금리 수준은 오랫동안 지속되다가 정책과 경기 변화에서 구조가 달라질 수 있다. 연구는 원자료와 차분·정상화한 자료를 함께 살핀다. 정상성은 시간에 따라 통계적 관계가 크게 바뀌지 않는 성질로, 어떤 변환으로 예측 대상을 만들었는지가 비교의 출발점이다.
미국 국채의 47년 일별 자료에서 ARIMA와 전통 시계열, 앙상블 및 여러 신경망을 평가한다. 기록은 전체 기간에서 단순 계량 기준이 대체로 강했고 머신러닝 안에서는 TimeGPT, LightGBM과 RNN이 상대적으로 양호했다고 소개한다. 복잡한 구조가 일관되게 이긴 결과는 아니다.
예측 시차가 달라지면 지속성을 이용하는 기준모형의 강점도 달라질 수 있다. 시장국면과 입력 변환도 순위에 영향을 준다. 이 비교는 모델만 바꾸고 데이터 처리를 섞어 평가하면 우열을 잘못 읽을 수 있음을 보여준다. 국내 실험은 같은 목표와 시차, 같은 정보시점의 기준 대비 개선을 먼저 확인해야 한다.
SCOPE미국의 특정 비교 설계이며 한 구조가 모든 금리 예측에서 유리하다는 판단은 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.
평가 시차와 전처리를 맞춰 금리모형을 비교하다0 primary · 7 archived +
These 7 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 11일
원문: arXiv 원문
핵심 요약
47년의 미국 Treasury 일별 데이터를 이용해 ARIMA·전통 시계열모형, ensemble ML, RNN, Transformer, TimeGPT 등을 광범위하게 비교한다. 상당히 흥미롭게도 복잡한 딥러닝 모델이 일관되게 이기지 않는다.
전체 기간에서는 ARIMA와 단순 econometric benchmark가 대체로 가장 강했고, ML 중에서는 TimeGPT, LightGBM, RNN이 상대적으로 좋은 성능을 기록했다. 연구는 비정상 시계열을 그대로 입력할지 차분·정상화해서 넣을지에 따른 차이도 분석한다. 즉 yield forecasting은 “Transformer니까 우월하다”는 문제가 아니라 horizon·regime·target transformation에 크게 좌우된다.
실무 시사점
금리 트레이딩: 딥러닝 모델을 개발할 때 반드시 random walk / AR / DNS / PCA 같은 단순 benchmark를 살아 있게 유지해야 한다.
모델 앙상블: 전 구간에서 하나의 모델을 고르는 것보다 레짐 → 모델 선택이 더 합리적일 수 있다. 예컨대 정상 시장에서는 AR/DNS, 이벤트 전후에서는 LGBM/RNN처럼 model routing을 시도할 수 있다.
리스크관리: 딥러닝의 RMSE가 조금 좋더라도 방향성 포지션의 turnover와 tail loss가 크면 사용할 이유가 없다.
한국 적용: 국고 3·5·10·20·30년을 대상으로 AR/DNS/PCA → LightGBM → RNN/Transformer 순으로 benchmark ladder를 만든 뒤, RMSE가 아니라 DV01 가중 OOS P&L로 비교하는 것이 적절하다.
데스크 적용 우선순위: ★★★★☆