딥러닝은 금융시계열이면 어디에서나 전통모형을 이기는가?
새 모델의 성능 차이가 알고리즘에서 왔는지 데이터 정제에서 왔는지 구분하려면 입력부터 같아야 한다. 연구진은 주식·회사채·미 국채·외환·원자재·CDS·옵션에 basis와 은행·중개기관 지표를 더하고, 각 시장의 대표 논문에 맞춰 정제했다. 여러 단변량 방법을 동일 자료와 검증절차에서 비교해 방법군의 순위를 데이터 선택과 분리했다.
결과는 문제별로 갈렸다. 자산 수익률에서는 어느 방법군도 역사적 평균을 일관되게 이기지 못했다. 반면 자금조달 제약과 차익거래 한계를 담은 basis spread는 분기말 계절성과 중기 평균회귀가 남아 있어 분해형·전역학습 모형이 상대적으로 유리했다. 복잡성이 아니라 지속되는 구조가 있는 목표에서 예측력이 나왔다.
따라서 금리방향, 회사채 초과수익과 현선물 basis를 한 리더보드에 놓아서는 안 된다. 수익률은 역사적 평균 대비 표본 밖 성능을, basis는 계절 오차와 회귀속도를 따로 봐야 한다. 연구는 외생변수를 쓰지 않은 단변량 비교이므로 거시·주문흐름을 넣은 실전 모형의 최종 순위를 말하지 않는다.
SCOPE표준화된 단변량 예측 벤치마크이며 외생변수와 다변량 정보는 제외했다. 금융수익률의 부진과 basis의 개선은 모의 예측 결과이지 실거래 P&L이 아니다.
Evidence & verification ↓국채 유동성은 거래참가자와 중앙은행 보유가 늘수록 계속 좋아지는가?
호가가 보이지 않는 장외 국채에서 유동성을 어떻게 잴지가 출발점이다. 연구는 실제 체결가격과 거래량가중 기준가격의 차이를 종목별로 계산하고 그 월중 분산을 유동성 지표로 삼았다. 표본은 BOJ-NET 거래·보유자료의 2015년 10월부터 2024년 9월까지여서 종목·기관·상대방 구성을 함께 볼 수 있다.
Random Forest는 잔존만기, 경과기간, 거래량, 기준가격 변동성, 참가자 구성과 중앙은행 보유를 동시에 받아 가격분산을 설명한다. 연구진은 PDP·상호작용과 SHAP으로 기여를 다시 풀었다. 기준가격 변동성이 가장 큰 동인이었고, 일부 참가자·보유 변수의 중요도는 최근 구간에 커졌다.
가장 중요한 결과는 단조성이 깨진다는 점이다. 외국계 거래비중, 참여기관 수와 중앙은행 보유는 처음에는 유동성에 도움을 주지만 일정 임계점을 넘으면 가격분산이 악화됐다. 이는 예측기여이지 정책의 인과효과가 아니며, 일본 시장의 청산·보유구조를 한국에 그대로 옮길 수 없다는 분명한 한계가 있다.
SCOPE일본 국채의 결제·보유자료를 이용한 설명적 ML 연구다. SHAP와 PDP는 조건부 예측관계를 보이며 중앙은행 거래나 보유 변화의 인과효과를 식별하지 않는다.
Evidence & verification ↓신경망은 일시적 물가충격과 금리결정에 중요한 지속적 추세를 어떻게 나누는가?
전통적인 잠재추세 모형은 추세가 움직였다는 사실은 보여줘도 어떤 경제조건이 움직였는지 말하기 어렵다. Deep-π*는 거시지표를 encoder 또는 인과적 attention으로 압축해 추세의 혁신을 만들고 Shapley 값으로 지표군의 기여를 나눈다. 현재 물가 적합과 향후 물가 예측을 위한 두 손실함수로 서로 다른 추세를 학습한다.
미국 자료에서 선행 추세는 현재 추세보다 여러 달 먼저 정점을 찍었다. 실물활동·고용·통화와 신용이 상승의 주요 기여였고 에너지·원자재의 단기변동은 대부분 통과시켰다. 상호작용과 비선형성이 크다는 결과는 평균 물가뉴스만으로 지속성을 판단하기 어렵다는 뜻이다.
