실시간 거시빈티지와 뉴스 주제를 그룹화하면 미국 국채 초과수익을 표본 밖에서 예측할 수 있는가?
채권수익률 예측은 나중에 수정된 거시통계를 과거 투자자가 알았던 것처럼 넣으면 쉽게 과장된다. 이 연구는 실제 발표 당시의 125개 월별 거시변수와 180개 뉴스 주제 관심도를 사용했다. 생산·고용·주택·물가와 뉴스의 경제·정치 범주를 미리 정해, 상관이 높은 변수를 그룹 내부에서 압축했다.
Weighted group neural network는 여러 만기의 수익을 함께 학습하되 변동성으로 loss를 정규화한다. 장기채의 큰 변동이 학습을 지배하지 않게 하고, 같은 경제그룹이 만기별 예측에 얼마나 기여하는지 비교한다. 연간 보유기간이 겹치는 수익에서는 전체 표본 밖 결정계수가 7%를 넘었지만 월간 비중첩 수익에서는 증거가 약했다.
중첩 수익의 통계적 적합도를 곧바로 거래성과로 읽을 수 없다. 현실적인 leverage cap과 financing cost를 넣자 portfolio gain은 크게 줄었고 단기만기에서 감소가 더 컸다. 한국시장 검증도 수정 전 빈티지, 비중첩 target, repo 비용과 turnover를 함께 고정해야 architecture가 아니라 실제 정보우위를 측정할 수 있다.
SCOPE미국 국채의 월별 자료와 특정 뉴스 topic panel에 대한 결과다. 중첩수익의 높은 적합도는 관측치 의존성을 포함하며, 비용과 제약을 넣은 실거래 우위는 제한적이었다.
Evidence & verification ↓AI adoption in Europe
Earnings call에서 측정한 AI 익스포저는 유럽 회사채 조달비용과 어떤 관계를 보이는가?
AI를 말하는 기업이 실제로 더 싸게 장기자금을 빌리는지 보려면 단순한 업종평균을 넘어서야 한다. ECB는 earnings call 문맥을 LLM으로 분류해 기업별 AI 익스포저를 만들고, 유로 회사채의 option-adjusted spread와 연결했다. 표본은 잔존만기 1~30년이며 발행액 €1mn을 넘는 채권으로 제한했다.
Expected Default Frequency, leverage, profitability, size, 채권특성과 채권 고정효과를 통제한 추정에서 AI 익스포저는 약 5bp 낮은 OAS와 연관됐다. AI 노출기업은 장기만기 채권 비중도 더 컸다. 분석의 최신 관측치는 2026년 상반기 말이므로 발표시점의 시장단면을 설명한다.
이 결과는 LLM이 찾아낸 AI 언급이 신용비용의 원인임을 뜻하지 않는다. 성장기대, 투자계획과 기업선택이 함께 움직일 수 있고 earnings call 언급은 실제 생산성보다 경영진의 narrative를 반영할 수도 있다. 국내 복제에서는 human review로 분류정확도를 먼저 확인하고 동일 업종·등급·만기의 잔차에서 신호가 남는지 봐야 한다.
SCOPEECB의 기업·채권 단면에서 확인한 조건부 상관이다. LLM 분류와 spread 관계는 AI 투자의 인과효과나 미래 초과수익을 입증하지 않는다.
Evidence & verification ↓전자거래소의 회사채 ML 가격은 어떻게 사전분석에서 자동집행과 사후 TCA까지 이어지는가?
거래가 뜸한 회사채는 최근 체결 하나만으로 현재 bid와 offer를 알기 어렵다. Tradeweb Ai-Price는 public TRACE와 거래소의 proprietary dataset을 결합해 투자등급·하이일드 채권의 intraday 양방향 가격을 만든다. 유럽 credit을 포함한 institutional activity도 실시간 시장상태를 반영하는 입력으로 설명됐다.
같은 추정치는 거래 전 비용과 유동성을 보는 데서 끝나지 않는다. 실행 중 dealer response와 market opportunity를 비교하고 AiEX 자동집행을 지원하며, 거래 뒤에는 TCA와 performance report의 기준이 된다. 가격모형, routing과 결과평가가 한 lifecycle에 놓이면 실제 fill과 markout이 다음 검증자료로 돌아온다.
