여러 전환사채를 한 신경망에 묶으면 다음 날 가격을 random walk보다 잘 맞힐까?
여러 종목을 함께 학습하면 표본이 늘어 개별 전환사채의 과적합을 줄일 수 있다. 연구진은 중국 A주 전환사채 100종목의 73,806개 일별 관측치로 다음 날 가격변화를 예측했다. 시간경계를 purge하고 fold별 전처리와 날짜 cluster HAC를 써서 같은 날의 공통 충격을 독립 표본처럼 세지 않았다.
어려운 비교대상은 전날 가격을 그대로 쓰는 random walk다. 29,514개 holdout에서 이 기준의 RMSE는 2.3577위안이었다. 소형과 대형 MLP ensemble은 각각 이보다 조금 나빴고, block bootstrap도 개선을 확인하지 못했다. 가격수준을 직접 학습했을 때보다 변화분을 목표로 삼았을 때 낫지만, persistence를 넘는 신호는 남지 않았다.
실패는 고르게 분포하지 않았다. 조기상환·전환가 같은 조항과 급격한 투기상태에 민감한 다섯 종목이 신경망 초과 제곱오차의 74.4%를 만들었다. 따라서 전체 RMSE를 낮추기 전에 기초주가와 조항 trigger를 상태변수로 만들고, jump regime의 loss를 별도로 제한하는 편이 실제 hedge와 위험관리에 더 중요하다.
SCOPE중국 거래소 전환사채와 Wind 표본의 연구결과다. 실제 거래비용·헤지 P&L은 검증하지 않았고, 주가정보와 계약사건을 명시적으로 포함하지 않은 모형의 실패를 보여준다.
Evidence & verification ↓초장기 금리의 다음 달 변화를 예측할 때 거시변수와 신경망은 무엇을 더하는가?
장기수렴금리인 UFR은 초장기 국채가 부족하거나 곡선 끝이 불안정할 때 장기 현금흐름을 평가하는 기준이 된다. 연구는 중국 zero-coupon 국채의 2009년 말부터 2024년 말까지 월별 곡선을 이용해 UFR과 초장기 금리의 다음 달 변화량을 예측했다. level이 아닌 변화량을 목표로 해 지속성만 따라가는 착시를 줄였다.
정보집합은 금리곡선과 13개 범주의 거시변수 105개다. 선형 정규화, tree와 여러 신경망을 random walk에 비교했으며, 거시변수를 넣은 세 층 Yield-Macro-Net은 모든 목표에서 표본 밖 결정계수가 15%를 넘었다. 반면 층과 node가 많아질수록 일관되게 좋아지지는 않아 architecture보다 regularization과 정보선택이 중요했다.
SHAP에서는 물가지수·금리·통화신용 범주의 기여가 컸다. 그러나 월별 거시자료는 발표지연과 수정이 있으므로 최신 확정치를 과거시점에 넣으면 성능이 과장된다. 한국 적용에서는 실제 당시 이용할 수 있었던 빈티지로 재구성하고, 예측오차뿐 아니라 초장기채 duration hedge와 curve stress의 안정성을 함께 봐야 한다.
SCOPE중국 국채 월별 자료와 여러 UFR 추정법에 조건부인 연구다. 한국시장 전이성과 실거래비용·포트폴리오 성과는 검증되지 않았다.
Evidence & verification ↓Treasury Issuance and Dealer Balance Sheets
대규모 국채발행은 딜러의 재고와 위험한도를 얼마나 오래 점유하는가?
국채발행이 늘면 최종투자자가 바로 흡수하지 못한 물량과 자금조달이 딜러를 통과한다. 연준은 여러 일별 규제자료, dealer report와 Treasury TRACE를 결합했다. coupon 국채가 발행될 때 딜러의 position·repo·reverse repo를 합친 balance sheet가 약 21센트 늘어나는 평균관계를 추정했다.
재고는 오래 쌓이지 않았다. 딜러들은 auction 전 when-issued 거래로 대부분을 미리 팔고, 배정받은 물량도 auction 뒤 3~5일 안에 거의 모두 처분했다. 다만 reverse repo 증가는 그 주에도 남아 고객이 보유한 신규채권의 자금조달 부담이 outright inventory보다 길게 지속될 수 있었다.
내부 VaR도 공급을 흡수하는 경계를 만든다. 발행액이 $100 billion 늘 때 같은 날 평균 VaR 사용률은 2.5%포인트 높아졌고 MOVE를 통제한 계수는 유의했다. 이는 auction size를 가격입력 하나로 쓰기보다 딜러 재고, repo와 volatility state에 조건부로 해석해야 함을 뜻한다.