모형은 팬데믹 이후 물가상승 초기에 표준 잠재추세와 전문예측가보다 방향을 빨리 포착했지만, 하락 전환에서는 전문예측가가 앞섰다. 연구진은 매달 재추정해 당시 이용 가능한 정보로 비교했으나 자료 빈티지는 고정한 준실시간 검증이다. 추세 신호는 금리거래 성과가 아니며 회전지연을 별도 위험으로 봐야 한다.
SCOPE미국 물가의 준실시간 모의검증이며 당시 공개된 원자료 빈티지 수정은 완전히 재현하지 않았다. 추세 추정과 설명력은 금리 방향이나 실거래 P&L을 직접 입증하지 않는다.
Evidence & verification ↓과거자료에서 좋은 시장조성 모델이 실거래에서 무너지는 이유는 무엇인가?
보통의 예측은 관찰자가 대상을 바꾸지 않는다고 가정하지만 시장조성은 다르다. 모델이 가격을 내고 거래하려는 순간 경쟁자는 먼저 체결하거나 호가를 거두고 스프레드를 넓힌다. Optiver가 말하는 adversarial research는 모델이 예측하려는 시스템의 일부가 된다는 뜻이다.
역사적 체결만 재생하면 최우선호가가 거래됐다는 사실을 내 주문의 체결로 오인할 수 있다. 실제로는 공격적 주문이 호가를 밀며 들어와 불리한 순간에만 체결됐을 수 있다. 대기열 순서, 지연, 수수료와 거래소 규칙을 넣어도 당시 시장에는 새 전략의 주문과 경쟁자의 반응이 없었으므로 백테스트는 증명이 아니다.
live 배포는 경쟁시스템이 처음 반응하는 시점이고, 모델 열화는 집계 손익보다 먼저 신호분포·체결과 mark-out에서 나타날 수 있다. 따라서 연구는 배포로 끝나지 않고 관찰에서 다시 시작한다. 회사 글은 이 피드백 구조를 공개하지만 구체적인 라벨, 모델구조, kill switch와 전략 P&L은 밝히지 않는다.
SCOPEOptiver의 공식 연구자 설명으로 구체적 모델과 성과자료가 아닌 연구과정 공개다. 시장별 라벨, 생산 위험한도와 P&L은 공개하지 않았으므로 수익화 메커니즘 이상의 추론은 하지 않는다.
Evidence & verification ↓A Machine Learning Approach to Regime Modeling
데이터가 스스로 만든 레짐은 예측신호인가, 위험 시나리오인가?
레짐을 물가상승·위기처럼 먼저 이름 붙이면 연구자의 서사가 분류를 지배할 수 있다. Two Sigma는 팩터 수익률의 결합분포를 Gaussian 성분의 혼합으로 적합하고 log-likelihood 교차검증으로 성분 수를 정했다. 각 성분은 팩터 평균·변동성·상관구조가 다른 상태가 된다.
모형은 네 상태를 만들었고 연구진은 결과를 본 뒤 Crisis, Steady State, Inflation, Walking on Ice라고 해석했다. 이 사후 명명은 데이터 주도 분류에도 사람의 해석이 들어가는 지점을 드러낸다. 각 시점은 과거 상태를 모른 채 독립적으로 평가되므로 지속성이 관측돼도 전이확률을 학습한 것은 아니다.
회사도 이 모형은 예측용이 아니라고 명시한다. 활용처는 상태별 분포에서 충격을 뽑아 포트폴리오를 스트레스하거나 자산배분의 취약성을 점검하는 데 있다. 채권데스크가 전술신호로 쓰려면 HMM 같은 지속성 모형과 비교하고 회전율·거래비용·상태확률 보정을 반드시 별도로 검증해야 한다.
SCOPE오래된 회사 공식 연구 글이며 설명 목적의 역사분석이다. 실제 생산배포, 위험한도, 전략별 P&L을 공개하지 않았고 모형 자체도 미래 시장상태를 예측하지 않는다.
Evidence & verification ↓한국 데스크의 복제 순서는 단순하다. 먼저 목표변수와 비교기준을 고정하고, 실제 체결·보유·데이터 빈티지를 보존한다. 그 다음 비선형 기여와 반사실 집행을 검증하며, 마지막으로 모델 밖 위험한도와 사람의 중단권한을 둔다. 예측점수는 그 사슬의 한 부분일 뿐이다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
An Open Benchmark for Evaluating Time Series Forecasting Methods across Financial Markets2 primary · 0 archived +
벤치마크는 주식·회사채·미 국채 등 일곱 자산군을 포함한다.
