changjinhan
FIXED INCOME / FIELD NOTES

Forecasting Corporate-bond Liquidity: The Value of Segmentation

다음 달 유동성을 예측할 때 시장을 나누는 기준은 무엇인가?

Research note2 min readSources & evidence ↓

등급과 만기가 다른 회사채를 모두 하나의 관계로 학습하면 집단별 차이가 평균에 묻힐 수 있다. 연구는 TRACE의 2004~2024년 거래자료로 다음 달 유동성을 예측한다. 모든 종목을 함께 추정하는 방식과 자료에 따라 시장을 나누는 방식을 비교한다.

시장 분할에는 검증자료의 평균절대오차가 좋아지는 경우만 남기는 Panel Tree를 사용한다. 보존된 결과는 선형모형의 표본 밖 설명력이 기존 1~3%에서 약 24%로 높아졌고 비선형모형의 오차도 줄었다고 설명한다. 집단별 관계를 다르게 추정하는 것이 비교의 주요 변경이다.

자주 선택된 입력은 일중 거래가격 범위, 잔존만기, 만기수익률, 금리 민감도였다. 개선은 투자등급에서 가장 크고 고위험 채권에서 가장 작았다는 조건도 있다. 분할이 항상 같은 효과를 만드는 것이 아니므로 국내에서는 드문 거래 집단의 표본 부족과 미래 분할 안정성까지 확인해야 한다.

SCOPESSRN 연구의 역사적 기록이다. 설명력 지표를 실제 거래비용 개선으로 해석하지 않으며 국내 분할 결과는 미확인이다.

Evidence & verification ↓

Sources & evidence

Original passages appear only when checked against the publication. Earlier briefing records are identified separately.

Forecasting Corporate-bond Liquidity: The Value of Segmentation0 primary · 3 archived +
EARLIER BRIEFING RECORD

These 3 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 ↓
Publication links ↑
Show the original briefing text

구분: 최신 연구 · Corporate Bond Liquidity + Machine Learning
작성일: 2026년 9월 2일 / SSRN 게시 9월 3일

핵심 요약

이 연구는 TRACE의 2004~2024년 미국 회사채 거래 데이터를 사용해 다음 달 liquidity를 예측한다. 핵심 질문은 모든 회사채를 하나의 pooled model로 학습시키는 것이 좋은지, 아니면 bond 특성에 따라 시장을 segment한 뒤 별도 관계를 학습하는 것이 좋은지다. SSRN 원문

저자들은 validation MAE가 실제로 개선되는 split만 유지하는 Panel Tree를 만든다. segmentation을 적용하자 linear model의 OOS (R^2)가 기존 1~3%에서 약 24%까지 상승했고, nonlinear model에서도 MAE가 낮아졌다.

가장 자주 선택된 segmentation 변수는 평균 일중 transaction-price range, time-to-maturity, yield-to-maturity, duration이었다. 개선효과는 IG에서 가장 크고 HY에서 가장 작았다.

채권 트레이딩 시사점

이 결과는 아주 중요한 modeling 원칙을 보여준다.

Corporate bonds are not IID samples from one market.

예를 들어:

AA 3년 금융채

와

BBB 12년 산업채

의 liquidity-generating mechanism이 같다고 가정하고 하나의 모델을 학습시키면 오히려 성능을 잃을 수 있다.

따라서 문제를:

Universal Model

하나로 만들기보다

Liquidity Regime → Specialist Model

구조로 만드는 것이 유리할 수 있다.

특히 흥미로운 것은 rating만 segmentation 변수로 쓰는 것이 아니라 price range·YTM·duration 같은 시장상태가 중요했다는 점이다.

한국 시장 복제 아이디어

국내 회사채에도 바로 적용 가능하다.

먼저 다음 feature로 bond universe를 자동 segmentation한다.

  • 잔존만기
  • duration
  • 등급
  • 발행잔액
  • 최근 거래빈도
  • 민평 대비 spread
  • 최근 실제 체결 price range
  • 금융채 / 회사채 / 여전채

그 다음:

P(trade within next N days)

또는

Expected bid-ask / expected price impact

를 segment별로 학습한다.

특히 비유동 회사채 fair-value model이나 **“이 포지션을 지금 얼마나 쉽게 청산할 수 있는가?”**를 예측하는 risk engine에 매우 실용적이다.

실무 적용 우선순위: ★★★★★