AI Adoption and the Treasury and Agency MBS Markets
미국 국채와 agency MBS의 AI 실행은 어디까지 왔고, 어떤 통제가 자율화를 제한하는가?
AI는 채권 주문에서 무엇을 실제로 바꾸고 있을까. 자료는 포트폴리오 구성과 헤지 최적화에서 출발해 유동성 평가, routing, order slicing, 시장충격 추정과 결제 예외처리까지 이어지는 workflow를 제시한다. 한 은행에는 160개가 넘는 AI 적용 사례가 배포됐지만, 현재 adoption은 가격과 수량을 확정하는 핵심 의사결정과 여전히 거리를 둔다.
국채에서는 liquidity scoring과 outcome-based routing이 실행비용을 줄일 후보이고, MBS에서는 prepayment·extension risk와 convexity hedge가 중요한 입력이다. 그러나 여러 dealer가 같은 데이터·foundation model·vendor를 쓰면 변동성 확대 때 spread 확대, hedge와 유동성 철회가 같은 방향으로 몰릴 수 있다. 개별 모델의 정확도가 높아도 시장 전체의 capacity는 약해질 수 있다는 뜻이다.
운영통제는 model drift와 concentration을 감시하는 데서 끝나지 않는다. 독립 위험한도, human owner와 결정론적 kill switch가 agentic system 밖에 있어야 한다. 한국 desk의 shadow test도 정상일 평균 체결률뿐 아니라 데이터 단절·동시 주문폭주 때 override가 실제로 주문을 멈추고 복구하는 시간을 측정해야 한다.
SCOPETMPG 회의용 공식 발표자료와 한 은행의 운영사례다. 개별 모델의 label·가중치·실거래 P&L은 공개하지 않았고, 제시된 사용례가 시장 전체 adoption을 대표한다고 단정할 수 없다.
Evidence & verification ↓중앙은행 연설의 LLM stance는 장기금리 모형과 비교해 어떤 정보를 더하는가?
중앙은행의 말은 국채 curve에 들어가기 전에 어떻게 수치가 될까. 연구는 BIS 연설자료의 1996~2025년 표본을 문장 문맥을 보는 LLM과 단어 빈도를 세는 lexicon으로 각각 완화에서 긴축까지 점수화한다. 국가별 발언을 speech-weighted 세계 분기로 모으고, 표본에 포함된 국가 수와 연설 수의 불균형을 함께 공개한다.
두 연설지표의 세계 분기 상관은 0.49다. GFC 이후처럼 비전통적 정책과 조건부 표현이 많아진 시기에는 차이가 커진다. 별도의 semi-structural model은 산출·실업·인플레이션·정책금리와 장기금리를 사용해 자연실질금리, 추세인플레이션, 지속적 premium과 순환요인으로 분해한다.
연설 요인과 모형 요인은 넓게 함께 움직이지만 LLM 쪽이 단기 변동이 크고 때로 먼저 방향을 바꾼다. 저자도 이를 기술적 비교로 제시하므로 선행성이 수익 가능한 인과신호라고 볼 수 없다. 한국 적용에서는 동일 국가 안에서 lexicon·encoder·LLM을 비교하고, 발표 직후 curve 반응과 rolling OOS 오차로 추가정보를 검증해야 한다.
SCOPE국가별 연설 빈도가 다른 speech-weighted 지표이며 LLM과 모형 요인은 각각 표준화됐다. 먼저 전환한 사례는 기술적 관찰이지 통화정책이나 금리의 인과적 선행성을 증명하지 않는다.
Evidence & verification ↓AI 설비투자의 채권·private credit 조달은 어떤 네트워크 위험을 만드는가?
AI boom을 credit 관점에서 보면 누가 누구의 설비와 매출을 보증하는지가 중요하다. IMF는 hyperscaler, GPU·Neocloud, 데이터센터·전력, AI 기업 등 다섯 층의 74개 기업을 하나의 value stack으로 묶고 재무제표와 시장자료를 비교한다. 층별 수익성과 leverage의 차이가 커 단일 tech sector 평균만으로는 취약지점을 찾기 어렵다.
