회사채 밖에도 쌓이는 AI 부채
AI 투자 기대가 회사채와 국채를 함께 움직일 수 있는가?
데이터센터를 건설하는 기업이 직접 회사채를 발행하는 방식 외에 별도 기구와 사모신용을 통해 자금을 조달할 수도 있다. 영란은행 위원회는 이런 여러 경로를 함께 살펴 AI 투자의 금융위험을 평가한다. 모회사 채무만 합산하면 계약과 보증에 연결된 부담을 충분히 포착하지 못할 수 있다.
기록은 2026년 9월 초까지 AI 관련 부채 발행 약 4,500억달러가 2025년 전체의 두 배를 넘었다는 시장 추정치를 인용한다. 파운드 회사채에서 하이퍼스케일러의 연초 이후 비중은 47%다. 2026~2028년 데이터센터 투자 중 사모신용 조달 약 7,000억달러는 장래 전망이다. 위원회의 자체 확정 예측과 시장기관 추정·전망을 구분해야 한다.
AI의 생산성 효과가 예상보다 작다고 재평가되면 기업의 현금흐름 전망이 약해질 수 있다. 위원회는 경제성장과 재정에 대한 기대도 달라져 국채시장까지 영향이 갈 가능성을 제시한다. 이는 여러 자산이 공통 기대충격에 노출되는 경로이며, 회사채 손실이 국채금리를 특정 방향으로 움직인다는 추정식은 아니다.
SCOPE위원회의 정책 위험평가이며 인용된 시장 추정치는 실현값이 아니다. 국채금리의 방향이나 특정 발행사의 부도확률을 제시하지 않는다.
Evidence & verification ↓현금이 줄면 같은 발행도 더 부담됨
국채 순발행의 레포금리 영향은 왜 유동성에 따라 달라지는가?
국채가 새로 발행되면 투자자나 딜러가 이를 보유하기 위한 현금을 마련해야 한다. 레포는 국채를 담보로 그 현금을 빌리는 시장이다. 연준 연구는 국채 공급 증가의 영향이 항상 일정한지, 중앙은행 유동성이 줄어들면 공급을 받아낼 여력도 달라지는지 조사한다.
2014년 9월~2026년 3월 자료에서 연준 유동성을 준비금과 익일물 역레포인 ON RRP로 측정한다. TGCR은 일반담보 레포의 조달금리이고 IORB는 준비금에 지급하는 이자율로 두 금리의 차이를 비교한다. 유동성이 명목 GDP의 12%를 넘으면 500억달러 쿠폰채 순발행의 영향은 1bp 미만, 10% 아래에서는 거의 10bp였다. bp는 비율의 작은 차이를 나타내는 단위다.
새 국채를 받아내는 딜러의 재고가 늘고 머니마켓펀드의 현금 공급이 제한되면 조달금리가 더 민감해질 수 있다. 연구가 보여주는 것은 같은 공급량도 자금의 여유에 따라 부담이 달라진다는 조건부 관계다. 발행규모가 커졌다는 사실만으로 향후 조달금리를 단정하려면 남은 현금과 담보의 상태를 추가로 확인해야 한다.
SCOPE미국의 제도와 표본에서 추정한 관계다. 국내 유동성 지표를 동일하게 정의하거나 계수를 그대로 적용할 수 없다.
Evidence & verification ↓화면의 호가폭과 실제 거래비용
경과물의 표시 호가폭은 실제 거래비용을 잘 나타내는가?
경과물은 최근에 발행된 지표물보다 오래된 국채다. 화면에 표시된 매수·매도 가격의 차이는 유동성을 쉽게 관찰하는 수단이지만, 실제 협의와 체결로 얻는 가격을 그대로 보여주지는 않는다. 연준 연구는 거래자료와 머신러닝으로 실제 비용을 추정해 이 대리변수가 얼마나 정확한지 확인한다.
오래된 종목일수록 표시 호가폭이 체결비용을 체계적으로 과장했다. 같은 경과물에서도 지표물의 유동성이 바뀌면 표시 호가와 비용의 관계가 달라졌다. 따라서 모든 종목에 동일한 비율을 적용해 호가폭을 거래비용으로 바꾸는 방식은 종목과 시장상태의 차이를 지운다.
