보이지 않는 장기추세의 불확실성은 채권의 기대금리와 기간프리미엄을 어떻게 함께 바꾸는가?
장기금리는 미래 단기금리의 평균과 기간프리미엄으로 나뉘지만 둘 다 보이지 않는 장기추세에 의존한다. 연구는 투자자가 추세 인플레이션, 잠재성장과 장기 정책금리를 직접 알지 못하고 새 거시자료가 나올 때마다 추정치를 갱신한다고 본다. 미국 자료의 표본은 천구백육십일년 3분기부터 이천이십이년 4분기까지이며 칼만필터로 잠재상태와 추정오차를 함께 계산한다.
완전정보 모형에서는 장기추세가 알려져 있지만 실제 투자자는 어느 변화가 일시적이고 어느 변화가 영구적인지 구분해야 한다. 불완전정보 모형에서 자연금리의 신뢰구간은 최대 3.4%포인트까지 넓어졌다. 점추정이 같은 날에도 상태분산이 크면 향후 단기금리 경로에 대한 불확실성과 위험보상이 함께 커질 수 있다는 뜻이다.
모형은 자연금리 불확실성을 채권 위험프리미엄의 저주파 요인으로 연결한다. 이는 단기 정책서프라이즈와 다른 속도로 움직이며 장기채 초과수익의 완만한 변화를 설명한다. 다만 구조모형의 해석이지 독립된 머신러닝 예측이나 실거래 전략 성과가 아니다. 한국 시장에 옮길 때도 잠재상태의 경제적 의미와 빈티지 자료의 수정이 결과를 얼마나 바꾸는지 따로 검증해야 한다.
SCOPE미국 자료를 구조적 자산가격모형으로 설명한 연구다. 상태변수와 위험선호의 식별은 모형 가정에 의존하며, 공개 결과는 특정 채권전략의 독립 백테스트나 실거래 P&L이 아니다.
Evidence & verification ↓토큰화 채권의 낮은 발행비용과 좁은 스프레드는 기술효과인가, 초기 발행사의 선택효과인가?
토큰화는 채권의 발행·등록·결제를 분산원장에 올리는 방식이지만 초기 발행은 무작위로 정해지지 않는다. ECB는 이 선택문제를 줄이기 위해 이천십팔년 팔월부터 이천이십오년 십일월까지 토큰화 채권 183개를 수집하고 약 이십만 개의 전통 채권에서 비슷한 발행을 찾았다. 발행사, 통화, 만기, 쿠폰과 발행규모가 가까운 종목을 매칭해 기술표시 외의 차이를 줄였다.
매칭된 발행에서 토큰화 채권의 발행수익률 스프레드는 평균 0.14%포인트 낮았다. 평균 대비 약 사십 퍼센트 감소라는 계산이지만 인수수수료는 오히려 소폭 높고 통계적으로 유의하지 않았다. 낮은 금리가 모든 발행비용 절감으로 이어졌다고 말할 수 없으며, 발행규모와 시장변동성의 균형도 완전하지 않았다.
유통시장에서는 토큰화 종목의 bid–ask가 27% 낮았지만 소매가 접근할 수 있는 매우 작은 하위표본에서는 부호가 바뀌었다. 거래구조와 투자자 구성이 결과를 좌우할 가능성이 있다는 뜻이다. 이 연구는 초기시장 관측자료의 매칭 비교이며 무작위 실험이 아니다. 표본이 커질 때 효과가 유지되는지와 결제효율이 실제 거래비용으로 전달되는지를 더 확인해야 한다.
SCOPE초기 토큰화 시장의 비무작위 소표본을 매칭한 관측연구다. 발행규모와 시장변동성의 잔여불균형이 있고, 소매접근 결과는 특히 종목 수가 작아 인과효과나 일반적인 유동성 우위로 해석할 수 없다.
Evidence & verification ↓Financial and real effects of fiscal risk
국채금리 상승 가운데 재정위험 충격을 일반 금리충격과 어떻게 구분할 수 있는가?
