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, 비선형 model에서도 MAE가 낮아졌다.
편집 전 브리핑 원문 펼치기
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: ★★★★★