거래규모와 비용도 일정한 비례관계를 보이지 않았다. 큰 주문이 언제나 비례해서 더 비싼 것은 아니며, 참가자가 유리한 순간과 상대방을 골라 유동성을 취득하는 행동이 관측된다. 이 결과는 비용측정의 개선 필요성을 말한다. 화면의 호가가 넓은 종목을 사면 이익이라는 상대가치 전략까지 검증한 것은 아니다.
SCOPE공개 자료에 없는 알고리즘별 성능이나 수익률을 추정하지 않는다. 거래 선택 때문에 관측 비용과 모든 주문의 잠재 비용은 다를 수 있다.
Evidence & verification ↓모델이 자기 주문을 다시 배우는 순간
배포한 모델이 자신의 주문을 시장정보로 오해할 수 있는가?
금융데이터에서 작은 예측신호를 찾는 동안 다른 참가자도 같은 정보를 보고 행동한다. Jane Street는 낮은 신호대잡음비와 이런 경쟁구조 때문에 일반적인 알고리즘을 그대로 적용하기 어렵다고 설명한다. 데이터 탐색과 시장 지식이 어떤 값을 예측할지, 오류에 어떤 비용을 줄지를 결정하는 과정에 들어간다.
회사는 여러 통계·머신러닝 기법과 딥러닝을 문제에 맞게 수정하고 검증한다고 밝힌다. 배포 판단에는 계산효율과 신뢰성, 잘못된 예측이 큰 손실로 이어질 가능성도 포함된다. 예측오차가 조금 줄었다는 결과만으로 주문을 실행할 준비가 됐다고 판단할 수 없는 배경이다.
실제 주문은 시장의 가격과 거래량을 바꾼다. 이후 모델이 그 변화를 독립적인 시장의 동의로 받아들이면 자기 행동을 강화하는 고리가 생길 수 있다. 공개 글은 이 문제를 통제할 필요를 설명한다. 구체적인 신호나 통제 계수를 공개한 것은 아니므로 생산 활용 사실과 모델별 수익성을 구분해야 한다.
SCOPE공개 회사 설명이며 특정 알고리즘의 인과효과를 추정한 연구가 아니다. 실거래 라벨·포지션·손익은 확인되지 않는다.
Evidence & verification ↓가격예측과 주문결정의 다른 목표
가격예측과 최적 주문은 왜 별도로 평가해야 하는가?
미래 가격이 오를지 맞히는 일과 어떤 가격·수량으로 주문할지 고르는 일에는 서로 다른 정답이 필요하다. Two Sigma의 웨비나는 고빈도 자료를 이용한 가격변동 예측과 강화학습을 이용한 주문전략을 구분한다. 좋은 전망을 갖고 있어도 주문이 체결되지 않거나 비용이 높으면 같은 결과를 얻지 못한다.
가격모형은 시장상태와 이후 움직임 사이의 관계를 학습한다. 주문정책은 행동 이후의 체결, 시장충격, 다음 상태를 고려하는 순차 의사결정을 다룬다. 강화학습은 이런 행동의 누적 결과를 보상으로 평가한다. 따라서 가격방향 예측의 정확도와 주문정책이 얻은 성과를 같은 지표로 비교하기 어렵다.
공개 자료를 국내 검증으로 연결하려면 체결·슬리피지·재고위험을 평가에 넣어야 한다. 특히 실행하지 않은 대안 주문이 어떤 결과를 냈을지 직접 관측할 수 없다는 평가 문제가 남는다. 웨비나는 연구주제와 접근을 소개하며, 실제 보상함수나 전략자료를 제공하지 않으므로 이 단계는 별도의 실험설계가 필요하다.
SCOPE공개 발표의 연구 구분에 근거한 해석이다. Two Sigma의 실제 주문정책·자료·수익률을 복제할 수 있는 공개 명세는 아니다.
Evidence & verification ↓같은 국채 공급도 현금이 적을 때 더 큰 조달부담이 된다. 예측과 주문의 평가를 나눠야 이런 비용 변화가 신호의 성과인지 집행의 문제인지 구별할 수 있다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
회사채 밖에도 쌓이는 AI 부채0 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 ↓현금이 줄면 같은 발행도 더 부담됨0 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 ↓화면의 호가폭과 실제 거래비용0 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 ↓모델이 자기 주문을 다시 배우는 순간0 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 ↓가격예측과 주문결정의 다른 목표0 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 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.