표본 기업의 2023년 이후 채권발행은 오천삼백억 달러를 넘는다. 데이터센터 투자는 hyperscaler 현금흐름뿐 아니라 bilateral credit, private capital, public debt와 securitization으로 조달된다. Public disclosure가 최종 보유자를 충분히 보여주지 않고 off-balance-sheet 약정도 있어 손실이 어느 금융기관에 귀착되는지 측정하기 어렵다.
Circular financing에서는 equity 투자, debt, 장기 revenue·capacity commitment가 서로의 valuation과 조달능력을 떠받친다. 수익화가 약하면 매출감소, 담보가치 하락과 자금조달 긴축이 동시에 전파될 수 있다. 이는 관측자료와 staff estimate를 섞은 금융안정 시나리오이므로 오천삼백억 달러 발행액과 simulated contagion을 같은 종류의 실현성과로 읽어서는 안 된다.
SCOPEIMF staff의 stylized stack과 공개자료 기반 분석이다. Private exposure와 off-balance-sheet 약정은 불완전하며, stress 결과는 시나리오·모의실험으로 실현 부도율이나 투자성과와 구분해야 한다.
Evidence & verification ↓AI Across the Investment Lifecycle
Citadel은 AI를 투자·거래 workflow 어디에 배치하고 어떤 판단을 사람에게 남기는가?
Agent가 직접 alpha를 고르는 것보다 먼저 들어갈 자리는 어디일까. Citadel은 거래를 대사하고 discrepancy를 진단하는 agent와 투자팀이 특정 research workflow를 위해 만든 도구를 공개 사례로 든다. Position·cash·confirmation의 불일치를 빨리 좁히면 operational loss와 조사시간을 줄일 수 있지만, 자동 수정이나 주문 권한을 줬다는 설명은 없다.
투자판단에서는 portfolio manager가 AI에게 자신의 thesis를 반박하게 한다. Counter-thesis를 반복해 가설의 누락조건과 가장 강한 반대논리를 찾고, 때로는 사람이 방향을 바꾸는 계기로 쓴다. 과거 backtest가 없는 새로운 사건에서는 불완전하고 상충하는 정보를 다루는 인간 판단을 모델에 넘기지 않는다는 경계도 분명하다.
운영모델은 특정 provider나 model에 묶이지 않고 문제에 가까운 팀이 실험하되, 공통 경쟁력이 되는 capability는 중앙화하는 방식이다. 공개자료는 edge를 문화와 지속적 적응능력에 연결하지만 성과 수치를 제공하지 않는다. 국내 복제는 탐지시간·오탐·미탐과 thesis 변경을 재고, model 교체 전후 drift와 human approval을 남겨야 한다.
SCOPE이 자료는 채용공고와 구분되는 Citadel의 공식 행사 요약이다. 공개된 것은 활용방식과 조직원칙이며 사용모델, 자동화 권한, 생산성 개선치와 전략별 P&L은 제시하지 않았다.
Evidence & verification ↓What AI Can (and Can't Yet) Do for Alpha
Man Group의 AlphaGPT는 가설 생성에서 production 후보 검증까지 어떤 gate를 두는가?
연구 agent가 사람보다 많은 가설을 내면 무엇이 병목이 될까. AlphaGPT는 Idea Person, Implementer, Evaluator가 가설 생성, proprietary tool을 쓰는 Python 구현, 통계·risk·경제논리 평가를 나눠 맡는 디지털 연구팀이다. 아이디어와 code를 한 모델의 대화에 섞지 않고 phase와 산출물을 분리해 검증지점을 만든다.
공개 사례에서 시스템은 며칠이 아니라 몇 분 안에 수십 개의 viable concept를 냈다. 이 속도는 research coverage를 넓히지만 multiple testing으로 우연한 pattern도 함께 늘린다. Man은 AI가 만든 signal에도 인간 연구와 같은 evaluation threshold를 적용하고, 말로 제시한 방법과 실제 code가 일치하는지 자동·수동 consistency check를 둔다.