재정우려와 성장·통화정책 충격은 모두 국채금리를 올릴 수 있다. 연구는 둘을 분리하기 위해 국채와 가장 안전한 비금융 회사채의 반대 움직임을 이용한다. 자료는 이천십년부터 이천이십오년까지 칠십 개 통화의 이십일만오천 개가 넘는 지방정부·국채·공사채·회사채를 포함한다. 국가별로 만기 오년 국채와 가장 낮은 수익률의 회사채 묶음을 비교한다.
재정위험 충격은 국채금리는 오르고 안전 회사채 금리는 내리는 안전자산 이동으로 식별한다. 이후 부호제약과 도구변수를 사용한 로컬프로젝션으로 거시반응을 추정한다. 정규화된 충격 뒤 물가는 먼저 오르고 산업생산은 시차를 두고 약해졌다. 십년 금리는 첫해 0.5~1.0%포인트 올라 단기 재정프리미엄이 장기곡선으로 전달됐다.
반응은 통화정책이 완화적이거나 기존 국가위험이 높은 경우 더 컸다. 이는 같은 재정뉴스도 정책여력과 출발점에 따라 채권가격과 실물에 다르게 번진다는 의미다. 다만 안전 회사채 묶음은 재정위험의 완벽한 무위험 대체물이 아니고, 열두 경제 중심의 식별은 부호제약과 유동성 필터에 의존한다. 관측된 날짜에 공식 재정사건 라벨을 붙인 연구도 아니다.
SCOPE안전 회사채 금리를 재정위험과 반대 방향으로 움직이는 기준으로 삼은 구조적 식별이다. 표본은 열두 경제 중심이고 충격 라벨이 직접 관측되지 않아 회사채 선택, 부호제약과 정책국면 분류에 결과가 민감할 수 있다.
Evidence & verification ↓Agency Algorithms and Electronic Liquidity Providers
전자유동성 제공자를 평가할 때 좋은 체결이 좋은 라우팅 때문인지 어떻게 구분할 수 있는가?
브로커 알고리즘이 좋은 유동성 제공자에게 주문을 더 보내면 그 제공자는 더 많은 체결자료를 쌓는다. 이후 높은 체결률을 다시 품질증거로 쓰면 라우팅 결정과 평가자료가 서로를 강화한다. XTX Markets는 부모주문 수준에서 각 단일딜러플랫폼을 따로 분석하고, 체결 후 mark-out처럼 주문선택의 영향을 받는 지표를 무작위 비교군과 함께 보라고 제안한다.
점수표에는 제시수량, 비유동 종목의 호가존재, mid 또는 full spread 체결비중, 시장충격과 fill ratio가 들어간다. 점수가 같은 곳에는 주문을 무작위로 나눠 새 관측을 계속 만든다. 무작위화는 이미 우수하다고 판단한 곳에만 주문이 몰려 비교기회가 사라지는 문제를 줄이며, 운영 중에도 편향이 덜한 재평가를 가능하게 한다.
백서의 이천이십오년 칠월 미국 주식 자료에서는 스트림별 제시수량 차이가 거의 30배였다. 그러나 공개된 사례는 특정 기간의 주식 전자유동성이고 채권 RFQ나 회사 전체 P&L을 보여주지 않는다. 채권시장에 적용할 때는 작은 탐색주문으로 얻는 정보가 추가 스프레드·시장충격 비용보다 큰지 먼저 측정하고, 리스크 한도 밖의 무작위 주문은 허용하지 않아야 한다.
SCOPEXTX Markets가 공개한 미국 주식 단일딜러플랫폼 운영자료와 설계 제안이다. 채권시장, 다른 브로커의 전체 주문흐름, 모델 세부와 P&L은 공개하지 않으므로 실제 채권 수익화 효과로 일반화할 수 없다.
Evidence & verification ↓인플레이션을 예측하지 않고도 국면별 상대수익을 학습해 포트폴리오를 만들 수 있는가?
