미국에서는 DNS factor로 수익률곡선 차원을 줄이고 macro 변수는 Autoencoder로 representation을 학습한 direct-예측 neural network가 가장 좋은 결과를 보였다. 반면 유럽에서는 macro 변수를 추가하지 않은 PCA-factor 기반 NN이 가장 우수했다.
즉 동일한 neural architecture를 모든 시장에 적용하는 것이 아니라 시장마다 유효한 representation과 information set이 다를 수 있다는 결과다. 연구진은 NN이 양 시장 모두에서 전통 모델보다 예측 accuracy뿐 아니라 portfolio performance에서도 우수한 결과를 보였다고 보고한다.
편집 전 브리핑 원문 펼치기
구분: 최신 연구논문 · Yield Curve ML / Portfolio Management
발표일: 2026년 6월 25일
핵심 요약
이 연구는 미국과 유럽 zero-coupon government-bond curve를 대상으로 Dynamic Nelson-Siegel, PCA 같은 전통 모델과 여러 neural network 구조를 비교한다. 단순 forecasting RMSE뿐 아니라 실제 duration-management trading strategy의 경제적 성과까지 함께 평가한다는 점이 중요하다. arXiv 원문
미국에서는 DNS factor로 yield curve 차원을 줄이고 macro 변수는 Autoencoder로 representation을 학습한 direct-forecasting neural network가 가장 좋은 결과를 보였다. 반면 유럽에서는 macro 변수를 추가하지 않은 PCA-factor 기반 NN이 가장 우수했다.
즉 동일한 neural architecture를 모든 시장에 적용하는 것이 아니라 시장마다 유효한 representation과 information set이 다를 수 있다는 결과다. 연구진은 NN이 양 시장 모두에서 전통 모델보다 forecasting accuracy뿐 아니라 portfolio performance에서도 우수한 결과를 보였다고 보고한다.
채권 트레이딩 시사점
여기서 가장 중요한 것은 Deep Learning ≠ raw yields를 Transformer에 넣기라는 점이다.
오히려 좋은 구조는:
Yield Curve
→ DNS/PCA factor
Macro
→ Autoencoder latent
그 다음:
Curve factor + Macro latent
→ NN
이다.
즉 금융이론이 이미 알려주는 좋은 low-dimensional structure를 버리지 않고 NN의 input representation으로 이용한다.
이건 채권에서 매우 합리적이다.
금리곡선은 본질적으로 강한 correlation structure를 가지기 때문에:
- 30개 tenor raw input 보다
- level / slope / curvature 또는 learned factor
가 sample efficiency에서 유리할 수 있다.
한국 시장 복제 아이디어
국고채에서는 다음 세 모델을 동일 조건으로 바로 경쟁시키면 된다.
A. Baseline
DNS factor → VAR
B. Hybrid
DNS factor + macro → LightGBM
C. Neural hybrid
DNS factor + macro autoencoder latent → MLP/RNN
평가는 단순 RMSE가 아니라:
- 방향 정확도
- 3/10 P&L
- 10/30 P&L
- DV01-neutral P&L
- turnover
- 거래비용 후 Sharpe
까지 봐야 한다.
특히 이 논문처럼 forecast accuracy와 duration-management 성과를 동시에 보는 evaluation framework를 그대로 가져올 가치가 있다.
데스크 적용 우선순위: ★★★★★