SCOPE미국 대형 primary dealer의 평균 회귀관계이며 개별 auction의 인과효과가 아니다. 내부 VaR 표본구성과 한국 PD의 balance-sheet 제약은 다를 수 있다.
Evidence & verification ↓LLM을 투자결정에 연결할 때 raw data와 portfolio manager 사이의 경계는 어떻게 설계되는가?
Man Group은 운용자산 US$213.9bn의 투자회사로, Claude를 자체 기술플랫폼과 연결한다고 발표했다. 목표는 raw dataset과 투자결정 사이에서 코드를 실행하고 결과를 요약·합성해 portfolio team에 전달하는 것이다. LLM을 독립 trader로 두기보다 분석도구와 사람의 판단 사이에 배치한 구조다.
예시 workflow는 재무위험모형, 비정형 communication과 textual information을 자동 보고서와 agentic AI로 처리해 분석 가능한 security universe를 넓힌다. 회사는 이미 AlphaGPT라는 내부 아이디어 생성도구를 만들었고, Skills로 workflow를 자연어에 기술하며 Claude Code로 개발작업을 보조한다고 밝혔다.
공개자료에는 label, 모델평가, 사람의 override 규칙과 실제 alpha가 없다. 따라서 확인 가능한 것은 데이터 접근부터 보고서 생성까지의 운영구조이고 수익효과는 회사의 목표다. 채권데스크에서는 원문 인용, 계산 code, 데이터 snapshot, analyst 승인과 주문권한을 분리해야 환각이나 잘못된 tool call이 포지션으로 번지는 것을 막을 수 있다.
SCOPEMan Group의 공식 파트너십 발표다. 실제 모델, 검증표본, alpha·P&L, 위험한도와 실패율은 공개되지 않았으며 회사의 계획과 자체평가를 독립 성과로 해석할 수 없다.
Evidence & verification ↓수만 종목의 가격예측을 반복하는 ML 연구에서 저장계층은 어떤 production 제약을 푸는가?
XTX는 50,000개가 넘는 금융상품의 가격예측을 거래에 사용하는 알고리즘 회사라고 설명한다. 모델이 늘면서 raw market data부터 GPU job 사이의 단기 random-access file까지 같은 연구계층에서 빠르게 읽어야 했다. TernFS는 이 병목을 외부 storage 제품에 맞추기보다 거래연구의 workload에 맞춰 설계한 시스템이다.
설계목표는 수십 exabyte, 수조 개 file과 수백만 동시 client다. 실제 배포는 30,000개 disk에 500PB 이상을 저장했고 여러 data center에 걸쳐 있었다. metadata shard, cross-directory coordinator, block service와 registry를 분리해 단일 장애점을 피하고 snapshot과 중복저장을 제공한다.
file을 완성한 뒤 directory에 연결하는 immutable 구조는 crash 중간 산출물이 정상 dataset으로 보이는 위험을 줄인다. 반면 작은 file과 제자리 수정에는 맞지 않는다. 채권 연구에서는 저장규모 자체보다 dataset hash와 snapshot을 backtest·model registry에 연결해 같은 입력이 같은 결과를 내는지 검증하는 것이 P&L 추론보다 먼저다.
SCOPEXTX의 공식 기술 글과 공개 source code 설명이다. 저장용량·구조는 확인되지만 모델정확도, 연구회전 개선률, 주문 latency와 전략 P&L은 공개되지 않았다.
Evidence & verification ↓공통된 결론은 복잡성을 늘리는 것보다 누락된 상태와 실제 제약을 먼저 드러내야 한다는 점이다. 조항사건, 거시 빈티지, 재고·VaR, 도구권한과 immutable data가 연결될 때만 표본 밖 성능이 production의 의사결정으로 이어질 수 있다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Cross-Bond Panel Learning for Next-Day Price Forecasting of Chinese Convertible Bonds: A Reality Check3 primary · 0 archived +
연구는 중국 A주 전환사채 100종목의 일별 관측치 73,806개를 사용했다.
ORIGINAL PASSAGE73,806 observations across 100 A-share convertible bondsCross-Bond Panel Learning, Abstract and Section 4.1, arXiv v1, accessed 2026-11-0329,514개 holdout에서 random walk RMSE는 2.3577위안이었다.
ORIGINAL PASSAGE29,514-observation holdout, the random walk achieves an RMSE of 2.3577 CNYCross-Bond Panel Learning, Abstract, arXiv v1, accessed 2026-11-03변동성과 조항민감도가 높은 다섯 채권이 초과 제곱오차의 74.4%를 차지했다.