ORIGINAL PASSAGEcovering equities, corporate bonds, U.S. Treasuries, foreign exchange, commodities, credit default swaps, optionsOFR Working Paper 26-05, Abstract, page 1, 25 August 2026, accessed 2026-10-22자산수익률은 모든 방법군에서 거의 예측되지 않았다.
ORIGINAL PASSAGEasset returns remain near unforecastable across every method familyOFR Working Paper 26-05, Abstract, page 1, 25 August 2026, accessed 2026-10-22Determinants of Liquidity in the Japanese Government Bond Market: An Interpretable Machine Learning Approach3 primary · 0 archived +
월별 표본은 2015년 10월부터 2024년 9월까지다.
ORIGINAL PASSAGEmonthly indicators from October 2015 to September 2024BOJ IMES Discussion Paper 2026-E-3, Section 2.4, page 15, March 2026, accessed 2026-10-22연구는 Random Forest 뒤에 설명기법을 적용했다.
ORIGINAL PASSAGERandom Forest and then apply model explainability techniquesBOJ IMES Discussion Paper 2026-E-3, Section 3, page 17, March 2026, accessed 2026-10-22일부 변수는 임계점을 넘으면 유동성을 악화시켰다.
ORIGINAL PASSAGEdeteriorates once they exceed certain thresholdsBOJ IMES Discussion Paper 2026-E-3, Abstract, page 2, March 2026, accessed 2026-10-22Deep-π*: A Neural Network Estimate of Trend Inflation3 primary · 0 archived +
두 손실함수는 현재 추세와 선행 추세를 구분한다.
ORIGINAL PASSAGETwo complementary loss functions define a current trendDeep-π*, Abstract, arXiv:2610.26298v1, 19 October 2026, accessed 2026-10-22선행 추세는 현재 추세보다 8~12개월 먼저 정점을 찍었다.
ORIGINAL PASSAGEpeaked eight to twelve months before the current trendDeep-π*, Abstract, arXiv:2610.26298v1, 19 October 2026, accessed 2026-10-22월별 재추정에서 물가예측은 표준 기준모형보다 정확했다.
ORIGINAL PASSAGEthe model forecast inflation more accuratelyDeep-π*, Abstract and Section 7, arXiv:2610.26298v1, 19 October 2026, accessed 2026-10-22Machine learning in trading: an adversarial research problem3 primary · 0 archived +
거래모델은 자신이 예측하려는 시스템의 일부다.
ORIGINAL PASSAGEpart of the system it's trying to predictOptiver, Modelling in a competitive system, 21 October 2026, accessed 2026-10-22백테스트는 실거래 성과의 증명이 아니다.
ORIGINAL PASSAGEEven the best backtest is not a proof.Optiver, Backtesting and the silent counterfactual, 21 October 2026, accessed 2026-10-22거래모델은 배포 뒤에도 계속 갱신된다.
ORIGINAL PASSAGEA trading model is never truly finishedOptiver, Why the research does not stop, 21 October 2026, accessed 2026-10-22A Machine Learning Approach to Regime Modeling3 primary · 0 archived +
GMM은 17개 팩터의 결합분포를 적합했다.
ORIGINAL PASSAGEjoint distribution of all 17 factorsTwo Sigma, Determining the Regimes, 6 October 2021, accessed 2026-10-22GMM 결과는 네 개 시장상태였다.
ORIGINAL PASSAGEfour different clustersTwo Sigma, Four Market Conditions, 6 October 2021, accessed 2026-10-22회사는 이 모형이 예측모형이 아니라고 밝혔다.
ORIGINAL PASSAGEthis model is not predictiveTwo Sigma, Where We Are Today, 6 October 2021, accessed 2026-10-22Show the original briefing text
채권시장 AI 연구 브리핑
2026년 10월 22일
조사 마감: 2026년 10월 22일 06:32 (Asia/Seoul)
원문 열람일: 2026년 10월 22일
중복 점검: 기존 78개 브리핑·390개 연구의 제목과 원문 URL을 대조했다. 전날의 AI 인프라 신용위험, AT1 감독심사 LLM, 책임 있는 AI 관행, Jane Street 시퀀스 가중, G-Research 저장포맷 자료는 제외했다. 1~3번은 원문 논문 전체와 표·조건을 확인했고, 4~5번은 채용공고가 아닌 회사 공식 기술자료다. 공개되지 않은 라벨·위험한도·전략별 P&L은 추론하지 않았다.