최종 검토는 Investment Committee가 hypothesis·경제논리·결과를, 기술팀이 unit·integration·scenario test와 구현위험을 보는 dual track이다. 현재는 상당한 human oversight 아래 운영되고 systematic equity에서 가장 성공적이었다는 회사 설명이다. 구체적 signal·성과는 공개되지 않았으므로 국내 적용도 live P&L보다 재현성과 OOS 통과율부터 검증해야 한다.
SCOPEMan Group의 공식 회사 설명이며 페이지에 발표일이 표시되지 않아 미확인으로 기록했다. AlphaGPT의 실제 signal, 자산별 성과, 배포비중과 P&L은 공개되지 않았고 회사 주장에 대한 독립 검증은 제한된다.
Evidence & verification ↓다섯 자료를 연결하면 한국 채권 데스크의 우선순위도 분명해진다. 텍스트와 미시구조 모델의 OOS 정확도만 겨루기 전에 발행·약정 네트워크, 데이터 lineage, 다중검정, drift와 human override를 같은 승인체계에 넣어야 한다. 그래야 빠른 연구가 통제 가능한 실행으로 이어지고, 공개자료가 말하지 않는 P&L을 섣불리 가정하지 않을 수 있다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
AI Adoption and the Treasury and Agency MBS Markets3 primary · 0 archived +
한 은행에는 160개가 넘는 AI 적용 솔루션이 배포돼 있다.
ORIGINAL PASSAGEOver 160 AI-enabled Solutions Deployed across the bankTMPG, AI Adoption and the Treasury and Agency MBS Markets, p.1, October 2026, accessed 2026-11-10Pre-trade와 execution 활용례에는 유동성 평가, outcome-based routing과 주문 분할이 포함된다.
ORIGINAL PASSAGELiquidity assessment, outcome-based routing and order slicingTMPG, AI Adoption and the Treasury and Agency MBS Markets, p.5, October 2026, accessed 2026-11-10위험통제 항목으로 결정론적 kill switch를 명시한다.
ORIGINAL PASSAGEDeterministic kill switchesTMPG, AI Adoption and the Treasury and Agency MBS Markets, p.6, October 2026, accessed 2026-11-10Assessing Monetary Policy Globally: Evidence from LLMs and Semi-structural Models3 primary · 0 archived +
연설자료의 표본기간은 1996년부터 2025년까지다.
ORIGINAL PASSAGEspanning 1996 to 2025Federal Reserve FEDS Note, Data and Measurement, 2026-10-09, accessed 2026-11-10LLM과 lexicon 세계 분기지표의 Pearson 상관은 0.49다.
ORIGINAL PASSAGEPearson correlation of 0.49Federal Reserve FEDS Note, Figure 1 discussion, 2026-10-09, accessed 2026-11-10일부 구간에서 LLM 요인이 semi-structural model 요인보다 먼저 전환하는 모습이 관찰됐다.
ORIGINAL PASSAGEappears to turn before the SSM factorFederal Reserve FEDS Note, Figure 4 discussion, 2026-10-09, accessed 2026-11-10The AI Ecosystem: Structure, Financing, and Financial Stability Considerations3 primary · 0 archived +
IMF의 AI value stack 표본은 74개 기업으로 구성된다.
ORIGINAL PASSAGE74 firmsIMF TNM/2026/13, p.9, October 2026, accessed 2026-11-10이 stack에 포함된 AI 관련 기업은 2023년 이후 채권으로 5,300억 달러가 넘는 자금을 조달했다.
ORIGINAL PASSAGEwith over $530 billion raised by AI-related firms included in the stack since 2023IMF TNM/2026/13, p.12, October 2026, accessed 2026-11-10IMF는 circular financing이 충격을 증폭할 수 있다고 평가한다.
ORIGINAL PASSAGECircular financing could nevertheless amplify shocksIMF TNM/2026/13, p.15, October 2026, accessed 2026-11-10AI Across the Investment Lifecycle3 primary · 0 archived +
Citadel과 Citadel Securities의 AI 적용례에는 거래 대사와 불일치 진단 agent가 포함된다.
ORIGINAL PASSAGEagents tasked with reconciling trades and diagnosing discrepanciesCitadel, AI Across the Investment Lifecycle, Applying AI in a Flexible Way, 2026-11-09, accessed 2026-11-10일부 portfolio manager는 AI를 자신의 투자 thesis를 반박하는 토론상대로 사용한다.