ORIGINAL PASSAGEaccount for 74.4%Cross-Bond Panel Learning, Abstract and Table 8, arXiv v1, accessed 2026-11-03Ultimate Forward Rate Prediction and its Application to Bond Yield Forecasting: A Machine Learning Perspective3 primary · 0 archived +
중국 zero-coupon 국채 월별 자료는 2009년 말부터 2024년 말까지다.
ORIGINAL PASSAGEspanning from December 31, 2009, to December 31, 2024Ultimate Forward Rate Prediction, Section 3.1, arXiv v1, accessed 2026-11-03거시 입력은 13개 범주의 변수 105개로 구성됐다.
ORIGINAL PASSAGE105 variables from 13 categoriesUltimate Forward Rate Prediction, Section 3.2, arXiv v1, accessed 2026-11-033층 Yield-Macro-Net은 모든 예측에서 표본 밖 결정계수 15%를 넘었다.
ORIGINAL PASSAGEvalues over 15% in all predictionsUltimate Forward Rate Prediction, Table 4 and Section 4.2.3, arXiv v1, accessed 2026-11-03Treasury Issuance and Dealer Balance Sheets4 primary · 0 archived +
coupon 국채 발행 1달러당 딜러 balance sheet는 합계 약 21센트 늘었다.
ORIGINAL PASSAGEincrease by about 21 cents in totalTreasury Issuance and Dealer Balance Sheets, Table 1 discussion, accessed 2026-11-03딜러는 auction 재고를 대체로 3~5일 이내에 거의 모두 매각했다.
ORIGINAL PASSAGEwithin 3 to 5 daysTreasury Issuance and Dealer Balance Sheets, Figure 3 discussion, accessed 2026-11-03회귀에서 발행증가 단위는 1,000억달러였다.
ORIGINAL PASSAGE$100 billion increase in Treasury issuanceTreasury Issuance and Dealer Balance Sheets, Table 3 discussion, accessed 2026-11-03그 증가는 당일 평균 VaR 사용률을 2.5%포인트 높였다.
ORIGINAL PASSAGE2.5 percentage pointsTreasury Issuance and Dealer Balance Sheets, Table 3 discussion, accessed 2026-11-03Man Group teams up with Anthropic to put AI at the centre of investing4 primary · 0 archived +
발표 당시 Man Group의 운용자산은 2,139억달러였다.
ORIGINAL PASSAGEmanages US$ 213.9bnMan Group Anthropic partnership announcement, opening, accessed 2026-11-03Claude는 raw dataset과 투자결정 사이에서 코드를 실행하는 용도로 설명됐다.
ORIGINAL PASSAGEaccessing data through code executionMan Group Anthropic partnership announcement, investment workflow, accessed 2026-11-03투자팀의 자료처리는 자동 보고서와 agentic AI를 포함한다.
ORIGINAL PASSAGEautomated reports and agentic AIMan Group Anthropic partnership announcement, investment workflow, accessed 2026-11-03회사는 AlphaGPT를 자체 alpha 아이디어 생성도구로 소개했다.
ORIGINAL PASSAGEproprietary alpha idea generation tools, like AlphaGPTMan Group Anthropic partnership announcement, CTO quote, accessed 2026-11-03TernFS — an exabyte scale, multi-region distributed filesystem3 primary · 0 archived +
XTX는 5만 개가 넘는 금융상품에 가격예측을 만든다고 설명한다.
ORIGINAL PASSAGEprice forecasts for over 50,000 financial instruments worldwideTernFS, introduction, accessed 2026-11-03TernFS의 설계범위는 수십 exabyte, 수조 file과 수백만 동시 client다.
ORIGINAL PASSAGEscale up to tens of exabytes, trillions of files, millions of concurrent clientsTernFS, design goals, accessed 2026-11-032025년 9월 배포는 3만 disk에 500PB 이상을 저장했다.
ORIGINAL PASSAGE500PB across 30,000 disksTernFS, deployment scale as of September 2025, accessed 2026-11-03Show the original briefing text
채권시장 AI 연구 브리핑
2026년 11월 3일
조사 마감: 2026년 11월 3일 06:29 (Asia/Seoul)
원문 열람일: 2026년 11월 3일
중복 점검: 기존 89개 브리핑과 445개 연구의 제목·원문 URL을 대조했다. 전날의 Tradeweb·ICE·Trumid 가격서비스와 HRT 연구·FPGA 인프라 자료는 제외했다. 오늘 1~3번은 논문과 연준의 원문, 4~5번은 채용공고가 아닌 Man Group과 XTX Markets의 공식 자료다. 공개되지 않은 모델 가중치·위험한도·전략별 P&L은 추론하지 않았다.