1. An Open Benchmark for Evaluating Time Series Forecasting Methods across Financial Markets
구분: U.S. Office of Financial Research Working Paper·금융시계열 예측 벤치마크
발표일: 2026년 8월 25일
핵심 요약
OFR 원문은 주식·회사채·미 국채·외환·원자재·CDS·옵션과 다섯 종류의 basis spread, 은행·중개기관 지표를 동일한 정제 규칙으로 묶고 약 12개 단변량 예측법을 비교한다. 수익률은 어느 방법군에서도 역사적 평균을 안정적으로 이기지 못했지만, basis spread에서는 N-BEATS·N-HiTS·NLinear·TiDE의 표본 밖 결정계수 중앙값이 약 0.63으로 Theta 0.59와 ARIMA 0.57을 앞섰다. 즉 딥러닝의 이점은 시장 전반이 아니라 계절성과 평균회귀가 남은 자금조달 왜곡에서 집중됐다.
실무 시사점
금리·채권 AI를 하나의 리더보드로 평가하면 목적변수에 따른 난이도 차이를 숨긴다. 방향성 수익률은 역사적 평균을 기준으로, CDS-채권·현선물·스왑 basis는 계절 오차와 평균회귀 포착력으로 나눠야 한다. 데이터 정제와 평가척도를 고정한 뒤 모델군을 비교해야 모델의 우월성과 전처리 차이를 구분할 수 있다.
한국 시장 복제 아이디어
국고채 현물-선물, 통안채-IRS, 동일 발행사 현물-CDS와 레포 특수일 스프레드를 표준 패널로 만든다. ARIMA·Theta·선형분해·Transformer 계열을 같은 rolling split에서 비교하고, 수익률은 표본 밖 결정계수, basis는 MASE와 비용차감 회귀속도로 평가한다.
2. Determinants of Liquidity in the Japanese Government Bond Market: An Interpretable Machine Learning Approach
구분: Bank of Japan IMES Discussion Paper·국채 유동성 설명가능 ML
발표일: 2026년 3월 10일
선정 이유: 최신성보다 거래·보유 자료와 비선형 임계값을 함께 보여주는 기술적 가치 때문에 선정했다.
핵심 요약
일본은행 IMES 원문은 2015년 10월부터 2024년 9월까지 BOJ-NET의 개별 JGB 거래·보유 자료로 월별 가격분산을 만들고 Random Forest, PDP, feature interaction과 SHAP으로 결정요인을 분해한다. 기준가격의 역사적 변동성이 가장 큰 동인이었고, 비청산 참가자 거래 및 중앙은행 거래·보유의 기여는 2022년 무렵부터 커졌다. 외국계 거래비중, 참여기관 수와 중앙은행 보유비중은 일정 구간까지 유동성을 개선하지만 임계점을 넘으면 악화되는 비선형 관계를 보였다.
실무 시사점
호가 스프레드만으로 국채 유동성을 재면 실제 체결가격의 분산과 거래상대방 구성을 놓친다. 보유집중과 참여기관 수는 단조로운 설명변수가 아니므로 SHAP 의존도와 상호작용을 확인해야 한다. 다만 가격분산의 예측기여는 인과효과가 아니며, 중앙은행 보유를 임의로 줄였을 때 유동성이 개선된다고 단정할 수 없다.
한국 시장 복제 아이디어
종목별 민평·체결가격 차이의 월중 분산을 목표로 두고 잔존만기, 경과기간, 거래량/발행잔액, 외국인·딜러 거래비중, 참여기관 수와 공공부문 보유대용치를 붙인다. 시계열 순서를 보존한 검증에서 Random Forest와 선형모형을 비교하고 SHAP 임계값이 다른 기간에도 재현되는지 확인한다.
3. Deep-π*: A Neural Network Estimate of Trend Inflation
구분: 최신 연구·신경망 기반 추세물가와 금리상태 추정
발표일: 2026년 10월 19일
핵심 요약
arXiv 원문은 추세물가 혁신을 다수 거시지표의 비선형 함수로 만들고, encoder와 인과적 attention을 통해 현재 추세와 향후 1년 물가를 가장 잘 예측하는 선행 추세를 따로 학습한다. 미국 자료에서 선행 추세는 현재 추세보다 8~12개월 먼저 정점을 찍었고, 실물활동·고용·통화와 신용이 상승을 주도했다. 2020년 말부터 2023년까지 매달 재추정한 준실시간 검증에서는 물가상승 초기에 전문예측가보다 빨리 방향을 잡았지만, 하락 전환은 전문예측가가 더 빨랐다.
