여러 국가의 회사채와 머신러닝

구분: 동료평가 논문 · Journal of Financial Markets, Vol. 79
발표: 2026년
선정: 최신성보다 글로벌 회사채 ML의 regime dependence 때문에 선정

핵심 요약

이 논문은 미국뿐 아니라 여러 국가의 회사채를 하나의 국제 데이터셋으로 묶어 cross-sectional return predictability를 ML로 분석한다. 미국과 비미국 시장 모두 유의한 예측력이 존재하지만, 어떤 변수가 중요한지는 시장별로 달랐고, 선진시장 회사채는 미국 채권시장 및 주식시장과의 연결성이 더 강했다. ScienceDirect 원문

더 중요한 결과는 ML 성능 자체가 시간에 따라 크게 변한다는 것이다. COVID 이전, 경기상황 악화, 시장 유동성 저하, investor sentiment·risk aversion 상승 구간에서 예측력이 더 강했다.

채권 트레이딩 시사점

이 논문은 “모델 하나의 평균 Sharpe”보다 언제 그 모델이 작동하는가가 더 중요하다는 근거다.

예를 들어:

Flow Alpha = +0.4 IC

라고만 저장하지 말고,

처럼 conditional performance를 저장해야 한다.

그 결과 최종 action은:

Signal × Regime-dependent confidence

가 된다.

한국시장 복제 아이디어

국내 금리모델을 최소한 다음 regime으로 나눠 scorecard를 만드는 게 좋다.

• 평시
• 금통위
• 국채 입찰
• 외국인 급격한 선물 포지션 변화
• 호가 depth 하위 10%
• 변동성 상위 10%
• repo/funding stress

그리고 각 모델의 IC·P&L·fill·mark-out을 regime별로 따로 기록한다.

장기적으로는 별도의 Regime Model이 현재 어떤 alpha model에 얼마의 신뢰도를 줄지 결정하도록 만들 수 있다.

데스크 적용 우선순위: ★★★★★