현재 조회되는 거시자료는 과거 발표 이후 수정된 값을 포함할 수 있다. 이 연구는 당시 실제 공개됐던 자료를 사용해 미국 국채 초과수익을 예측한다. 뉴스에서 어떤 주제가 관심을 받았는지도 입력으로 사용하되 과거 의사결정 시점의 정보 집합을 지키는 것이 출발점이다.
여러 거시변수를 경제적 집단으로 묶은 가중 집단 신경망을 사용해 서로 강하게 함께 움직이는 입력의 문제를 완화한다. 만기별 변동성 차이도 손실함수에 반영한다. 동일한 오차라도 만기의 특성에 따라 평가가 달라질 수 있게 설계한 모형이다.
보존된 결과는 수익 측정기간이 겹치지 않을 때 예측력이 약하지만 겹칠 때는 전체적으로 높은 표본 밖 성과와 만기별 안정성을 보였다고 설명한다. 이 차이를 제거하면 결과가 과장된다. 국내 검증에서도 수익기간의 중첩과 자료 공개시점을 함께 기록해야 모형의 추가 정보가 무엇인지 판단할 수 있다.
SCOPE보존된 연구 기록이다. 중첩된 수익의 성과를 독립적인 반복 증거로 해석하지 않으며 국내 개선 폭은 미확인이다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Real-Time Macro Information and Bond Return Predictability: A Weighted Group Deep Learning Approach0 primary · 2 archived +
These 2 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: 논문 · Journal of Financial Econometrics 게재 확정 / Deep Learning·Treasury
최신 개정: 2026년 8월 5일
상태: Journal of Financial Econometrics Accepted
원문: SSRN 논문 페이지
핵심 요약
이 논문의 장점은 금리 ML에서 자주 발생하는 미래정보 누출 문제를 정면으로 통제한다는 것이다. 미국 국채 초과수익을 예측할 때 최종 수정된 GDP·CPI를 과거 시점에 소급하지 않고, 그 당시 실제 이용 가능했던 real-time macro vintage와 뉴스 topic-attention 변수를 사용한다. 모델은 고차원 거시변수를 경제적 그룹별로 묶는 Weighted Group Neural Network(WGNN)를 사용해 변수 간 강한 공선성을 완화하고, 만기별 변동성 차이를 반영한 loss를 사용한다. non-overlapping return에서는 예측력이 약하지만 overlapping return에서는 WGNN이 전체적으로 가장 높은 OOS (R^2)를 보이며 모든 만기에서 비교적 안정적인 성능을 기록한다.
실무 시사점
가장 중요한 교훈은 “데이터를 많이 넣는다”와 “정보를 구조화해서 넣는다”는 전혀 다르다는 점이다.
예를 들어 한국 금리모델에
CPI / 고용 / 수출 / 환율 / 미국금리 / 원자재 / 뉴스
수백 개를 한꺼번에 넣기보다,
- Inflation
- Growth
- Monetary policy
- Funding/liquidity
- Global rates
- Risk sentiment
같은 economic feature group으로 나눈 뒤 각 그룹의 latent information을 학습시키는 편이 더 안정적일 수 있다.
더 중요한 것은 real-time vintage다. 2024년 금리 백테스트에 지금 조회되는 수정 GDP를 집어넣으면 당시 딜러가 알 수 없었던 정보가 들어간다. 모델의 복잡도보다 timestamp integrity가 먼저다.
한국 적용: 금통위·3선·10선 모델 데이터베이스에 published_at, revision_number, available_from을 별도 필드로 저장해 point-in-time feature store를 만드는 것을 추천한다.
데스크 적용 우선순위: ★★★★★