ORIGINAL PASSAGEBe my counter thesis and debateCitadel, AI Across the Investment Lifecycle, Strengthening Investment Research, 2026-11-09, accessed 2026-11-10공개 설명은 지속적 경쟁우위를 문화와 적응능력에 연결한다.
ORIGINAL PASSAGEedge is a cultural thingCitadel, AI Across the Investment Lifecycle, Sustaining a Competitive Edge, 2026-11-09, accessed 2026-11-10What AI Can (and Can't Yet) Do for Alpha4 primary · 0 archived +
AlphaGPT는 세 역할로 나뉜 디지털 연구팀으로 설명된다.
ORIGINAL PASSAGEdigital three-person research teamMan Group, What AI Can and Cannot Yet Do for Alpha, section 1, publication date unconfirmed, accessed 2026-11-10시스템은 며칠이 아닌 몇 분 안에 수십 개의 viable concept를 생성한 관찰사례를 제시한다.
ORIGINAL PASSAGEdozens of viable concepts within minutes rather than daysMan Group, What AI Can and Cannot Yet Do for Alpha, section 1, publication date unconfirmed, accessed 2026-11-10AI 신호에도 인간 연구와 같은 평가기준을 적용한다고 설명한다.
ORIGINAL PASSAGEpass identical evaluation thresholdsMan Group, What AI Can and Cannot Yet Do for Alpha, section 1, publication date unconfirmed, accessed 2026-11-10Investment Committee와 기술팀이 서로 다른 관점에서 검토한다.
ORIGINAL PASSAGEdual-track validationMan Group, What AI Can and Cannot Yet Do for Alpha, section 4, publication date unconfirmed, accessed 2026-11-10Show the original briefing text
채권시장 AI 연구 브리핑
2026년 11월 10일
조사 마감: 2026년 11월 10일 06:38 (Asia/Seoul)
원문 열람일: 2026년 11월 10일
중복 점검: 원격 저장소의 기존 92개 브리핑과 460개 연구의 제목·원문 URL을 대조했다. 직전 게시일인 11월 5일의 뉴욕연은 Treasury close, 캐나다은행 장기금리, 영란은행 repo, Optiver 연구 오케스트레이션, Man AHL ML 글과 겹치지 않는 자료만 골랐다. 1~3번은 원문 전문과 표·방법을 확인한 공식 연구·정책자료이고, 4~5번은 채용공고가 아닌 회사 공식 기술 글과 공개 강연이다. 공개되지 않은 모델 가중치·라벨·위험한도·P&L은 추론하지 않았다.
1. AI Adoption and the Treasury and Agency MBS Markets
구분: TMPG·뉴욕연은 발표자료 / 미국 국채·Agency MBS의 AI 실행과 통제
발표일: 2026년 10월
핵심 요약
TMPG·뉴욕연은 원문은 한 은행의 160개가 넘는 AI 적용 사례를 바탕으로 미국 국채와 agency MBS에서의 실제 도입 경로를 정리한다. 현재 활용은 포트폴리오 구성·헤지 최적화·유동성 평가·주문 분할·시장충격 추정·결제 예외 처리까지 넓어졌지만, 가격·수량을 결정하는 핵심 의사결정은 아직 사람의 통제에서 떨어져 있지 않다. 자료는 공통 모델·데이터·벤더가 동조적 포지션 축소를 만들 수 있으므로 drift 감시, 독립적인 위험한도와 결정론적 kill switch가 필요하다고 강조한다.
실무 시사점
채권 AI를 예측모형 하나로 보지 않고 pre-trade, execution, post-trade와 감시를 연결한 운영체계로 봐야 한다. fair value나 체결확률이 좋아져도 다수 기관이 같은 데이터와 모델을 쓰면 변동성 확대 때 유동성 철회가 동시에 일어날 수 있다. 따라서 routing·slicing 모델의 성능뿐 아니라 model drift, vendor concentration, override와 kill switch가 실제로 작동하는지 정기적으로 검증해야 한다.
