국채는 언제 주식과 크레딧 위험을 헤지하지 못하는가?
국채가 주식하락을 헤지하려면 주가가 내릴 때 금리도 내려 채권가격이 올라야 한다. 이 글은 일별 주가수익률과 장기금리 변화의 양의 상관을 안전자산 관계로 읽는다. 세 지역 모두 한동안 양의 상관이 뚜렷했지만 최근 구간에는 음수로 돌아섰다.
미국에서는 주식–금리 상관이 2000~2021년 0.40에서 이후 -0.09로 변했다. 저자들은 성장서프라이즈를 통제한 물가 발표 사건연구도 병행했다. 최근 물가서프라이즈에 대한 미국 장기금리 반응은 이전 기간보다 약 세 배 커졌다.
설명은 인플레이션 위험이 커지면 주식과 채권이 같은 충격에 함께 손실을 낼 수 있다는 것이다. 따라서 과거 평균상관으로 듀레이션 헤지를 정하면 전환국면에서 위험을 과소평가한다. 다만 상관과 사건반응은 관측관계이며, 모든 동조화가 물가 하나에서 비롯됐다는 인과추정은 아니다.
SCOPE세 지역의 일별 시장자료와 거시 발표 사건을 이용한 관측연구다. 상관관계의 부호는 표본과 국면에 민감하며 특정 충격의 인과효과를 완전히 식별하지 않는다.
Evidence & verification ↓총준비금이 넉넉해 보여도 왜 일부 은행의 단기조달금리는 먼저 뛸 수 있는가?
연방기금시장의 주요 대출자는 FHLB 같은 비은행이고 주요 차입자는 외국은행 미국지점이지만, 국내은행도 일시적 예금유입을 운용하려고 이 시장을 쓴다. 연구는 소형 국내은행의 요구불예금 변화를 외생에 가까운 자금수요 충격으로 놓고 어느 상대방에게서 얼마나 빌리는지 본다.
같은 예금충격 뒤 비은행 대출자에게서 빌리는 금리는 거의 움직이지 않았고 거래량이 조정됐다. 은행 대출자에게서는 거래량과 함께 금리가 16bp 상승했다. 같은 수요충격도 비은행 공급은 수량으로, 은행 공급은 가격으로 더 크게 조정된 셈이다.
은행 대출자를 상대할 때 차입수요의 금리탄력성은 준비금 비율이 높은 구간 0.15에서 표본의 낮은 구간 약 0.30으로 커졌다. 비은행 대출자에서는 이 변화가 유의하지 않았다. 총준비금이 같아도 은행별 분포와 상대방 구성이 다르면 조달스트레스가 달라질 수 있지만, 표본의 제도와 참가자 구조를 한국 시장에 그대로 옮길 수는 없다.
SCOPE2015년 10월~2024년 1월 미국 연방기금시장 자료를 이용한 국내은행 중심 분석이다. FHLB 중심의 미국 공급구조와 규제환경이 한국과 다르다.
Evidence & verification ↓채권펀드의 현금비율만 보면 환매충격을 충분히 알 수 있는가?
오픈엔드 펀드는 투자자에게 일일 환매를 약속하지만 은행대출과 하이일드채권은 즉시 매도하기 어렵다. 연구는 현금·국채 같은 유동자산 비율과 공정가치 관측이 매우 어려운 자산 비율을 함께 보고, 팬데믹과 관세충격의 환매를 비교한다.
표본기간 은행대출펀드 순자산은 21% 감소했다. 중위 유동성비율은 2024년 이후 비교적 안정됐지만, 비유동성비율은 팬데믹기 수준에 접근했다. 하이일드펀드는 자산규모와 유동성 구성이 상대적으로 안정적이었다.
