BlackRock의 더 넓은 systematic 연구에서는 ML을 개별 자산의 정밀한 수익률 예측에 억지로 적용하기보다, 여러 국가·시장의 데이터를 pooling하거나 상대가치 ranking problem으로 바꾸는 방법을 강조한다. 실제 듀레이션 timing 사례에서는 여러 시장을 함께 학습한 pooled learner가 인플레이션 레짐 변화에 따라 관련 시그널의 가중치를 빠르게 높이는 방식을 공개했다.
편집 전 브리핑 원문 펼치기
구분: 주요 금융기관 리서치 · BlackRock Systematic Investing
발표일: 2026년 3월 5일
원문: BlackRock Systematic Investing
핵심 요약
BlackRock은 LLM을 이용해 리서치·투자자 대화 등 비정형 텍스트에서 숨겨진 경제 전망, 시장 컨센서스와 의견 차이를 추출하고 이를 systematic macro signal로 연결하는 접근을 공개했다. 즉 단순 뉴스 sentiment가 아니라 “시장 참가자들이 성장·물가·정책을 실제로 어떻게 보고 있는가”를 구조화하는 데 LLM을 사용한다.
BlackRock의 더 넓은 systematic 연구에서는 ML을 개별 자산의 정밀한 return prediction에 억지로 적용하기보다, 여러 국가·시장의 데이터를 pooling하거나 상대가치 ranking problem으로 바꾸는 방법을 강조한다. 실제 duration timing 사례에서는 여러 시장을 함께 학습한 pooled learner가 인플레이션 레짐 변화에 따라 관련 시그널의 가중치를 빠르게 높이는 방식을 공개했다.
채권 데스크 시사점
이 방식은 금통위·FOMC 분석에 꽤 적합하다.
LLM에게
“이번 금통위는 hawkish인가 dovish인가?”
라고 묻는 것은 너무 단순하다.
대신
텍스트
→ 성장전망 변화
→ 물가전망 변화
→ 정책반응함수 변화
→ 인하/인상 속도 변화
→ 시장 컨센서스 대비 surprise
로 분해해야 한다.
예를 들어 출력이
- 3개월 인하확률: +8%p
- 1년 성장 expectation: -0.15%p
- inflation persistence score: 변화 없음
- market consensus deviation: dovish 0.7σ
처럼 만들어지면 3년 선물·3/10 커브의 quantitative feature로 사용할 수 있다.
핵심: LLM은 트레이더가 아니라 비정형 데이터를 정형 factor로 변환하는 perception layer로 쓰는 편이 현재로서는 더 강하다.
데스크 적용 우선순위: ★★★★★