적 집행정책이라는 보장은 없으며, 주문전략에는 체결·슬리피지·재고·위험의 보상함수와 반사실 평가가 필요하다는 공개자료 기반 해석이 가능하다. 페이지는 연구기회와 공개 발표를 소개할 뿐 Two Sigma의 실제 전략·데이터·성과를 공개하지 않는다.
실무 시사점
방향모델과 집행모델을 하나의 정확도 지표로 승인하면 신호는 맞지만 비용이 더 큰 전략이 배포될 수 있다. 가격예측은 시계열 홀드아웃으로, 집행정책은 시장충격을 반영한 시뮬레이션과 비용·위험 제약으로 독립 검증해야 한다.
한국 시장 복제 아이디어
국고채선물 방향 신호와 현물·IRS 헤지 주문정책을 분리한다. 예측모델은 수익률·베이시스의 표본외 오차로 평가하고, 집행정책은 체결확률·implementation shortfall·mark-out·재고 DV01을 보상으로 삼아 historical replay와 제한된 shadow 실행에서 검증한다.