1. Cross-Bond Panel Learning for Next-Day Price Forecasting of Chinese Convertible Bonds: A Reality Check
구분: 최신 연구논문·전환사채 패널 신경망의 표본 밖 검증
발표일: 2026년 10월 24일
핵심 요약
arXiv 원문은 중국 A주 전환사채 100종목, 73,806개 일별 관측치로 다음 날 가격변화를 예측하고 random walk와 비교했다. 29,514개 holdout에서 random walk RMSE는 2.3577위안이었고, 소형·대형 MLP ensemble은 각각 2.3619와 2.3645로 더 나빴다. 다섯 개의 변동성 높고 조항 민감한 채권이 신경망의 초과 제곱오차 중 74.4%를 만들었다. 이는 pooled learning이 개별종목 과적합을 줄일 수 있어도 주가·계약사건을 빠뜨리면 전체 가격예측 우위로 이어지지 않음을 보여준다.
실무 시사점
가격수준을 잘 맞추는 것과 random walk보다 다음 날 변화를 잘 맞추는 것은 다른 문제다. 전환사채의 call·put·전환가 조정은 연속적인 기술지표만으로 표현하기 어려워, 조항상태와 기초주가 사건을 별도 feature와 regime으로 넣어야 한다. 전체 RMSE뿐 아니라 종목별 error contribution을 보면 소수의 jump regime이 평균 성능을 망치는지 확인할 수 있다.
한국 시장 복제 아이디어
국내 전환사채의 종가·기초주가·전환가·리픽싱·조기상환·콜 공시를 날짜별 상태로 정렬한다. random walk, 종목별 선형모형과 pooled MLP를 같은 walk-forward split에서 비교하고, 전체 RMSE·종목별 초과오차·조항사건 전후 오차와 비용차감 hedge 결과를 평가한다.
2. Ultimate Forward Rate Prediction and its Application to Bond Yield Forecasting: A Machine Learning Perspective
구분: 연구논문·중국 장기금리와 UFR 머신러닝
발표일: 2025년 12월 20일
선정 이유: 최신성보다 장기금리 목표·거시변수·표본 밖 비교를 함께 공개한 기술적 가치 때문에 선정했다.
핵심 요약
arXiv 원문은 2009년 말부터 2024년 말까지 중국 zero-coupon 국채의 월별 곡선으로 다음 달 UFR 변화와 30·40·50년 금리변화를 예측한다. 13개 범주의 거시변수 105개를 추가한 신경망에서 Yield-Macro-Net 3층 모형은 여섯 목표 모두 random walk 대비 표본 밖 결정계수가 15%를 넘었다. 다만 층과 node를 늘린다고 성능이 단조롭게 좋아지지는 않았고, SHAP에서는 물가지수·금리·통화신용 범주가 상위에 놓였다.
실무 시사점
초장기 금리는 단일 만기의 level보다 장기수렴점의 변화와 곡선의 공동움직임으로 모델링할 수 있다. 이 연구의 성과는 중국 월별 표본과 특정 UFR 추정법에 조건부이므로 한국 30년물에 그대로 이식할 수 없다. 정규화 선형모형과 작은 신경망을 먼저 비교하고, 거시변수의 빈티지와 공개시차를 지켜야 미래정보 누출을 막을 수 있다.
한국 시장 복제 아이디어
국고채 zero curve와 ECOS 거시지표를 월별 빈티지로 저장하고 20·30·50년 금리 및 여러 UFR 추정치의 한 달 변화를 목표로 둔다. random walk·Ridge·작은 MLP를 expanding window에서 비교해 표본 밖 결정계수, Clark-West 검정, DV01 hedge 오차와 SHAP 안정성을 평가한다.
3. Treasury Issuance and Dealer Balance Sheets
구분: 미국 연준 FEDS Note·국채 발행과 딜러 중개제약
발표일: 2026년 10월 30일
핵심 요약
Federal Reserve 원문은 2016년 1월부터 2025년 6월까지 일별 규제자료와 TRACE를 이용해 국채 발행이 딜러 재고·repo·위험한도에 미치는 영향을 추정했다. coupon 국채 1달러 발행 때 딜러 balance sheet는 합계 약 21센트 늘었지만, 딜러들은 auction 물량 대부분을 발행 전에 팔고 3~5일 안에 거의 모두 처분했다. 발행액 1,000억달러 증가는 같은 날 평균 VaR 사용률을 2.5%포인트 높였으며 MOVE를 통제한 결과다.
