그다음 내부 신호가 어떤 경제변수와 함께 움직이는지 분석합니다. 의미 있는 연결이 발견되면 이를 다시 입력 변수의 설계에 반영하는 순환 구조입니다. 모델을 해석한 결과를 다음 연구에 활용한다는 점이 핵심입니다.
국내 금리 연구에서는 물가 발표의 예상 밖 변화, 외국인 선물 흐름, 해외 금리 등을 내부 신호와 비교하는 출발점으로 생각할 수 있습니다. 이런 적용 아이디어는 원 논문이 국내 시장에서 이미 입증한 결과와 구분해야 합니다.
편집 전 브리핑 원문 펼치기
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: ★★★★★