이 연구가 맞히려는 것은 다음 달 물가수치가 아니다. 이미 고물가 또는 저물가 국면이 주어졌을 때 어떤 종목이 상대적으로 더 강한지를 예측한다. LightGBM 입력에는 과거 종목수익, 섹터·스타일, 재무와 애널리스트 전망이 들어가며, 매 시점에는 당시 이용 가능했던 과거 자료만 사용한다. 초기 학습 뒤 시점을 앞으로 이동시키는 방식으로 미래정보 유입을 막는다.
보통의 평균제곱오차는 중앙부 관측을 많이 맞히는 데 유리하다. 연구는 포트폴리오 선택에 중요한 극단수익을 잘못 분류할 때 더 큰 손실을 주도록 목적함수를 바꿨다. 예측순위 상위 십 퍼센트의 유동성 높은 대형주를 고르고 시장베타를 중립화했다. 고물가와 저물가 사이의 월평균 활동수익 차이는 약 0.8%로 보고됐다.
저자들은 이 포트폴리오가 알파를 추구하는 전략이 아니라고 명시한다. 표본도 이천오년 이후라 천구백칠십년대와 팔십년대의 고물가를 포함하지 않으며, 주식 결과를 회사채에 그대로 옮길 수 없다. 채권 복제에서는 국면을 사후 확정하지 않고 실시간으로 정의하고, 스프레드 초과수익과 거래비용을 표적으로 둔 기준모형과 비교해야 한다.
SCOPE미국 대형주를 대상으로 한 설명용 연구이며 표본은 이천오년 이후다. 실제 운용상품, 채권성과, 거래비용 이후 P&L을 공개하지 않고 인플레이션 자체를 예측하는 모형도 아니다.
Evidence & verification ↓다섯 자료를 잇는 공통점은 불확실성을 지우지 않고 측정 대상으로 남긴다는 데 있다. 숨은 장기추세에는 상태분산이, 신기술과 재정충격에는 적절한 비교군이, 전자집행에는 무작위 탐색이 필요하다. 한국 채권 데스크에서도 예측값 하나보다 그 값이 어떤 표본·조건·라우팅에서 나왔는지를 함께 기록해야 의사결정이 재현된다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
When Long-Run Trends Are Unknown: Bond Pricing Implications3 primary · 0 archived +
미국 분기자료 표본은 1961년 3분기부터 2022년 4분기까지다.
ORIGINAL PASSAGEfrom 1961:Q3 to 2022:Q4Federal Reserve Bank of New York Staff Report No. 1187, Section 2, page 19, March 2026, accessed 2026-10-13자연금리 추정의 신뢰구간은 최대 3.4%포인트에 이른다.
ORIGINAL PASSAGEconfidence bands on as wide as 3.4 percentage pointsFederal Reserve Bank of New York Staff Report No. 1187, Abstract, page 1, March 2026, accessed 2026-10-13자연금리 불확실성은 채권 위험프리미엄의 저주파 요인으로 작동한다.
ORIGINAL PASSAGElow-frequency driver of bond risk premiaFederal Reserve Bank of New York Staff Report No. 1187, Section 4.2, page 28, March 2026, accessed 2026-10-13Tokenised bonds: assessing efficiency and liquidity in a nascent market4 primary · 0 archived +
ECB 자료에는 2018년 8월부터 2025년 11월까지 토큰화 채권 183개가 포함된다.
ORIGINAL PASSAGEa dataset comprising 183 tokenised bondsECB Macroprudential Bulletin, Dataset and methodology, April 2026, accessed 2026-10-13매칭 표본에서 토큰화 채권의 발행수익률 스프레드는 평균 0.14%포인트 낮다.
ORIGINAL PASSAGE0.14 percentage points lower on averageECB Macroprudential Bulletin, Table 1 discussion, April 2026, accessed 2026-10-13유통시장 매칭 표본의 bid–ask 감소폭은 27%로 계산된다.
ORIGINAL PASSAGEcorresponding to a 27% reductionECB Macroprudential Bulletin, Table 2 discussion, April 2026, accessed 2026-10-13소매접근 가능 토큰화 채권 하위표본은 매우 작다.
