캐리와 머신러닝을 함께 활용하기

구분: 논문 · SSRN 워킹페이퍼
공개일: 2026년 1월 28일
원문: SSRN 원문

핵심 요약

이 연구의 아이디어는 단순하지만 채권에서는 매우 중요하다. 총수익률 전체를 AI에게 예측시키지 말고, 이미 경제적으로 계산 가능한 carry는 사람이 계산하고 나머지 가격변화만 ML에게 맡긴다.

2.5백만 건 이상의 미국 회사채 월별 관측치를 이용해 expected return = carry + ML-predicted residual price return 구조를 만든 결과, 총수익률을 end-to-end로 바로 예측하는 전통적인 ML보다 표본외 예측력이 개선됐다. 다만 gross return은 의미 있게 높았지만 거래비용을 적용하면 수익성이 상당 부분 사라졌다. 특히 ML 알파가 시장 유동성이 낮은 기간에 집중돼, 모델이 영구적인 risk premium보다 일시적 liquidity mispricing을 잡고 있을 가능성을 제시한다.

실무 시사점

이 논문의 설계철학은 꽤 중요하다.

채권 손익 = Carry + Roll-down + Duration P&L + Convexity + Spread/RV P&L

중 AI가 모든 항을 다시 배울 필요는 없다. Carry·DV01·roll-down처럼 이미 deterministic하게 계산 가능한 부분을 먼저 제거하고, 설명되지 않는 residual P&L만 ML에게 학습시키는 편이 데이터 효율과 해석가능성 측면에서 훨씬 좋을 수 있다.

예를 들어 국고 10/30 전략이라면

실제 P&L − carry − roll − hedge P&L

을 target으로 하고, 여기에 호가 imbalance / 외국인 수급 / 입찰 상태 / 선현 베이시스 / 미국 커브 / event state를 넣는 방식이다.

이는 채권 손익을 캐리·롤다운·DV01 등으로 분해하는 기존 데스크 프레임과 정확히 맞는다.

데스크 적용 우선순위: ★★★★★