April 2025에는 유동성이 높은 은행대출펀드의 순유출이 -4.2%로 낮은 펀드의 -2.7%보다 컸고 차이는 유의하지 않았다. 다른 스트레스에서는 반대 패턴이 관찰됐다. 충격의 원인과 투자자 구성이 현금비율보다 중요할 수 있으며, 공정가치 분류만으로는 거래빈도가 낮은 자산의 유동성 전체를 포착하지 못한다.
SCOPE미국 Form N-PORT의 분기자료와 두 펀드군을 분석한 기술적 업데이트다. Level 3는 극단적 비유동성의 부분지표이며 2025년 유출차이는 통계적으로 유의하지 않았다.
Evidence & verification ↓시장 이벤트를 연구용 특징과 실시간 거래 입력으로 어떻게 똑같이 만들 수 있는가?
원시 시장자료는 주문 추가·취소·체결이 이어지는 사건흐름이다. 신경망은 이를 그대로 먹지 못하므로 중간가격, 최근 체결과 중간가격의 차이 같은 수백·수천 개 특징이 필요하다. Flex Model은 특징을 작은 노드로 정의해 시장별로 조합하고, 거래실행 코드와 분리한다.
상태가 필요한 특징에서는 같은 가격의 두 체결도 별개의 사건이다. 엔진은 이벤트마다 상태를 갱신하는 핸들러와 값이 필요할 때만 계산하는 eval을 나눈다. 시작 시 planner가 사건종류와 의존성을 보고 실행순서를 고정하므로, 사용하지 않는 특징이 다른 시장의 지연을 늘리지 않는다.
같은 특징 코드는 과거모드와 실시간모드에서 돌아가 학습·생산 불일치를 줄인다. 핫패스는 사전 할당 메모리만 읽고 쓰며 컴파일러 검사가 할당을 막는다. 비박싱 부동소수를 쓴 한 테스트 재생에서 꼬리지연은 약 25% 줄었고, 현재 여러 거래시스템에서 사용된다. 이는 인프라 사례이지 전략수익 검증은 아니다.
SCOPEJane Street가 공개한 자사 시스템 설계와 한 테스트 재생 결과다. 시장·전략별 모델, 라벨, 지연의 절대값, 실거래 손익과 위험통제는 공개되지 않았다.
Evidence & verification ↓Shining Light into the Machine Learning Black Box
비선형 모델이 만든 포트폴리오 비중과 실현수익을 요인별로 설명할 수 있는가?
기존 선형 성과귀속은 모든 종목에 하나의 글로벌 베타를 적용해 요인 상호작용을 놓친다. SHAP은 협력게임의 기여도 개념을 이용해 각 종목의 비중과 수익률을 요인기여의 합으로 나눈다. 연구는 비중결정 모형과 횡단면 수익률 모형을 따로 적합한 뒤 두 설명을 결합한다.
트리모형에는 TreeSHAP을 사용한다. 수백 종목의 분산 글로벌 포트폴리오 사례에서 XGBoost 같은 트리모형은 비중 설명 R²가 95%를 넘었고 선형모형은 약 60%였다. 국소 상호작용을 잡은 결과지만 높은 R²는 모델이 이미 정해진 비중을 잘 재현했다는 뜻이지 다음달 수익을 맞혔다는 뜻은 아니다.
SHAP 기여는 종목에서 포트폴리오로 합칠 수 있어 비중결정과 실현수익의 차이를 추적하기 쉽다. 동시에 트리모형은 선형회귀보다 과적합하기 쉬워 정규화가 필요하다. 공개 글은 방법과 예시를 설명할 뿐 Man의 비공개 생산모형·위험한도·P&L을 공개하지 않는다.
SCOPEMan Group의 방법론·사례 글이며 발표일은 페이지에서 확인되지 않았다. 제시된 R²는 수백 종목 포트폴리오의 설명모형 적합도이고 예측력이나 거래성과가 아니다.
