명목채와 물가연동채는 같은 금리 자산이어도 물가 변화에 대한 계약 반응이 다르다. 연구는 글로벌 채권지수에 팩터 기반 전망을 만들고 Black–Litterman에 넣는다. 이 모형은 시장균형 수익률과 별도의 전망을 신뢰도에 따라 결합해 비중을 결정한다.
기록은 명목채에는 모멘텀·캐리, 물가연동채에는 실질금리·인플레이션 관련 팩터를 사용한다고 소개한다. 모멘텀은 이전 가격 움직임의 지속성이고 캐리는 보유시간과 곡선에서 계산되는 성분이다. 전망과 확신도를 반복 갱신해 사람이 매번 방향과 기대수익을 지정하는 과정을 체계화한다.
전망 입력을 자동화해도 균형값과 신뢰도 계산의 가정은 남는다. 너무 확신하면 추정오차가 배분을 크게 바꾸고 너무 낮추면 신호가 거의 반영되지 않는다. 이 날짜 기록에서 확인되는 것은 연결 구조다. 국내 지수에서는 별도의 표본외 비용·위험 평가로 각 팩터와 신뢰도가 적합한지 검증해야 한다.
SCOPE전망과 배분의 구조 설명이며 이 날짜 기록만으로 구체적인 성과 개선을 정량화할 수 없다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
명목채와 물가연동채의 전망 입력을 다르게 두다0 primary · 6 archived +
These 6 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 ↓Show the original briefing text
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: ★★★★☆