공개자료는 upgraded model과 더 나은 정확도를 말하지만 오차분포, 비교 benchmark와 실현 saving은 제시하지 않는다. proprietary RFQ flow도 외부에서 재현할 수 없다. 국내 실험은 공개데이터 모형을 기준으로 두고 자체 RFQ를 추가했을 때 MAE뿐 아니라 realized spread와 수동 override가 얼마나 달라지는지 분리해야 한다.
SCOPETradeweb의 회사 공식 제품 발표다. 데이터 흐름과 적용단계는 확인되지만 모델구조, 표본 밖 오차와 고객별 execution improvement는 공개되지 않았다.
Evidence & verification ↓Can you reverse engineer our neural network?
복잡한 신경망 feature를 역공학하는 절차는 거래모델 검증에 무엇을 더하는가?
신경망이 높은 정확도를 내도 어떤 계산을 배웠는지는 별도 문제다. Jane Street는 가중치가 모두 공개된 network를 주고 출력을 역공학하게 했다. 글은 복잡한 모델 feature를 해석할 때 회사 연구에서도 때때로 같은 상황을 마주친다고 밝히며 mechanistic interpretability를 실제 연구과제로 연결한다.
풀이자는 마지막 층의 ReLU 조합이 특정 값과의 일치를 검사한다는 점에서 출발했다. 이후 graph에서 identity node를 합치고 항상 양수인 경로의 ReLU를 제거했다. 조사한 많은 층에서 node의 80%가 identity operation이었고, 이런 축약으로 solver가 다뤄야 할 graph를 크게 줄였다.
축약만으로 solver는 끝내지 못했다. 반복 block이 특정 hash 함수 구조라는 domain hypothesis를 세운 뒤 내부 변수와 neuron을 대응시켜 해법에 도달했다. 거래모델에서도 attribution 하나로 설명이 끝나지 않으며 ablation, graph reduction과 regime counterfactual을 함께 써야 leakage나 shortcut을 찾을 수 있다. 공개 글은 퍼즐과 일반적 연구경험일 뿐 실제 전략 P&L 증거는 아니다.
SCOPE수제로 설계한 퍼즐 network의 역공학 사례다. Jane Street는 실제 연구에서 유사한 해석문제가 있다고만 밝혔으며 거래모델 구조·정확도·성과는 공개하지 않았다.
Evidence & verification ↓When Speed and Scale Collide
실시간 거래 데이터 시스템에서 모델 밖의 지연은 어디서 누적되고 어떻게 측정해야 하는가?
트레이딩 시스템의 속도는 모델 inference 한 구간의 benchmark로 끝나지 않는다. Optiver는 ingestion, query planning, execution, serialization, network transfer와 rendering의 지연이 누적된다고 설명한다. 각 service가 정상이어도 연결된 critical path가 길면 trader가 보는 가격과 risk state는 이미 오래될 수 있다.
작은 데이터에서는 전체를 client memory로 가져와 filtering과 aggregation을 해도 빨라 보인다. 사용자와 view가 늘면 같은 interaction이 중복 query와 data movement를 만들고, 늦게 적용된 filter가 upstream work를 줄일 기회를 잃는다. targeted 또는 subscription-based delivery는 필요한 변화만 보내 이 전송량을 제한하는 선택지다.
글의 결론은 특정 database가 아니라 일을 어디서, 언제, 얼마나 수행할지 결정하라는 것이다. 채권 desk에서는 ingest부터 feature, model, risk check와 UI까지 trace ID를 연결하고 장중 꼬리지연, stale quote와 bytes를 함께 봐야 한다. 회사는 내부 latency나 거래성과를 공개하지 않았으므로 production 원칙을 성과사실로 확대하면 안 된다.
SCOPEOptiver의 일반적인 실시간 데이터 아키텍처 설명이다. 내부시스템의 실제 수치, 모델 latency와 P&L 개선을 공개한 성과보고가 아니다.
Evidence & verification ↓다섯 자료를 관통하는 질문은 모델이 무엇을 맞혔는지가 아니라 그 예측이 당시 이용 가능했던 정보로 만들어져 설명 가능하고 비용·지연을 거쳐 실행됐는지다. 한국 데스크의 첫 실험도 새 architecture보다 vintage, benchmark, trace와 override 기록을 하나의 감사 가능한 경로로 묶는 데서 시작해야 한다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Real-Time Macro Information and Bond Return Predictability: A Weighted Group Deep Learning Approach4 primary · 0 archived +
연구는 당시 이용 가능한 125개 월별 거시시계열의 균형패널을 구성했다.