ORIGINAL PASSAGEvery small number of retail-accessible tokenised bondsECB Macroprudential Bulletin, Liquidity robustness discussion, April 2026, accessed 2026-10-13Financial and real effects of fiscal risk3 primary · 0 archived +
원자료에는 2010~2025년의 지방정부·국채·공사채·회사채 21만5천 개 이상이 들어간다.
ORIGINAL PASSAGEover 215,000 local government, sovereign, agency and corporate bondsBIS Working Paper No. 1364, Section 2.1, page 6, June 2026, accessed 2026-10-13국가별 안전 회사채 금리는 수익률이 가장 낮은 20개 채권으로 구성한다.
ORIGINAL PASSAGElowest-yielding 20 bonds to proxy the safest firmsBIS Working Paper No. 1364, Section 2.2, page 7, June 2026, accessed 2026-10-1310년 금리는 재정위험 충격 뒤 첫해 0.5~1.0%포인트 상승한다.
ORIGINAL PASSAGErising by 0.5–1.0pp in the first yearBIS Working Paper No. 1364, Section 4.1, page 18, June 2026, accessed 2026-10-13Agency Algorithms and Electronic Liquidity Providers3 primary · 0 archived +
백서는 단일딜러플랫폼별 객관적 체결자료로 분석할 것을 제안한다.
ORIGINAL PASSAGEanalysis at the individual SDP-level based on objective execution dataXTX Markets, Agency Algorithms and Electronic Liquidity Providers, pages 2–3, August 2025, accessed 2026-10-13무작위화는 유동성 제공자를 운영 중 편향 없이 재평가하는 데 중요하다.
ORIGINAL PASSAGErandomization is critical as it allows unbiased ongoing evaluationXTX Markets, Agency Algorithms and Electronic Liquidity Providers, pages 6–7, August 2025, accessed 2026-10-13공개된 미국 주식 스트림의 최대·최소 제시수량 차이는 거의 30배다.
ORIGINAL PASSAGEalmost 30xXTX Markets, Agency Algorithms and Electronic Liquidity Providers, Figure 8, page 9, August 2025, accessed 2026-10-13A Machine Learning Approach to Constructing an Inflation-Themed Equity Portfolio4 primary · 0 archived +
모형 평가는 각 시점에 이용 가능했던 과거 정보만 사용한다.
ORIGINAL PASSAGEusing historical data onlyTwo Sigma article, Machine learning model section, 26 January 2022, accessed 2026-10-13목적함수는 수익분포 꼬리의 예측오류에 더 큰 가중치를 둔다.
ORIGINAL PASSAGEput more weight on correctly predicting the returns in the tailsTwo Sigma article, Loss function discussion, 26 January 2022, accessed 2026-10-13고물가와 저물가 국면 사이의 월평균 활동수익 차이는 약 0.8%다.
ORIGINAL PASSAGEapproximately 0.8%Two Sigma article, Portfolio results discussion, 26 January 2022, accessed 2026-10-13저자는 제시한 포트폴리오가 알파추구 포트폴리오가 아니라고 명시한다.
ORIGINAL PASSAGEnot an alpha-seeking portfolioTwo Sigma article, Conclusion, 26 January 2022, accessed 2026-10-13Show the original briefing text
채권시장 AI 연구 브리핑
2026년 10월 13일
조사 마감: 2026년 10월 13일 06:32 (Asia/Seoul)
원문 열람일: 2026년 10월 13일
중복 점검: 기존 69개 브리핑·345개 연구와 저장된 원문 URL을 대조했다. 전날의 일본은행 AI 통화정책, AI 시장설계, BIS 금융시장 스트레스 예측, Man Group 연구 검증, Optiver 기업용 AI 자료는 제외했다. 1~3번은 중앙은행 원문이고 4~5번은 채용공고가 아닌 퀀트회사의 공식 자료다. 공개되지 않은 전략·라벨·보유기간·P&L은 추론하지 않았다.
