즉 회사채에서 비선형 model 자체가 초과수익 신호의 원천이라기보다 어떤 state representation을 넣느냐가 더 중요할 수 있다는 결과다. 연구가 강조하는 메시지는 가격·수익률·volume에서 파생된 technical state가 기존의 발행사/bond characteristics에 이미 상당한 정보를 추가하고 있다는 것이다.
편집 전 브리핑 원문 펼치기
구분: 동료평가 논문 · Journal of Financial Markets, Vol. 79
발표: 2026년 정식 게재
선정: 최신성보다 모델 선택 관점의 기술적 가치 때문에 선정
핵심 요약
이 연구는 회사채 가격·수익률·거래량으로 만든 146개 technical indicator와 전통적인 bond characteristic을 여러 ML 모델에 넣어 향후 회사채 수익률을 예측한다. 가장 흥미로운 결과는 technical indicator가 회사채 특성변수보다 강한 예측력을 보였지만, 복잡한 머신러닝 모델은 benchmark linear model을 크게 개선하지 못했다는 점이다. ScienceDirect 원문
즉 회사채에서 nonlinear model 자체가 alpha의 원천이라기보다 어떤 state representation을 넣느냐가 더 중요할 수 있다는 결과다. 연구가 강조하는 메시지는 가격·yield·volume에서 파생된 technical state가 기존의 issuer/bond characteristics에 이미 상당한 정보를 추가하고 있다는 것이다.
채권 데스크 시사점
이 논문은 지금 ML 개발에서 매우 중요한 경고다.
흔히:
Linear → XGBoost → Transformer
순으로 모델을 복잡하게 하면 성과가 올라갈 거라고 생각한다.
그런데 실제로는:
Feature Quality > Model Complexity
일 수 있다.
국고채라면 우선 다음부터 제대로 만들 필요가 있다.
1/5/20분 return
yield momentum
realized volatility
volume shock
order-flow imbalance
spread/depth
curve z-score
그리고 반드시:
- linear regression
- ridge/lasso
- LightGBM
- shallow NN
- deep NN
을 동일 OOS 기준에서 경쟁시켜야 한다.
딥러닝이 ridge보다 안 좋으면 과감히 ridge를 쓰는 게 맞다.
한국시장 복제 아이디어
회사채에서도 민평·rating만 보는 대신:
최근 실거래 spread 변화
거래량 percentile
체결 간격
민평 대비 괴리
동일 issuer peer 움직임
같은 market-derived feature를 대량으로 생성해볼 만하다.
특히 거래가 뜸한 한국 회사채에서는 “마지막 가격”보다 최근 거래가 얼마나 비정상적이었는가를 나타내는 feature가 중요할 가능성이 있다.
데스크 적용 우선순위: ★★★★★