ORIGINAL PASSAGEbalanced panel of 125 monthly macroeconomic time seriesJournal of Financial Econometrics, Data section, published 2026-09-24, accessed 2026-11-04뉴스 입력은 180개 월별 주제 관심도였다.
ORIGINAL PASSAGE180 monthly news topic attention measuresJournal of Financial Econometrics, Data section, published 2026-09-24, accessed 2026-11-04중첩 초과수익에서 WGNN의 전체 표본 밖 결정계수는 7%를 넘었다.
ORIGINAL PASSAGEexceeding 7%Journal of Financial Econometrics, Abstract, published 2026-09-24, accessed 2026-11-04현실적인 레버리지와 조달비용을 넣자 포트폴리오 이익이 크게 줄었다.
ORIGINAL PASSAGEgains ... shrink sharplyJournal of Financial Econometrics, Abstract and economic evaluation, published 2026-09-24, accessed 2026-11-04AI adoption in Europe4 primary · 0 archived +
통제변수 이후 AI 익스포저는 약 5bp 낮은 회사채 스프레드와 연관됐다.
ORIGINAL PASSAGEaround 5 basis points tighter spreadsECB, AI adoption in Europe, Chart 25 discussion, 2026-10-30, accessed 2026-11-04채권 표본의 잔존만기는 1년부터 30년이었다.
ORIGINAL PASSAGE1–30y residual maturityECB, AI adoption in Europe, Chart 25 note, 2026-10-30, accessed 2026-11-04표본은 발행액 100만유로 초과 채권을 사용했다.
ORIGINAL PASSAGEissued amount above €1mnECB, AI adoption in Europe, Chart 25 note, 2026-10-30, accessed 2026-11-04채권분석의 최신 관측치는 2026년 2분기였다.
ORIGINAL PASSAGElatest observations are for the second quarter of 2026ECB, AI adoption in Europe, Chart 25 note, 2026-10-30, accessed 2026-11-04Tradeweb Enhances Ai-Price, Advancing Corporate Bond Pricing3 primary · 0 archived +
Ai-Price는 public TRACE와 Tradeweb 자체자료를 결합한다.
ORIGINAL PASSAGEintegrating public TRACE data with Tradeweb's proprietary datasetsTradeweb Ai-Price announcement, pricing inputs, 2026-09-22, accessed 2026-11-04Ai-Price는 거래 전·실행 중·거래 후 의사결정에 사용된다.
ORIGINAL PASSAGEpre-trade ... at execution ... post-tradeTradeweb Ai-Price announcement, trading lifecycle paragraph, 2026-09-22, accessed 2026-11-04현재 적용범위는 미국 투자등급과 하이일드 회사채다.
ORIGINAL PASSAGEinvestment-grade and high-yield corporate bondsTradeweb Ai-Price announcement, availability, 2026-09-22, accessed 2026-11-04Can you reverse engineer our neural network?2 primary · 0 archived +
Jane Street는 복잡한 모델 feature를 해석할 때 자사 연구에서도 이런 상황을 접한다고 설명했다.
ORIGINAL PASSAGEa situation we sometimes find ourselves facing in our own researchJane Street Blog, introduction, 2026-02-24, accessed 2026-11-04약 1,500개 층에서 node의 80%가 identity operation이었다.
ORIGINAL PASSAGE80% of the nodes were just performing an identity operationJane Street Blog, Reverse-engineering the program section, 2026-02-24, accessed 2026-11-04When Speed and Scale Collide3 primary · 0 archived +
Optiver는 여러 계층에서 latency가 누적된다고 설명한다.
ORIGINAL PASSAGELatency is cumulative.Optiver, When Speed and Scale Collide, Scale section, 2026-02-10, accessed 2026-11-04설계의 핵심은 계산의 위치와 시점을 정하는 일이라고 설명한다.
ORIGINAL PASSAGEwhere work should happen, when it should happenOptiver, When Speed and Scale Collide, conclusion, 2026-02-10, accessed 2026-11-04대규모 전송의 대안으로 targeted 또는 subscription 기반 전달을 언급한다.