Evidence & verification ↓한국 시장에서 공통된 과제는 상태를 고정값으로 두지 않는 것이다. 상관은 물가국면에 따라, 조달비용은 상대방에 따라, 환매취약성은 충격과 투자자에 따라 달라진다. 특징과 성과귀속까지 같은 시점 데이터로 재현할 때 모델의 개선과 시장환경의 우연을 구분할 수 있다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Government Bonds’ Safe-Haven Property and Inflationary Pressures4 primary · 0 archived +
표본은 1990년 1월 1일부터 2026년 7월 31일까지 미국·유로지역·영국의 일별 주가수익률과 10년 국채금리 변화를 사용한다.
ORIGINAL PASSAGESample: 1990-01-01 to 2026-07-31.Federal Reserve FEDS Note, Figure 1 note, 16 October 2026, accessed 2026-10-17미국의 주식–금리 상관은 2000~2021년 0.40이었다.
ORIGINAL PASSAGE2000-2021 | 0.40 | 0.41 | 0.31Federal Reserve FEDS Note, Table 1, 16 October 2026, accessed 2026-10-172021년 이후 미국의 주식–금리 상관은 -0.09였다.
ORIGINAL PASSAGE2021-Present | -0.09 | -0.02 | -0.14Federal Reserve FEDS Note, Table 1, 16 October 2026, accessed 2026-10-17최근 미국 장기금리의 물가서프라이즈 반응은 이전 기간보다 약 세 배 컸다.
ORIGINAL PASSAGEabout three times as much as beforeFederal Reserve FEDS Note, discussion of Figure 3, 16 October 2026, accessed 2026-10-17Ripples in the Reserve Pool: Unveiling Liquidity Signals from the Federal Funds Market3 primary · 0 archived +
FHLB는 연방기금 대출의 90% 이상을 공급한다.
ORIGINAL PASSAGEproviding over 90% of total lendingFederal Reserve FEDS Note, Federal Funds Market Structure section, 16 October 2026, accessed 2026-10-17소형은행의 요구불예금 100억달러 증가 때 은행 대출자 조달금리는 16bp 상승했다.
ORIGINAL PASSAGEwith a 16 basis point increase in ratesFederal Reserve FEDS Note, Demand Deposit Shocks section, 16 October 2026, accessed 2026-10-17은행 대출자에 대한 차입수요 탄력성은 준비금이 높은 때 0.15에서 가장 낮은 관측 비율에서 약 0.30으로 커졌다.
ORIGINAL PASSAGEfrom 0.15 at high reserve levels to about 0.30Federal Reserve FEDS Note, Reserve Scarcity section, 16 October 2026, accessed 2026-10-17Liquidity Transformation Risks in U.S. Bank Loan and High-Yield Mutual Funds: A 2026 Update3 primary · 0 archived +
2019년 4분기부터 2025년 4분기까지 은행대출펀드 순자산은 190억달러, 21% 감소해 710억달러가 됐다.
ORIGINAL PASSAGEdeclined by $19 billion (21 percent) to $71 billionFederal Reserve FEDS Note, Market Size section, 19 August 2026, accessed 2026-10-17은행대출펀드의 중위 유동성비율은 2024년 이후 약 4.5%였다.
ORIGINAL PASSAGErelatively stable at about four-and-a-half percent since 2024Federal Reserve FEDS Note, Liquidity Transformation section, 19 August 2026, accessed 2026-10-172025년 4월 유동성이 높은 은행대출펀드의 순유출은 -4.2%, 낮은 펀드는 -2.7%였고 차이는 유의하지 않았다.
ORIGINAL PASSAGEApril 2025 | -4.2 | -2.7 | -1.4Federal Reserve FEDS Note, Table 1 Panel A, 19 August 2026, accessed 2026-10-17Flex Model: an event-driven feature engineering system3 primary · 0 archived +
Flex Model은 시장 이벤트를 수치 벡터로 바꾸며 실제 모델은 수백 또는 수천 개 특징을 쓸 수 있다.
