편집 전 브리핑 원문 펼치기
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: ★★★★★