다룬 자료 · Real-Time Macro Information and Bond Return Predictability: A Weighted Group Deep Learning Approach
뉴스는 전통적 거시변수에 포함되지 않은 미래 채권수익 정보를 제공하지만, 최신 개정본은 비중첩 표본의 단기 초과수익 예측력이 전반적으로 약하다는 점도 함께 보여준다. 즉, 미래정보 누출을 제거하고 엄격한 표본외 검증을 적용하면 채권 위험프리미엄 예측은 상당히 어려워진다.
편집 전 브리핑 원문 펼치기
구분: 논문·SSRN 개정 연구
최신 개정일: 2026년 7월 7일
최초 공개일: 2020년 2월 3일
원문: SSRN 개정본.
핵심 요약
최종 수정된 거시경제 데이터가 아니라, 각 투자시점에 실제로 이용 가능했던 실시간 데이터 빈티지와 뉴스 주제별 관심도를 이용해 미국 국채 초과수익을 예측한다. 거시변수의 높은 공선성을 줄이기 위해 성장, 물가, 고용 등 사전 정의된 그룹 구조를 신경망에 반영한 Weighted Group Neural Network를 사용한다.
뉴스는 전통적 거시변수에 포함되지 않은 미래 채권수익 정보를 제공하지만, 최신 개정본은 비중첩 표본의 단기 초과수익 예측력이 전반적으로 약하다는 점도 함께 보여준다. 즉, 미래정보 누출을 제거하고 엄격한 표본외 검증을 적용하면 채권 위험프리미엄 예측은 상당히 어려워진다.
실무 시사점
- 트레이딩: 현재 알려진 CPI·고용·GDP 값과 사후 수정치를 엄격히 분리하지 않으면 백테스트 성과가 크게 과장될 수 있다.
- NLP: 기사 감성을 하나의 점수로 압축하기보다 물가, 성장, 재정, 통화정책 등 주제별 attention을 따로 산출하는 편이 낫다.
- 검증: 월별 수익률을 중첩해 표본 수를 늘리면 통계적 유의성이 부풀려질 수 있으므로 비중첩 수익률 결과를 우선해야 한다.
- 한국 적용: 당시 시장이 실제로 확인한 속보치·잠정치·확정치를 시점별로 저장하고, 금통위·국발계·입찰 뉴스도 event time 기준으로 관리해야 한다.
업데이트 사항: 오래된 최초 초안이지만 2026년 7월 개정본이 공개돼, 오늘 브리핑에서는 개정된 실시간 검증 결과를 기준으로 소개한다.
데스크 적용 우선순위: ★★★★★