다룬 자료 · Data-Driven Duration Management — Term Structure Forecasting Using Machine Learning
미국 시장에서는 DNS 요인으로 금리곡선 차원을 축소하고, 오토인코더로 거시변수를 압축한 신경망이 가장 우수했다. 유럽 시장에서는 거시변수를 추가하지 않은 PCA 기반 요인 신경망이 더 좋은 결과를 보였다. 연구진은 신경망이 전통 모형보다 금리 예측 정확도와 포트폴리오 성과 양쪽에서 대체로 우수하다고 보고한다.
편집 전 브리핑 원문 펼치기
구분: 논문·arXiv 프리프린트
발표일: 2026년 6월 25일
원문: arXiv 원문
핵심 요약
미국과 유럽 국채의 제로쿠폰 수익률곡선을 대상으로 Dynamic Nelson-Siegel, PCA 같은 전통적 모형과 다양한 신경망 모형을 비교한 연구다. 단순 예측오차뿐 아니라 실제 듀레이션 운용전략의 성과까지 평가했다는 점이 중요하다.
미국 시장에서는 DNS 요인으로 금리곡선 차원을 축소하고, 오토인코더로 거시변수를 압축한 신경망이 가장 우수했다. 유럽 시장에서는 거시변수를 추가하지 않은 PCA 기반 요인 신경망이 더 좋은 결과를 보였다. 연구진은 신경망이 전통 모형보다 금리 예측 정확도와 포트폴리오 성과 양쪽에서 대체로 우수하다고 보고한다.
실무 시사점
- 트레이딩: 단순히 금리 방향을 예측하기보다 2년·3년·5년·10년·30년 구간별 예상 변화를 산출해 듀레이션과 커브 포지션으로 연결하는 구조가 유효하다.
- 모델 설계: DNS·PCA를 버리고 딥러닝으로 대체하기보다는, 전통적 금리 요인을 신경망 입력으로 사용하는 하이브리드 구조가 현실적이다.
- 검증: RMSE가 낮은 모델이 반드시 높은 손익을 내는 것은 아니다. DV01 중립 여부, 회전율, 거래비용, 롤다운과 캐리까지 포함한 경제적 백테스트가 필요하다.
- 한국 시장 적용: 국고채 현물·3년 및 10년 국채선물 곡선을 함께 모델링하고, 금통위·국발계·외국인 선물 포지션을 별도 특성으로 넣는 방식이 적합하다.
오늘의 우선순위: ★★★★★