이들은 발행사·industry·domicile 등을 dense embedding으로 바꿔 cosine similarity로 유사채를 검색하고, 이후 통화·만기·등급 같은 실무적 filter를 적용한다. 250개 발행사, 2,500개 회사채를 이용한 sparse-발행사 실험에서 embedding 기반 peer augmentation을 이용해 Nelson–Siegel spread curve를 복원했으며, 데이터가 희소한 상황에서도 안정적인 결과를 보였다.
연구진은 joint embedding이 성능은 조금 더 좋을 수 있지만, 입력 변수별 embedding 방식이 왜 두 채권이 비슷한지를 더 잘 설명한다는 trade-off도 명시한다.
편집 전 브리핑 원문 펼치기
구분: 주요 금융기관 연구 · TD Bank / TD Securities 연구진, arXiv
발표일: 2026년 2월 2일
원문: arXiv
핵심 요약
TD Bank·TD Securities의 Model Development/Risk Management 연구진이 **“이 채권과 가장 비슷한 채권이 무엇인가?”**라는 고정수익 실무 문제를 representation learning으로 해결한 연구다. 기존 방식은 만기·쿠폰·금리 같은 숫자에 집중하지만, 연구진은 산업·발행사·국가·시장 유형 같은 categorical 정보가 spread curve의 횡단면 구조를 설명하는 데 오히려 중요할 수 있다고 주장한다.
이들은 issuer·industry·domicile 등을 dense embedding으로 바꿔 cosine similarity로 유사채를 검색하고, 이후 통화·만기·등급 같은 실무적 filter를 적용한다. 250개 발행사, 2,500개 회사채를 이용한 sparse-issuer 실험에서 embedding 기반 peer augmentation을 이용해 Nelson–Siegel spread curve를 복원했으며, 데이터가 희소한 상황에서도 안정적인 결과를 보였다.
연구진은 joint embedding이 성능은 조금 더 좋을 수 있지만, feature별 embedding 방식이 왜 두 채권이 비슷한지를 더 잘 설명한다는 trade-off도 명시한다.
채권 데스크 시사점
이건 한국 회사채에 매우 직접적으로 복제할 수 있다.
현재 유사채 검색을 사람이 한다면 대략:
동일 발행사 → 동일 등급 → 동일 섹터 → 비슷한 만기
순서다.
Embedding을 쓰면 이를
bond → latent vector → nearest neighbors
로 바꿀 수 있다.
그리고 결과를 fair-value engine의 첫 단계로 사용할 수 있다.
거래하려는 채권
→ AI 유사채 20개
→ 실거래·민평 spread
→ peer-adjusted fair spread
→ 현재 호가와 비교
시장미시구조: 거래가 거의 없는 종목도 유사채의 실시간 움직임을 이용해 stale price를 보정할 수 있다. 이는 비유동 회사채, 경과물, 사모채 평가에서 특히 가치가 크다.
개발 우선순위: ★★★★★