미국 종합채권지수를 딥러닝으로 예측하기

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: ★★★★☆