ORIGINAL PASSAGEtargeted or subscription-based deliveryOptiver, When Speed and Scale Collide, Scale section, 2026-02-10, accessed 2026-11-04Show the original briefing text
채권시장 AI 연구 브리핑
2026년 11월 4일
조사 마감: 2026년 11월 4일 06:33 (Asia/Seoul)
원문 열람일: 2026년 11월 4일
중복 점검: 기존 90개 브리핑과 450개 연구의 제목·원문 URL을 대조했다. 전날 자료와 과거에 다룬 BIS Bulletin 140, Optiver의 주문장 딥러닝 글, Jane Street Flex Model은 제외했다. 1~3번은 논문·중앙은행·전자거래소의 원문이고 4~5번은 채용공고가 아닌 Jane Street와 Optiver의 공식 기술 글이다. 공개되지 않은 모델 가중치·비밀전략·위험한도·P&L은 추론하지 않았다.
1. Real-Time Macro Information and Bond Return Predictability: A Weighted Group Deep Learning Approach
구분: 동료평가 연구·실시간 거시빈티지와 국채 초과수익 예측
발표일: 2026년 9월 24일
핵심 요약
Oxford Academic 원문은 당시 이용 가능했던 125개 월별 거시변수와 180개 뉴스 주제 관심도를 경제범주별로 압축하는 weighted group neural network를 제안한다. 1년 보유기간이 겹치는 미국 국채 초과수익에서는 전체 표본 밖 결정계수가 7%를 넘었지만, 1개월 비중첩 수익의 예측력은 약했다. 현실적인 leverage와 financing cost를 넣자 특히 단기채 전략의 경제적 이익이 크게 줄었다.
실무 시사점
모형의 장점은 더 깊은 신경망 자체보다 정보시점과 구조화다. 수정된 최종 거시치 대신 실제 vintage를 쓰고, 상관이 높은 변수를 생산·고용·주택 같은 그룹으로 묶으며, 만기별 변동성 차이를 loss에서 정규화한다. 통계적 예측력과 비용차감 운용성과를 분리했기 때문에 채권 AI의 검증기준으로 활용하기 좋다.
한국 시장 복제 아이디어
ECOS 발표 당시 빈티지, 통화정책·성장·물가 뉴스 주제와 국고채 2·3·5·10년 초과수익을 월별로 정렬한다. Ridge, PCA, 일반 신경망과 그룹 가중 신경망을 expanding window에서 비교하고 비중첩·중첩 표본 밖 결정계수, turnover, leverage cap과 repo 비용을 차감한 certainty-equivalent를 함께 평가한다.
2. AI adoption in Europe
구분: ECB 연설·LLM 기반 AI 익스포저와 회사채 조달비용
발표일: 2026년 10월 30일
핵심 요약
ECB 원문은 earnings call의 AI 언급을 LLM으로 분류해 유로 회사채 조달조건과 연결한다. 신용위험·레버리지·수익성·기업규모·채권특성과 채권 고정효과를 통제한 추정에서 AI 익스포저는 약 5bp 낮은 OAS와 연관됐다. 표본은 잔존만기 1~30년, 발행액 100만유로 초과 채권이며 최신 관측치는 2026년 2분기다.
실무 시사점
LLM score는 earnings call의 문맥을 구조화한 설명변수이지 AI가 스프레드를 5bp 낮춘다는 인과증거가 아니다. 기업의 실제 AI 투자, 성장기대와 sector·credit quality가 함께 움직일 수 있어 fixed effect와 동종기업 비교가 중요하다. 크레딧 desk에서는 LLM 분류의 재현성과 OAS 잔차를 따로 보며 narrative signal이 등급·재무변수 이후에도 남는지 확인해야 한다.
한국 시장 복제 아이디어
국내 상장 회사채 발행사의 실적발표·사업보고서에서 AI 언급을 혁신, 비용절감, 데이터센터 투자와 단순 홍보로 분류한다. 동일 업종·등급·만기·발행규모를 맞춘 민평 대비 스프레드와 실제 거래 OAS를 비교하고, human label 일치도와 다음 분기 spread change의 표본 밖 오차를 평가한다.
3. Tradeweb Enhances Ai-Price, Advancing Corporate Bond Pricing
구분: 전자거래소 공식 발표·회사채 ML 가격과 자동집행
발표일: 2026년 9월 22일
핵심 요약
Tradeweb 원문은 public TRACE와 자체 institutional trading data를 결합해 미국 투자등급·하이일드 회사채의 실시간 bid·offer를 산출하는 Ai-Price 개선을 설명한다. 가격은 사전 비용·유동성 평가, 실행 중 dealer response 비교, AiEX 자동집행과 사후 TCA에 연결된다. 회사는 정확도 개선을 주장하지만 오차표·benchmark·실현 execution saving은 공개하지 않았다.
