캐리는 현재 곡선과 보유기간에서 계산할 수 있는 채권 수익 성분이다. 연구는 이를 먼저 산출하고 머신러닝이 이후의 잔여 가격 변화를 예측하도록 한다. 총수익 전체를 끝에서 끝까지 학습하는 구조와 경제적으로 분해한 구조의 차이를 비교한다.
이 날짜의 기록은 표본외 예측 개선뿐 아니라 비용 전후 성과를 함께 소개한다. 비용 전 수익은 높았지만 거래비용을 반영하면 상당 부분 사라졌다. 특히 머신러닝 알파가 유동성이 낮은 기간에 집중돼 영구적인 위험보상보다 일시적인 유동성 오가격을 포착했을 가능성을 제시한다. 사용 자료는 2.5백만 건 이상의 미국 회사채 월별 관측이다.
오가격이 큰 때는 이를 이용한 거래도 어려울 수 있다. 모델이 맞힌 신호와 실제로 얻은 수익이 달라지는 이유다. 유동성 오가격이라는 설명은 결과의 해석으로 남겨야 하며 위험프리미엄이 없다고 확정할 수는 없다. 국내 적용에서는 신호 발생 당시의 비용과 체결 지연을 넣어 유동성별 순성과를 비교해야 한다.
SCOPE유동성 오가격은 제시된 가능성으로, 모든 잔여 신호의 원인이나 국내 수익성을 확정하지 않는다. 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.
캐리 분해의 예측 개선이 유동성 비용을 넘는가0 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
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: ★★★★★