changjinhan
FIXED INCOME / FIELD NOTES

중국 금리곡선에서 비교한 비선형 모델

중국 금리곡선에서는 어떤 비교모형과 변수축약이 유효했는가?

Research note2 min readSources & evidence ↓

금리곡선은 만기에 따라 다른 금리의 집합이다. 연구는 중국 국채 3개월~10년 구간에 거시·시장·곡선의 31개 특징을 만든다. SVR과 여러 트리모형을 동적 Nelson–Siegel 곡선모형, ARIMA와 무작위보행 기준에 비교해 추가정보의 가치를 확인한다.

Extra Trees의 예측정확도가 가장 높았고 1개월을 넘는 예측기간에서 우위가 두드러졌다. 연구는 각 변수가 예측값에 얼마나 기여했는지 설명하는 SHAP 분석으로 중요한 변수를 다시 골랐다. 6개월 SHIBOR, 환율·지급준비율·주택·투자·곡선의 주요 요인 등 6개가 반복적으로 중요했다.

선택 변수만 사용한 축약모형은 오히려 성능이 개선됐다. 많은 특징을 넣는 것이 항상 유리하지 않다는 해당 자료와 검증 설계에서 얻은 비교결과다. 변수선택에도 과적합 가능성이 있어 국내 적용은 선택단계를 학습구간 안에서 반복하고 보지 않은 기간의 오차·비용후 성과를 다시 비교해야 한다.

SCOPE중국 표본의 금리예측 결과다. 국내 예측우위나 실거래 이익은 별도 검증이 필요하다.

Evidence & verification ↓

Sources & evidence

Original passages appear only when checked against the publication. Earlier briefing records are identified separately.

중국 금리곡선에서 비교한 비선형 모델0 primary · 2 archived +
EARLIER BRIEFING RECORD

These 2 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 ↓
Publication links ↑
Show the original briefing text

구분: 국채 Yield Curve ML · Extra Trees / RF / SVR / SHAP
발표일: 2026년 8월 20일
출처: Journal of Innovation & Knowledge

핵심 요약

이 연구는 중국 국채 3개월부터 10년까지 yield curve를 대상으로 31개 macro·market·term-structure feature를 구성하고, SVR·Extra Trees·Random Forest·AdaBoost를 DNS·ARIMA·Random Walk와 비교한다. 결과적으로 Extra Trees가 가장 높은 예측 정확도를 보였고, 특히 1개월을 넘는 horizon에서 전통적 benchmark 대비 우위가 두드러졌다. ScienceDirect 원문

이 논문의 좋은 점은 prediction에서 끝나지 않고 SHAP으로 feature importance와 방향성을 분석한 뒤, 중요한 변수만 다시 추려 모델을 재학습한다는 점이다. 최종적으로 6개월 SHIBOR, USD/CNY, 지급준비율, 주택가격, 고정자산투자, yield 첫 번째 PCA factor 등 6개 변수가 일관되게 중요하게 나타났고, 이들만 사용한 축약모델의 성능이 오히려 개선됐다.

채권 트레이딩 시사점

핵심은:

Feature를 많이 넣는 것과 information을 많이 넣는 것은 다르다.

이다.

31개 변수를 넣은 뒤 SHAP을 이용해 중요한 information set을 다시 압축했을 때 성능이 개선됐다는 것은, fixed income에서 특히:

Macro universe → nonlinear model
→ importance/interaction 분석
→ compact state representation

과정이 효과적일 수 있음을 보여준다.

또 중국처럼 정책변수·환율·유동성 요인이 강한 시장에서 tree model이 좋은 성능을 냈다는 점은 한국에도 꽤 직접적이다.

한국 시장 복제 아이디어

국고채 모델에 처음부터 100개 feature를 모두 넣는 대신, 다음 5개 cluster를 만든다.

  • 통화정책
  • 국내 macro
  • global rates
  • FX
  • flow/liquidity

각 cluster에서 feature를 10~20개 넣어 Extra Trees/LightGBM을 학습한 뒤:

SHAP importance

  • stability by regime
  • incremental IC

로 핵심 feature만 남긴다.

예를 들어 최종 모델이:

KOFR/OIS USD/KRW UST10Y 외국인 10선 flow curve PC1

5개로 50개짜리 모델과 비슷하거나 더 좋다면, production에서는 작은 모델이 훨씬 낫다.

실무 적용 우선순위: ★★★★★