실무 시사점
발행량은 단순 supply 변수라기보다 딜러의 재고·자금조달·위험한도를 동시에 움직이는 상태변수다. 평균적으로 재고가 빨리 줄어도 repo financing은 더 오래 남을 수 있어 현물 유통과 balance-sheet 부담을 구분해야 한다. 관측된 회귀계수는 미국 primary dealer 구조의 평균관계이며 개별 auction의 인과효과나 한국 시장의 크기를 직접 뜻하지 않는다.
한국 시장 복제 아이디어
국고채 입찰·납입·환매 일정에 PD별 낙찰, 장외체결, repo, 국채선물 basis와 MOVE 대용변수를 붙인다. 발행액과 만기구성으로 auction 전후 재고 반감기, repo 잔류기간과 VaR 대용지표를 예측하고 선형모형·gradient boosting을 시계열 분리해 비교한다.
4. Man Group teams up with Anthropic to put AI at the centre of investing
구분: Man Group 공식 발표·agentic AI와 투자 리서치 workflow
발표일: 2026년 2월 11일
핵심 요약
Man Group 원문은 운용자산 2,139억달러의 투자 플랫폼에 Claude를 연결해 raw data에서 코드 실행, 요약·합성을 거쳐 portfolio team의 판단으로 이어지는 workflow를 설명한다. 재무위험모형·비정형 문서·ad hoc communication을 자동 보고서와 agentic AI로 처리해 더 넓은 security universe를 분석하려 한다. 회사는 기존 AlphaGPT와 Claude Skills·Claude Code를 언급하지만, signal 정확도나 실제 alpha·위험한도는 공개하지 않았다.
실무 시사점
LLM이 곧바로 주문을 내는 구조가 아니라 자료접근, 계산, 근거요약과 사람의 portfolio decision 사이에 놓인 연구도구라는 점이 중요하다. bond desk에서는 원문과 계산결과의 계보, 승인된 도구권한, 재현 가능한 code output과 analyst sign-off가 production gate가 되어야 한다. 이 발표는 회사의 목표와 workflow를 밝힌 1차 자료이지 독립 성과검증은 아니다.
한국 시장 복제 아이디어
국내 회사채 발행문서·등급보고서·실적자료·공시를 agent가 읽고 만기구조, covenant, leverage와 시나리오별 spread 입력을 구조화하게 한다. 수작업 analyst 기준과 비교해 문서 coverage, 숫자오류, 근거링크 정확도, 검토시간과 이후 human override를 측정하며 주문권한은 분리한다.
5. TernFS — an exabyte scale, multi-region distributed filesystem
구분: XTX Markets 공식 기술 글·시장자료와 GPU 연구 저장계층
발표일: 2025년 9월
선정 이유: 최신성보다 ML 연구를 실제 거래예측으로 연결하는 데이터 인프라를 공개한 기술적 가치 때문에 선정했다.
핵심 요약
XTX Markets 원문은 5만 개가 넘는 금융상품의 가격예측에 쓰는 연구데이터를 위해 분산파일시스템 TernFS를 만든 과정을 공개한다. 설계목표는 수십 exabyte, 수조 개 file과 수백만 동시 client이고, 2025년 9월 배포본은 세 data center에서 500PB 이상을 저장했다. 2024년 중반부터 모든 ML workflow가 TernFS를 사용했으며 raw market data와 GPU job 사이의 단기 random-access 자료를 같은 계층에서 다룬다.
실무 시사점
모델개선 속도는 GPU 수뿐 아니라 원시자료 보존, snapshot, 동시읽기와 장애복구에 좌우된다. immutable file은 반쯤 쓴 결과가 연구데이터로 보이는 위험을 줄이지만 작은 file과 제자리 수정에는 비용이 있다. 공개 글은 storage 규모와 설계를 확인시켜 주지만 예측정확도·latency·P&L 개선을 분리해 제시하지 않는다.
한국 시장 복제 아이디어
국고채·회사채·IRS·선물 tick 원본을 immutable object와 날짜별 feature snapshot으로 보관하고 dataset hash를 backtest·model registry에 연결한다. 기존 저장계층과 비교해 재실행 일치율, GPU data-loader 꼬리지연, snapshot 복구시간, PB당 비용과 장애 중 손실된 연구시간을 평가한다.