편집 전 브리핑 원문 펼치기
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: ★★★★☆