1. When Long-Run Trends Are Unknown: Bond Pricing Implications
구분: 중앙은행 Staff Report·불완전정보와 채권 기간프리미엄
발표일: 2026년 3월
핵심 요약
뉴욕 연은 Staff Report는 투자자가 장기 인플레이션·성장·정책금리의 추세를 직접 보지 못하고 거시자료에서 추정한다고 가정한다. 1961년 3분기부터 2022년 4분기까지의 미국 분기자료를 칼만필터로 추정한 결과, 자연금리의 신뢰구간은 최대 3.4%포인트에 이르렀고 이 불확실성이 기대 단기금리뿐 아니라 장기 채권의 위험프리미엄을 움직였다. 자연금리 하나의 점추정보다 추정오차와 투자자의 학습속도를 함께 가격변수로 봐야 한다는 결론이다.
실무 시사점
장기금리 모델이 자연금리나 추세 인플레이션의 단일 추정치만 쓰면 전망오차가 큰 시기의 기간프리미엄을 정책기대 변화로 잘못 읽을 수 있다. 필터의 상태분산과 서베이 전망분산을 금리곡선 설명변수와 포지션 한도에 함께 반영할 필요가 있다.
한국 시장 복제 아이디어
한국의 잠재성장률·중립금리·장기 기대인플레이션을 실시간 빈티지 자료로 상태공간모형에 넣는다. 점추정만 쓴 기준모형과 상태 불확실성을 포함한 모형을 비교해 국고채 10년–3년 스프레드, 스왑스프레드와 초과수익의 표본 밖 오차 및 꼬리손실을 평가한다.
2. Tokenised bonds: assessing efficiency and liquidity in a nascent market
구분: ECB Macroprudential Bulletin·토큰화 채권 발행비용과 유동성
발표일: 2026년 4월
핵심 요약
ECB 분석은 2018년 8월부터 2025년 11월까지의 토큰화 채권 183개와 약 20만 개의 전통 채권을 모아 유사한 발행을 매칭했다. 매칭 표본에서 토큰화 채권의 발행수익률 스프레드는 평균 0.14%포인트 낮았지만 인수수수료 차이는 통계적으로 유의하지 않았다. 2022~2025년 유통시장 패널에서는 bid–ask가 27% 낮았으나 소매 접근 가능 채권의 작은 하위표본에서는 방향이 뒤집혀, 토큰화 자체의 효과로 단정하기 어렵다.
실무 시사점
분산원장 사용 여부만 비교하면 발행사 신용도, 통화, 만기, 발행규모와 시장변동성의 선택효과를 기술효과로 오인한다. 발행비용과 유통유동성은 같은 매칭 규칙으로 보되, 소매접근성과 거래빈도처럼 결과를 뒤집는 조건도 별도 층으로 남겨야 한다.
한국 시장 복제 아이디어
국내 토큰증권형 채권과 동일 발행사의 전통 채권을 통화·만기·쿠폰·규모·발행월로 매칭한다. 발행 스프레드·인수비용·결제실패·bid–ask·거래공백을 함께 비교하고, 기관전용과 소매접근 가능 종목을 나눠 표본확대 때 추정치가 유지되는지 확인한다.
3. Financial and real effects of fiscal risk
구분: BIS Working Paper·재정위험 식별과 국채·회사채 가격
발표일: 2026년 6월 28일
핵심 요약
BIS Working Paper No. 1364은 2010~2025년 70개 통화의 21만5천 개가 넘는 채권에서 국채금리가 오르고 가장 안전한 회사채 금리가 내리는 날을 재정위험 충격으로 식별한다. 12개 경제의 월별 패널에서 5년 국채금리 1%포인트 충격 뒤 물가는 첫 10개월 동안 약 1~1.5% 높아졌고, 산업생산은 16~18개월 뒤 감소로 돌아섰다. 장기금리는 첫해 0.5~1.0%포인트 상승했으며 완화적 통화정책과 높은 기존 국가위험에서 반응이 더 컸다.
실무 시사점
국채와 안전 회사채가 같은 방향으로 움직이는 일반 금리충격과 서로 반대로 움직이는 재정위험·안전자산 이동을 구분할 수 있다. 신호는 국채 절대금리보다 안전 회사채 대비 상대움직임으로 만들고 통화정책 발표와 경매 충격을 통제해야 한다.
