Black–Litterman으로 전망과 배분을 연결하기

구분: 논문 · SSRN 워킹페이퍼
작성일: 2026년 7월 10일
공개: 2026년 7월
원문: SSRN

핵심 요약

Black-Litterman에서 사람이 입력하던 투자전망(view)을 체계적 factor model이 자동 생성하도록 만든 글로벌 채권배분 연구다. 13개 글로벌 채권지수를 대상으로 명목채에는 momentum·carry, 물가연동채에는 실질금리·인플레이션 관련 factor를 사용해 기대수익 view를 만들고 이를 시장균형 prior와 결합한다. 핵심은 매번 사람이 “미국채 bullish” 같은 전망을 입력하지 않아도 data-driven signal이 view와 confidence를 반복적으로 갱신한다는 것이다.

이는 최신 딥러닝 연구는 아니지만, 예측모델과 실제 portfolio construction 사이를 어떻게 연결할지라는 실무 문제를 직접 다룬다는 점에서 의미가 크다.

실무 시사점

우리 식으로 번역하면 구조는 다음과 같다.

시장 equilibrium → carry / roll / momentum / macro signal → expected spread move → signal confidence → DV01 allocation

즉 모델이 높은 점수를 준 전략에 무조건 베팅하는 것이 아니라 기존 포트폴리오와 prior를 조금씩 수정한다.

예를 들어 가능한 action이

3Y long / 10Y long / 10-30 steepener / 3-10 flattener / cash

라면 각각에 ML forecast와 uncertainty를 부여하고, 확신이 약하면 기존 중립 포지션에서 크게 벗어나지 않게 만들 수 있다.

리스크관리: AI forecast를 position size로 변환할 때 confidence를 무시하면 안 된다. 예측 방향 × 예측 크기 × uncertainty × DV01 budget을 한 단계에서 다루는 구조가 필요하다.

데스크 적용 우선순위: ★★★★☆