실무 시사점
수익화 경로는 단일 예측점보다 거래 lifecycle에 있다. 같은 fair-value·bid-offer 추정치를 pre-trade routing, execution guardrail과 post-trade markout에 재사용하면 각 단계의 feedback이 다음 학습자료가 된다. 다만 proprietary flow를 포함한 결과라 TRACE만으로 외부 재현하기 어렵고 회사 설명을 독립 성과검증으로 볼 수 없다.
한국 시장 복제 아이디어
K-Bond·장외체결·민평·전자호가와 자체 RFQ 응답을 결합해 채권별 bid·offer 분포와 체결확률을 예측한다. 민평가·최근체결·공개데이터 모형과 proprietary RFQ 추가모형을 비교해 MAE, quote coverage, realized spread, 5분 markout과 수동 override 비율을 측정한다.
4. Can you reverse engineer our neural network?
구분: Jane Street 공식 기술 글·복잡한 신경망의 mechanistic interpretability
발표일: 2026년 2월 24일
선정 이유: 최신성보다 복잡한 모델 feature를 실제 연구에서 해석하는 절차를 공개한 기술적 가치 때문에 선정했다.
핵심 요약
Jane Street 원문은 가중치가 모두 공개된 수제 신경망을 역공학하는 과정을 통해 mechanistic interpretability 도구를 설명한다. 작성자는 복잡한 모델 feature를 해석할 때 자사 연구에서도 마주치는 문제라고 명시한다. 풀이에서는 동일연산 node를 합치고 범위를 전파해 약 200만 node의 문제를 7만5천 node로 줄였지만, 최종 해법은 구조가 MD5 계산임을 알아낸 뒤에야 가능했다.
실무 시사점
복잡한 network를 성능지표만으로 승인하면 어떤 feature와 오류경로가 출력을 만드는지 알기 어렵다. graph reduction, activation range와 반복 subcircuit 분석은 모델 전체를 설명하지 못해도 비정상 의존성·data leak·취약한 shortcut을 찾는 도구가 된다. 이 글은 퍼즐과 일반적 연구경험을 공개한 것이며 거래모델의 실제 정확도나 P&L을 입증하지 않는다.
한국 시장 복제 아이디어
채권 spread·체결확률 신경망에서 상위 민감 feature와 반복 subgraph를 추출하고, feature ablation·integrated gradients·regime별 counterfactual을 함께 비교한다. 단순 SHAP 설명과 비교해 숨은 미래정보 누출 탐지율, 설명 안정성, 성능저하 없는 pruned node 비율과 risk reviewer의 오류발견 시간을 평가한다.
5. When Speed and Scale Collide
구분: Optiver 공식 기술 글·실시간 거래 데이터 pipeline의 속도와 규모
발표일: 2026년 2월 10일
선정 이유: 최신성보다 연구·트레이더용 데이터 시스템에서 지연이 누적되는 경로를 설명한 production 가치 때문에 선정했다.
핵심 요약
Optiver 원문은 interactive data system의 latency가 ingestion, query planning, execution, serialization, network와 rendering을 거쳐 누적된다고 설명한다. 작은 표본에서 편했던 client-side filtering과 반복계산은 사용자·데이터가 늘면 병목이 되며, targeted 또는 subscription-based delivery가 불필요한 전송을 줄인다. 글은 특정 거래성과보다 work placement와 전체 pipeline 관측의 설계원칙을 공개한다.
실무 시사점
모델 inference만 빠르게 만들어도 trader 화면과 risk gate까지 늦으면 실시간 의사결정은 느리다. feature 생성·query fan-out·serialization·rendering을 한 trace로 연결하고, p50보다 장중 p99와 stale-data 비율을 봐야 한다. 회사는 아키텍처 원칙을 설명했지만 내부 latency 수치나 거래 개선치는 공개하지 않았다.
한국 시장 복제 아이디어
국채선물·국고채·IRS 실시간 dashboard에서 ingest부터 feature, model, risk check와 화면까지 trace ID를 이어 붙인다. client filtering과 server precompute, polling과 subscription을 동일 장중 replay에서 비교해 p50·p99 latency, network bytes, stale quote 비율, CPU cost와 trader refresh 실패율을 측정한다.