ORIGINAL PASSAGEhundreds, or even thousands, of these featuresJane Street Blog, What is feature engineering?, 13 October 2026, accessed 2026-10-17같은 특징 코드는 실시간과 과거모드에서 실행된다.
ORIGINAL PASSAGEsame feature code ran live and in historical modeJane Street Blog, The early engine and its problems, 13 October 2026, accessed 2026-10-17비박싱 부동소수를 적용한 한 테스트 재생에서 꼬리지연이 약 25% 감소했다.
ORIGINAL PASSAGETail latency dropped about 25%Jane Street Blog, Improving performance, 13 October 2026, accessed 2026-10-17Shining Light into the Machine Learning Black Box3 primary · 0 archived +
프레임워크는 포트폴리오 비중의 의사결정과 횡단면 수익원을 설명하는 두 모형을 적합한다.
ORIGINAL PASSAGEone to explain the decision-making processMan Group, Illustration of SHAP Attribution Framework, accessed 2026-10-17; publication date not stated수백 종목 사례에서 트리모형의 비중 설명 R²는 95%를 넘었고 선형모형은 약 60%였다.
ORIGINAL PASSAGER-squared of over 95% ... versus about 60%Man Group, Enhanced Explanatory Power with SHAP and XGBoost, accessed 2026-10-17; publication date not stated저자들은 트리모형이 선형회귀보다 과적합하는 경향이 있어 정규화가 중요하다고 적었다.
ORIGINAL PASSAGEtree-based models have the tendency to “overfit”Man Group, Enhanced Explanatory Power with SHAP and XGBoost, accessed 2026-10-17; publication date not statedShow the original briefing text
채권시장 AI 연구 브리핑
2026년 10월 17일
조사 마감: 2026년 10월 17일 06:34 (Asia/Seoul)
원문 열람일: 2026년 10월 17일
중복 점검: 기존 73개 브리핑·365개 연구의 원문 URL과 대조했다. 전날의 레포 유동성 프리미엄, BISTRO, agency MBS, Jane Street 인턴 프로젝트, Optiver 저지연 아키텍처와 과거 HRT 벤치마크 글은 제외했다. 1~3번은 연준의 원문 연구이고 4~5번은 채용공고가 아닌 퀀트회사의 공식 기술·리서치 글이다. 공개되지 않은 전략별 라벨·위험한도·P&L은 추론하지 않았다.
1. Government Bonds’ Safe-Haven Property and Inflationary Pressures
구분: Federal Reserve FEDS Note·국채 헤지와 인플레이션 충격
발표일: 2026년 10월 16일
핵심 요약
연준 FEDS Note는 미국·유로지역·영국의 일별 주가수익률과 10년 국채금리 변화를 1990년부터 2026년 7월까지 비교한다. 주식–금리 상관은 2000~2021년 미국에서 0.40이었지만 2021년 이후 -0.09로 바뀌어, 주가가 내릴 때 국채가격도 함께 약해지는 구간이 늘었다. 미국의 물가서프라이즈에 대한 10년 금리 반응계수도 2000~2019년 0.048에서 2021년 이후 0.155로 약 세 배 커졌다. 저자들은 안전자산 성격이 국채의 고정 속성이 아니라 충격의 종류와 인플레이션 환경에 달렸다고 결론짓는다.
실무 시사점
듀레이션을 주식·크레딧 위험의 자동 헤지로 놓으면 인플레이션 충격 국면에서 손실이 겹칠 수 있다. 채권 위험모형은 주식–금리 상관을 고정하지 말고 물가서프라이즈, 성장서프라이즈와 정책국면에 따라 전환시키며, 헤지비율과 손실한도를 같은 상태변수에 연결해야 한다.
