연구진은 범주형 속성을 one-hot encoding으로 단순 처리하는 대신, 각 속성의 의미적 관계를 학습하는 임베딩을 사용했다. 특히 거래자료가 부족한 발행사나 종목의 커브를 보완하는 sparse-발행사 augmentation 평가에서 전통적 방법보다 개선된 결과를 보고했다.
편집 전 브리핑 원문 펼치기
구분: 논문·arXiv 프리프린트
발표일: 2026년 2월 2일
원문 링크: 논문 원문
핵심 요약
TD Bank와 TD Securities 연구진이 머신러닝 임베딩을 이용해 특정 채권과 경제적으로 유사한 채권을 검색하는 방법을 제안했다. 기존 유사채 탐색은 듀레이션, 등급, 스프레드처럼 숫자로 표현되는 변수에 치우치기 쉬운데, 이 연구는 발행사 업종과 소재 국가 등 범주형 정보가 스프레드 커브 설명에 상당히 중요하다고 지적한다.
연구진은 범주형 속성을 one-hot encoding으로 단순 처리하는 대신, 각 속성의 의미적 관계를 학습하는 임베딩을 사용했다. 특히 거래자료가 부족한 발행사나 종목의 커브를 보완하는 sparse-issuer augmentation 평가에서 전통적 방법보다 개선된 결과를 보고했다.
실무 시사점
트레이딩: 신종 회사채나 장기간 미거래된 종목의 적정 스프레드를 산출할 때 가장 먼저 필요한 것은 유사채군 선정이다. 잘못된 peer group은 이후의 정교한 모델도 무의미하게 만든다.
리스크관리: 유사채 검색은 비유동 종목의 평가가격뿐 아니라 스트레스 시 대체 헤지 종목 선정에도 활용할 수 있다.
시장미시구조: 한국 시장에서는 발행사, 신용등급, 업종, 그룹 계열, 후순위 여부, 옵션 구조, 담보, 발행시장 수요예측 결과를 임베딩하는 방식이 유효하다.
구현 포인트: 모델이 추천한 유사채와 딜러가 선택한 유사채의 차이를 축적하면, 딜러의 암묵지를 학습데이터로 전환할 수 있다.
데스크 적용 우선순위: ★★★★★