실무 시사점
금리데스크에는 헤드라인 물가를 그대로 넣기보다 지속성 상태와 일시적 gap을 분리하는 입력이 유용하다. SHAP 기여도를 이용하면 추세 변화가 고용·신용·실물활동 중 어디에서 왔는지 설명할 수 있지만, 모형의 선행 추세는 거래 가능한 금리예측 자체가 아니다. 특히 후반부 전환 지연은 한 방향의 조기경보가 반대 방향에도 대칭적으로 작동하지 않음을 보여준다.
한국 시장 복제 아이디어
한국 CPI와 ECOS·고용·통화신용 지표로 현재 추세와 12개월 선행 추세를 분리해 월별 빈티지로 재학습한다. 기존 unobserved-components 모형과 AR을 비교군으로 두고 실시간 RMSE·CRPS, 추세회전 지연, 국고채선물 방향·DV01 헤지오차의 추가 개선을 평가한다.
4. Machine learning in trading: an adversarial research problem
구분: Optiver 공식 기술 글·시장조성 ML과 실거래 피드백
발표일: 2026년 10월 21일
핵심 요약
Optiver 원문은 시장조성 ML의 목표를 수백 개의 약한 가격·주문·체결 신호를 결합해 가격, 위험과 집행을 개선하는 것으로 설명한다. 백테스트에는 미래정보 누출뿐 아니라 대기열 순서, 수수료, 지연, adverse selection과 자기 주문이 과거자료에 없었다는 반사실 문제가 있다. 모델이 실제로 주문을 내면 경쟁자가 호가를 빼거나 넓히므로 live 배포 뒤에야 경쟁시스템의 반응을 관찰하고 연구가 다시 시작된다.
실무 시사점
체결된 주문만 긍정 라벨로 두면 가격이 불리해져 다른 참가자가 물러난 adverse fill을 좋은 체결로 오인할 수 있다. fair value, fill probability와 체결 후 mark-out을 함께 평가하고 거래소별 tick·queue·수수료 규칙을 재생해야 한다. 회사 글은 연구-배포-관찰의 구조를 공개하지만 구체적 라벨, 모델, 위험한도와 P&L은 공개하지 않는다.
한국 시장 복제 아이디어
국채선물 L2/L3와 국고채 RFQ 재생환경에서 미체결, 정상체결과 adverse fill을 분리한다. 대기열 추정·왕복지연·수수료·자기 주문 영향을 포함한 시뮬레이터와 단순 mid-price 백테스트를 fill, 1초·10초 mark-out, inventory DV01와 비용차감 손익으로 비교한다.
5. A Machine Learning Approach to Regime Modeling
구분: Two Sigma 공식 연구 글·비지도 레짐과 포트폴리오 위험
발표일: 2021년 10월 6일
선정 이유: 최신성보다 모델 선택·해석·위험활용을 공개한 기술적 가치 때문에 선정했다.
핵심 요약
Two Sigma 원문은 대부분 1970년대 초부터 이어지는 17개 팩터 수익률의 결합분포에 Gaussian Mixture Model을 적용한다. 클러스터 수는 교차검증 log-likelihood로 골랐고, 나온 네 상태를 사후적으로 Crisis, Steady State, Inflation, Walking on Ice로 해석했다. 각 시점을 독립적으로 분류해 전이확률을 학습하지 않으며, 회사도 이 모형은 예측모형이 아니라고 명시하고 시나리오 스트레스와 자산배분 보조에 쓴다.
실무 시사점
레짐 이름을 먼저 정하면 익숙한 거시서사에 데이터를 맞출 위험이 있다. 수익·금리·신용·유동성 팩터의 결합분포를 먼저 묶고 각 상태의 평균·변동성·상관구조를 해석하면 포트폴리오가 같은 충격에 함께 무너지는 경로를 볼 수 있다. 다만 독립 GMM은 지속성과 전이를 직접 학습하지 않으므로 HMM과의 비교가 필요하다.
한국 시장 복제 아이디어
국고 3·10년, 커브·스왑스프레드, 회사채 초과수익, 원/달러, 주식·원자재와 레포 유동성 팩터를 주간 패널로 만든다. GMM과 HMM을 walk-forward로 비교하고 상태 지속성, 전이 보정, 극단손실 포착률, 거래비용을 반영한 전술배분의 회전율을 평가한다.