한국 시장 복제 아이디어
KOSPI·신용스프레드와 국고채 3·10년 금리의 일별 상관을 롤링 추정하고, 한국 물가·성장 발표의 시장예상 대비 오차를 사건일 변수로 만든다. 고정 상관 모형과 상태전환 모형의 포트폴리오 기대손실·최대낙폭·헤지비용을 비교해 인플레이션 충격에서 듀레이션 헤지가 얼마나 약해지는지 검증한다.
2. Ripples in the Reserve Pool: Unveiling Liquidity Signals from the Federal Funds Market
구분: Federal Reserve FEDS Note·지급준비금 분포와 은행 조달비용
발표일: 2026년 10월 16일
핵심 요약
연준 FEDS Note는 2015년 10월부터 2024년 1월까지 연방기금시장에서 국내은행의 차입행태를 대출자 유형별로 나눴다. 소형 국내은행의 요구불예금이 주간 100억달러 늘 때 비은행 대출자에게서 빌린 규모는 141% 증가했지만 금리는 거의 변하지 않았고, 은행 대출자에게서는 규모가 77% 늘며 금리가 16bp 올랐다. 은행 대출자를 상대로 한 차입수요 탄력성은 준비금 비율이 낮아질수록 0.15에서 약 0.30으로 커졌지만 비은행 대출자에서는 유의한 변화가 없었다. 총준비금만으로는 은행별 유동성 마찰을 놓칠 수 있다는 결과다.
실무 시사점
단기 조달금리의 압력은 시스템 전체 유동성뿐 아니라 누가 자금을 공급하는지에 따라 다르다. 레포·콜 포지션의 스트레스테스트는 총량지표와 함께 대출자 유형, 은행별 예금충격, 준비금 분포를 넣어야 하며, 같은 자금수요도 상대방이 은행일 때 가격탄력성이 더 커질 수 있다.
한국 시장 복제 아이디어
콜·기관간 레포 거래를 은행·증권·자산운용·공공기금 대출자로 분류하고, 은행별 예금·지준 변화와 조달량·스프레드를 연결한다. 상대방별 패널모형과 트리모형을 비교해 지준 하위 분위에서 금리충격을 예측하고, 조달집중도와 헤어컷을 반영한 유동성 한도 경보의 오탐률을 평가한다.
3. Liquidity Transformation Risks in U.S. Bank Loan and High-Yield Mutual Funds: A 2026 Update
구분: Federal Reserve FEDS Note·오픈엔드 채권펀드 유동성
발표일: 2026년 8월 19일
핵심 요약
연준 2026 업데이트는 SEC Form N-PORT로 은행대출펀드와 하이일드채권펀드의 현금성 자산, Level 3 자산과 환매를 추적한다. 2019년 4분기부터 2025년 4분기까지 은행대출펀드 순자산은 190억달러, 21% 줄어 710억달러가 됐고 하이일드펀드는 13% 늘어 2,630억달러가 됐다. 은행대출펀드의 중위 유동성비율은 2024년 이후 약 4.5%로 안정됐지만, 비유동성비율은 2025년부터 팬데믹기 수준에 접근했다. 2025년 4월 관세충격에서는 유동성이 높은 은행대출펀드의 순유출이 오히려 더 컸고 차이도 통계적으로 유의하지 않아, 단일 유동성 비율만으로 환매취약성을 판단하기 어렵다.
실무 시사점
펀드의 현금비중이 높다고 스트레스 매도가 자동으로 줄어드는 것은 아니다. 채권 유동성 모니터링은 현금·국채뿐 아니라 Level 3 자산, 투자자 구성, 환매원인과 현금소진 순서를 함께 추적하고, 관찰된 유출과 보유자산의 시장충격을 분리해야 한다.
한국 시장 복제 아이디어
국내 회사채·대출채권형 펀드의 일별 설정환매, 현금·국채, 거래빈도 낮은 채권, 잔존만기와 투자자 유형을 연결한다. 평시와 금리·크레딧·정책충격을 분리해 다음 5영업일 순유출과 가격충격을 예측하고, 현금비율 단독모형 대비 유동성·투자자 구성 모형의 재현율과 강제매도 규모 오차를 비교한다.
