채권지수 수준은 과거 값과 강하게 연결돼 오늘과 비슷한 값을 내일 예측하는 것만으로도 오차가 작아 보일 수 있다. 수익률로 바꾸면 이런 지속성은 줄지만 쓸 수 있는 예측 신호도 약해진다. 연구는 지수 수준, 수익률과 그 중간 성격의 데이터 변환을 비교한다. 자료 범위는 2018년부터 2026년 2월까지의 일별 지수다.
분수차분은 차분의 정도를 조정해 추세를 줄이면서 과거 정보의 일부를 남기는 방법이다. 연구는 이를 MLP와 CNN에 입력했다. MLP는 일반적인 층형 신경망이고 CNN은 여기서 시계열을 각도 관계의 이미지로 바꾼 뒤 패턴을 학습한다. 기록은 분수차분 MLP의 추가 예측력이 가장 높았다고 소개한다.
이미지 CNN의 표본외 설명력은 모든 데이터 표현에서 음수였다. 학습하지 않은 평가 구간에서 기준 예측보다 오차가 컸다는 의미다. 따라서 이미지를 만들거나 구조를 복잡하게 하는 것만으로 정보가 늘지는 않는다. 이 연구의 판단은 입력 변환과 기준모형을 같은 미래 구간에서 비교해야 드러나며 그 순위를 다른 채권시장으로 그대로 옮길 수 없다.
SCOPE단기 지수 예측 연구이며 개별 국채나 회사채 종목의 거래전략 성과는 아니다. 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.
지수의 기억을 얼마나 남길지부터 비교하다0 primary · 3 archived +
These 3 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·arXiv 프리프린트
발표일: 2026년 5월 27일
원문: arXiv 원문
핵심 요약
2018년부터 2026년 2월까지의 미국 종합채권지수 일별 데이터를 이용해 MLP와 이미지 기반 CNN의 단기 예측력을 비교했다. 지수 수준은 단위근에 가까운 강한 지속성을 보인 반면, 로그수익률은 정상성을 갖지만 선형 예측 신호가 약하고 변동성 군집이 강했다. 연구진은 정상성을 확보하면서 장기기억을 일부 유지하는 분수차분 데이터를 사용했을 때 MLP의 추가 예측력이 가장 높았다고 보고한다. 반면 시계열을 Gramian Angular Field 이미지로 바꾼 CNN은 모든 데이터 표현에서 표본외 (R^2)가 음수였으며, 복잡한 아키텍처보다 데이터 변환 방식이 성능을 좌우했다.
실무 시사점
- 트레이딩: 가격 수준을 예측하면 전일 값을 그대로 사용하는 naive model도 이기기 어렵다. 수익률, 초과수익률, 금리변화 또는 분수차분 값처럼 실제 거래와 연결되는 종속변수를 사용해야 한다.
- 검증: 딥러닝 모델은 반드시 random walk, 전일 수익률, 이동평균 같은 단순 기준모형과 비교해야 한다.
- 포트폴리오: 종합채권지수 예측은 듀레이션·크레딧·MBS 요인이 혼합된다. 한국 적용 시 국고채, 특수채, 금융채, 회사채의 섹터별 초과수익을 분리하는 것이 낫다.
- 개발: 시계열을 이미지로 바꾸는 기법이나 Transformer를 도입하기 전에 정상성, 구조적 단절, 거래비용 차감 후 신호 지속성을 먼저 확인해야 한다.
데스크 적용 우선순위: ★★★★☆