한국 시장 복제 아이디어
국고채 현물·선물과 통안채 RFQ를 대상으로 유동성 점수, 체결확률, 예상 market impact를 산출하고 균등분할·기존 규칙·AI routing을 shadow 환경에서 비교한다. 정상일과 금통위·입찰·급격한 curve 이동일을 나눠 implementation shortfall, fill rate, adverse selection과 한도초과 건수를 측정하고, 데이터 단절·모델 drift·동시 주문폭주 시 kill switch와 human override의 복구시간도 함께 시험한다.
2. Assessing Monetary Policy Globally: Evidence from LLMs and Semi-structural Models
구분: Federal Reserve FEDS Note / 중앙은행 연설 NLP와 장기금리 분해
발표일: 2026년 10월 9일
핵심 요약
연준 원문은 BIS에 수록된 1996~2025년 119개국 중앙은행 연설을 lexicon과 Claude Haiku 4.5로 점수화하고, 거시변수와 10년 금리를 쓰는 semi-structural model과 비교한다. 두 연설 지표의 분기별 세계 상관은 0.49였고, GFC 이후에는 LLM 지표가 문맥을 더 잘 구분하며 차이가 커졌다. 연설 기반 세계 요인과 모형 기반 정책 stance는 대체로 함께 움직였지만 LLM 요인이 더 단기적으로 변하고 때때로 먼저 전환했다는 기술적 관찰이지 인과적 선행성을 증명한 결과는 아니다.
실무 시사점
중앙은행 NLP 신호를 단순 hawkish 단어 수로 만들면 부정문·조건문·과거회고를 잘못 읽을 수 있다. LLM 점수는 curve 방향 label이 아니라 정책 stance를 설명하는 중간 feature로 쓰고, 10년물 금리의 자연실질금리·추세인플레이션·지속적 premium·순환요인과 대조해야 한다. 국가별 연설 빈도 차이와 speech-weighting이 결과를 좌우하므로 실시간 신호로 쓸 때는 동일 국가 내 변화와 발표 직후 가격반응을 별도로 검증해야 한다.
한국 시장 복제 아이디어
한국은행 총재·금통위원 연설과 의사록을 문장별로 -1~+1 stance로 분류하되 lexicon, 한국어 encoder와 LLM을 같은 기간에 비교한다. 3년·10년 국고채와 IRS의 금리변화를 기대정책경로·term premium으로 나눈 뒤, 텍스트 요인의 방향전환이 단순 사전과 survey surprise보다 OOS 금리·curve 예측과 event-window 설명력을 높이는지 평가한다.
3. The AI Ecosystem: Structure, Financing, and Financial Stability Considerations
구분: IMF Technical Note / AI 투자·회사채·private credit의 금융안정 연결
발표일: 2026년 10월 9일
핵심 요약
IMF 원문은 AI value stack을 5개 층의 74개 기업으로 구성하고 재무제표·채권발행·거래 단위 자료를 연결한다. 이 표본 기업들은 2023년 이후 5,300억 달러가 넘는 채권을 발행했으며, public debt·private credit·lease·revenue commitment가 데이터센터와 GPU 투자를 함께 떠받친다. 대형 hyperscaler의 현금흐름은 아직 강하지만, 투자대상 기업의 레버리지와 off-balance-sheet 약정이 결합된 circular financing은 수익화가 기대에 못 미칠 때 담보가치·매출·자금조달을 동시에 압박할 수 있다.
실무 시사점
AI credit risk는 발행사 단독 재무비율보다 투자자·공급자·데이터센터·전력회사 사이의 계약망을 봐야 한다. 장비의 경제수명이 부채 만기보다 짧아지면 감가상각과 교체투자가 재조달 수요를 동시에 키울 수 있고, 보유주체가 불투명한 private credit는 손실 전파경로 측정을 어렵게 한다. IMF 결과는 시나리오와 staff estimate를 포함하므로 관측 발행액과 모의 충격을 실현손실로 혼동하면 안 된다.
