LSTM이 금리를 예측해도 내부 상태가 어떤 경제조건을 담는지 바로 알기 어렵다. 연구는 변수 수를 줄이는 회귀방법인 Lasso로 입력을 선택하고, 시간순서의 정보를 학습하는 신경망 LSTM의 내부 잠재신호를 추출한다. 잠재신호는 여러 입력을 모델 내부에서 압축한 표현이며 직접 관측되는 경제지표는 아니다.
추출한 신호가 어떤 경제변수와 같이 움직이는지 회귀로 분석한다. 경제적으로 의미가 있다고 판단한 변수를 첫 변수선택에 다시 넣어 예측·해석·입력설계를 반복한다. 내부 표현을 최종 설명으로 끝내지 않고 검토 가능한 입력 후보로 되돌리는 구조다.
동행하는 경제변수가 잠재신호의 원인이라는 뜻은 아니다. 보관 기록에는 비교성능과 거래비용이 충분히 없어 반복설계의 우위를 수치로 단정하기 어렵다. 국내 적용은 해석과 재선택을 학습구간 안에서 수행하고 보지 않은 기간의 오차·기여도 안정성을 확인해야 한다.
SCOPE내부신호 해석과 설계의 연구다. 경제변수의 인과효과나 국내 수익우위를 입증하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
LSTM이 배운 신호를 경제변수로 다시 읽기0 primary · 7 archived +
These 7 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
구분: International Journal of Finance & Economics · Bond Yield Deep Learning + Explainability
2026년 정식 게재
선정: 최신성보다 기술적 가치 때문에 선정
핵심 요약
이 논문의 구조는 일반적인 features → LSTM → yield보다 훨씬 흥미롭다. 먼저 Lasso로 initial feature selection을 하고, 그 feature로 LSTM yield predictor를 만든 뒤, LSTM 내부 latent signal을 추출하고, 다시 그 signal이 어떤 경제변수와 연결되는지 회귀분석한다. Wiley 원문
그리고 거기서 경제적으로 의미 있다고 확인된 변수를 다시 첫 단계 feature selection으로 feedback시킨다. 즉 ML → interpretation → feature redesign → ML의 recursive loop다.
저자들은 LSTM이 단순 yield forecasting black box가 되는 것을 피하고, internal signal의 temporal variation을 실제 경제변수로 설명하는 것을 핵심 연구목표로 둔다.
왜 이 방식이 중요하나
일반적인 feature importance는:
SHAP(feature)
로 끝난다.
이 논문은 한 단계 더 간다.
LSTM latent state → 어떤 macro/market variable과 연결되는가?
를 본다.
예를 들어 model hidden state 하나가 실제로:
- inflation cycle
- policy regime
- curve steepening
과 강하게 움직인다면 이를 다시 explicit feature로 승격시킬 수 있다.
즉 deep learning이 새 feature를 발견하는 도구가 된다.
한국 시장 복제 아이디어
한국 금리 LSTM에서 hidden representation을 저장한 뒤:
latent_1 ~ CPI surprise + OIS
latent_2 ~ foreign futures flow
latent_3 ~ UST 10Y + USD/KRW
latent_4 ~ auction / supply
처럼 probe regression을 한다.
그리고 경제적 의미가 분명한 latent factor를 발견하면 이를 다시:
explicit factor
로 만들어 LightGBM·linear model에도 사용한다.
그러면 deep learning의 역할이 단순 forecast engine에서:
representation discovery engine
으로 확장된다.
특히 연구자 입장에서 “딥러닝이 왜 맞았는가”를 분석하기 좋아진다.
실무 적용 우선순위: ★★★★★