한국 시장 복제 아이디어
국고채 5년과 최저수익률 우량 회사채·공사채 묶음의 일별 변화를 만들고 부호제약으로 재정위험 후보일을 식별한다. 이후 물가·산업생산·장단기금리 반응을 로컬프로젝션으로 추정하되 채권편입 규칙, 유동성 필터와 통화정책 국면을 바꿔 결과의 견고성을 확인한다.
4. Agency Algorithms and Electronic Liquidity Providers
구분: 퀀트회사 공식 백서·전자유동성 제공자 평가와 라우팅 실험
발표일: 2025년 8월
선정 사유: 최신성보다 실제 전자유동성 데이터의 선택편향과 무작위 비교를 공개한 기술적 가치 때문에 선정
핵심 요약
XTX Markets 공식 백서는 브로커 알고리즘이 단일딜러플랫폼별 체결자료로 전자유동성 제공자를 평가하는 절차를 공개한다. 기존 라우팅이 좋은 곳에 더 많은 주문을 보내면 관측된 fill과 mark-out이 선택편향을 포함하므로, 부모주문 수준의 A/B 테스트와 동점 주문의 무작위 배분이 필요하다고 설명한다. 2025년 7월 미국 주식 운영자료에서는 다섯 브로커의 mid 유동성 접근성과 제시수량이 크게 달랐지만, 이는 회사가 공개한 주식시장 사례이며 채권 성과나 전체 P&L이 아니다.
실무 시사점
호가가 좋아 보여서 주문을 더 준 뒤 높은 체결률을 다시 품질증거로 쓰면 라우팅과 평가가 서로를 강화한다. 제공수량, 비유동 종목 커버리지, mid 체결비중, fill ratio와 체결 후 mark-out을 같은 점수표에 두고 일부 주문을 무작위 비교군으로 남겨야 한다.
한국 시장 복제 아이디어
국고채·회사채 RFQ와 스트리밍 호가에서 딜러별 응답·수량·체결·mark-out을 부모주문 ID로 연결한다. 대부분은 기존 최적 라우팅을 유지하되 작은 무작위 탐색군을 두고, 탐색비용을 포함한 체결비용과 역선택 개선이 지속될 때만 딜러 배분을 갱신한다.
5. A Machine Learning Approach to Constructing an Inflation-Themed Equity Portfolio
구분: 퀀트회사 공식 연구자료·조건부 수익 예측과 포트폴리오 구성
발표일: 2022년 1월 26일
선정 사유: 최신성보다 시계열 검증·꼬리가중 손실·중립화 과정을 공개한 기술적 가치 때문에 선정
핵심 요약
Two Sigma 공식 연구는 2005년부터 2021년 9월까지의 과거 정보만으로 LightGBM을 학습해 고물가·저물가 국면의 종목별 상대수익을 예측했다. 극단 수익의 오분류에 더 큰 가중치를 주고 약 800개 유동성 높은 미국 대형주 가운데 상위 10%를 선택해 베타중립 포트폴리오를 구성했다. 고물가에서 저물가를 뺀 월평균 활동수익은 약 0.8%였지만 이는 인플레이션 예측이나 실거래 알파 성과가 아닌 설명용 주식 포트폴리오다.
실무 시사점
거시국면을 맞히는 모델과 주어진 국면에서 어떤 자산이 상대적으로 강한지 고르는 모델은 다른 문제다. 채권에서는 인플레이션 전망 자체보다 국면별 초과스프레드 수익을 표적으로 두고, 시계열 walk-forward와 거래비용 이후 성과로 단순 선형모형을 이기는지 확인해야 한다.
한국 시장 복제 아이디어
회사채 종목별 다음 달 국고채 대비 초과스프레드 수익을 라벨로 두고, 물가국면·등급·듀레이션·유동성·발행사 재무를 입력한다. LightGBM 꼬리가중 손실과 선형 기준모형을 확장창으로 비교하고 등급·듀레이션 중립화 뒤 정보계수, turnover, 비용 이후 수익과 하위꼬리 손실을 평가한다.