한국 시장 복제 아이디어
국내 AI·데이터센터·전력망 발행사의 회사채, CP, 보증·lease와 주요 매출·용량약정을 issuer-counterparty network로 만든다. 만기집중, EBITDA 대비 이자, 설비 경제수명과 담보가치 haircut을 feature로 두고 독립부도 가정과 매출약정 동시충격을 비교한다. spread widening, 등급전이, 차환부족액과 네트워크 expected shortfall을 평가하되 공시되지 않은 private exposure는 범위 밖으로 명시한다.
4. AI Across the Investment Lifecycle
구분: Citadel 공식 패널 요약 / 투자·거래 운영의 agentic AI와 인간 판단
발표일: 2026년 11월 9일
핵심 요약
Citadel 원문은 Bloomberg Enterprise Data & Tech Summit에서 Andrew Janian이 설명한 AI 운영방식을 정리한다. Citadel과 Citadel Securities의 공개 사례에는 거래 대사와 불일치 진단을 맡는 agent, 투자팀별 research workflow 도구, portfolio manager의 counter-thesis 토론이 포함된다. 회사는 특정 모델에 조직을 고정하기보다 문제에 가까운 팀이 실험하고 공통 경쟁력은 중앙화하며, 전례 없는 사건과 최종 투자판단은 인간에게 남기는 방식을 택한다.
실무 시사점
AI의 수익 연결점은 매수·매도 신호만이 아니라 운영오류를 빨리 찾고 투자 가설의 반대근거를 체계적으로 제시하는 데도 있다. 거래 대사 agent는 position·cash·confirmation 불일치를 조기에 찾아 operational loss를 줄일 수 있고, counter-thesis agent는 crowded view와 누락된 risk factor를 드러낼 수 있다. 다만 공개자료는 생산성이나 P&L 수치를 제시하지 않으므로 문화와 workflow 설명을 검증된 성과로 확대하면 안 된다.
한국 시장 복제 아이디어
국채·IRS 체결과 position ledger의 불일치를 원인별로 분류해 agent가 증거와 함께 진단하도록 하되 자동 수정은 막는다. 동시에 금리 포지션마다 base thesis, counter-thesis와 반증조건을 생성하고 사람이 승인한 항목만 risk note에 반영한다. 수동 대사 대비 탐지시간·오탐·미탐, thesis 변경률과 사고손실을 평가하고 model/provider 교체 때 결과 drift를 추적한다.
5. What AI Can (and Can’t Yet) Do for Alpha
구분: Man Group 공식 기술 글 / AlphaGPT의 가설·구현·검증 workflow
발표일: 미확인
핵심 요약
Man Group 원문은 AlphaGPT를 Idea Person, Implementer, Evaluator가 순차 협업하는 agentic research workflow로 설명한다. 시스템은 가설을 만들고 proprietary database와 research tool을 쓰는 Python code를 작성한 뒤 통계적 유의성, risk와 경제적 근거를 평가하며, AI 신호도 인간 연구와 같은 기준을 통과해야 한다. 빠른 가설탐색은 multiple testing과 hallucination 위험을 키우므로 전체 과정 log, 일관성 검사, Investment Committee와 기술팀의 dual-track review를 유지한다.
실무 시사점
연구 자동화의 병목은 아이디어 수가 아니라 검정 규율과 review capacity다. 수십 개 가설을 빠르게 만들수록 우연한 in-sample pattern이 늘고, agent가 말한 가설과 실제 code가 다른 drift도 생긴다. 따라서 research→production 고리는 hypothesis·dataset·code·result의 lineage, 비용차감 OOS, economic rationale와 사람의 승인으로 닫아야 하며 Man이 공개하지 않은 전략별 성과나 P&L은 추론하지 않는다.
한국 시장 복제 아이디어
국고채 curve·basis·auction anomaly를 대상으로 idea agent, code agent와 evaluator를 분리하고 각 산출물을 immutable hash로 잇는다. 동일 기간에 인간 연구 queue와 agent queue를 비교해 유효가설 비율, multiple-testing 보정 후 OOS 통과율, 재현실패와 review 시간을 측정한다. live 전에는 shadow portfolio와 비용·DV01·liquidity stress를 통과하게 하고 자동 배포 권한은 부여하지 않는다.