4. Flex Model: an event-driven feature engineering system
구분: Jane Street 공식 기술 블로그·실시간 특징 엔진
발표일: 2026년 10월 13일
핵심 요약
Jane Street 공식 기술 글은 주문 추가·취소·체결 같은 시장 이벤트를 신경망 입력 벡터로 바꾸는 Flex Model을 설명한다. 같은 특징 코드를 과거 재생과 실시간 거래에 사용해 학습·생산 결과를 맞추고, 시작 시 계산계획과 메모리를 준비해 핫패스 할당을 막는다. 단일 시장·전략으로 좁혀 2022년 초 첫 실사용에 들어간 뒤 여러 거래시스템으로 확장됐으며, OxCaml의 비박싱 부동소수를 적용한 한 테스트 재생에서는 꼬리지연이 약 25% 줄었다. 이는 특징 정의와 이벤트 순서, 역사적 재생, 실시간 지연이 하나의 연구→생산 경로로 연결된 사례지만 전략별 라벨과 손익은 공개하지 않는다.
실무 시사점
채권 호가모델의 성능은 특징 공식뿐 아니라 체결·취소 이벤트를 빠짐없이 같은 순서로 재생하는 데 달렸다. 연구용 배치코드와 실시간 특징엔진이 다르면 미래정보 누출과 상태불일치가 생기므로, 동일 코드·고정 데이터 계약·할당 없는 핫패스와 꼬리지연 회귀시험을 생산승격 조건으로 삼아야 한다.
한국 시장 복제 아이디어
국채선물 주문장과 전자채권 호가·체결을 이벤트 원장으로 만들고, 중간가격·주문불균형·최근 체결 대비 가격을 조합식으로 정의한다. 과거 재생과 실시간 shadow가 바이트 단위로 같은 특징을 내는지 확인하며, 기준 엔진 대비 p99.9 지연·메모리 할당·누락 이벤트·체결 후 mark-out을 함께 비교한다.
5. Shining Light into the Machine Learning Black Box
구분: Man Group 공식 리서치·SHAP 포트폴리오 성과귀속
발표일: 미확인 (2026년 10월 17일 열람)
핵심 요약
Man Group 공식 리서치는 SHAP(SHapley Additive exPlanations)을 이용해 종목별 포트폴리오 비중과 횡단면 수익률을 각각 설명한 뒤 성과귀속으로 결합한다. 수백 종목의 분산 글로벌 포트폴리오 사례에서 XGBoost 같은 트리모형은 비중 설명의 R²가 95%를 넘었고 선형모형은 약 60%였다고 보고했다. TreeSHAP은 비선형 상호작용을 종목별·요인별로 배분하지만, 저자들은 트리모형의 과적합 위험과 정규화 필요성도 명시한다. 이 수치는 설명모형의 표본 적합도이지 미래수익 예측력이나 실거래 P&L이 아니다.
실무 시사점
채권 포트폴리오의 비중결정과 실제 수익원은 같은 질문이 아니다. SHAP 귀속은 듀레이션·커브·신용·유동성 요인이 특정 종목의 비중과 실현수익에 어떻게 상호작용했는지 점검하는 데 유용하지만, 높은 설명력은 인과나 시점 외 성과를 보장하지 않으므로 잔차·안정성·과적합을 별도로 감시해야 한다.
한국 시장 복제 아이디어
국고채·은행채·회사채 포트폴리오에 비중모형과 다음달 초과수익 설명모형을 분리한다. 듀레이션·커브·스프레드·호가깊이·발행잔액·수급을 입력해 선형귀속과 TreeSHAP을 비교하고, 시점 외 R²·귀속잔차·요인순위 안정성·스트레스 구간 설명오차를 기준으로 운영 가능성을 판단한다.