특히 ML의 이점은 중국 특유의 SOE, LGFV/Chengtou, implicit government guarantee, 유동성 차이 같은 institutional 입력 변수와 비선형 상호작용을 포착하는 데서 나타난다. 예를 들어 investment-grade에서는 RF의 OOS (R^2)가 2.71%로 가장 높았고, lower-grade에서는 GBRT가 상대적으로 강했다.
흥미롭게도 Bond Connect 이후 전체 ML 모델의 예측력은 감소했다. 저자들은 시장개방으로 효율성이 높아지고 predictor 관계가 변화했을 가능성을 제시한다.
편집 전 브리핑 원문 펼치기
구분: Journal of Banking & Finance · Corporate Bond ML
발표: 2026년 3월
선정: 최신성보다 한국 시장과 제도적으로 가까운 시장이라는 기술적 가치 때문에 선정
핵심 요약
이 연구는 중국 회사채 cross-sectional return을 대상으로 OLS·PLS·LASSO·Elastic Net과 GBRT, Random Forest, 1~5 layer neural network를 폭넓게 비교한다. tree-based model과 2~4 layer NN이 linear model보다 통계적·경제적 성과 모두에서 우수했다고 보고한다. Journal of Banking & Finance 원문
특히 ML의 이점은 중국 특유의 SOE, LGFV/Chengtou, implicit government guarantee, 유동성 차이 같은 institutional feature와 nonlinear interaction을 포착하는 데서 나타난다. 예를 들어 investment-grade에서는 RF의 OOS (R^2)가 2.71%로 가장 높았고, lower-grade에서는 GBRT가 상대적으로 강했다.
흥미롭게도 Bond Connect 이후 전체 ML 모델의 예측력은 감소했다. 저자들은 시장개방으로 효율성이 높아지고 predictor 관계가 변화했을 가능성을 제시한다.
채권 트레이딩 시사점
이 연구는 한국 시장에 특히 의미가 있다.
미국 bond ML을 그대로 가져오기보다:
시장 제도 자체를 feature로 넣어야 한다.
예를 들어 국내에서는:
- 공기업 여부
- 금융지주 계열
- 대기업집단
- 정책금융기관
- 정부/지자체 지원 가능성
- 은행채/여전채 규제환경
같은 institutional variables가 단순 leverage보다 중요할 수 있다.
즉:
fundamental
+
market
+
institutional state
를 같이 학습해야 한다.
또 저자들은 ML의 예측력이 높다고 해서 반드시 투자성과가 비례해 좋아지는 것은 아니라고 명시적으로 경고한다. turnover·liquidity·short-sale constraint 등을 별도로 고려해야 한다.
한국 시장 복제 아이디어
회사채 return model에서 issuer를 단순 sector로만 넣지 말고:
Institutional Embedding
을 만든다.
예:
정부 지원 가능성
금융지주 affiliation
대기업집단
발행시장 접근성
은행/보험 demand
그리고 이 feature와:
rating × liquidity
issuer type × regime
duration × market stress
같은 interaction을 GBRT / RF / shallow NN에 맡긴다.
한국 회사채는 미국보다 제도·관행의 영향이 강하기 때문에 복잡한 Transformer보다 이런 interaction modeling이 먼저일 가능성이 높다.
실무 적용 우선순위: ★★★★★