기존 Random Forest/GBM proximity와 QCML representation을 비교했는데, 특히 입력 변수가 많고 부도-near outlier가 많은 HY universe에서는 QCML proximity가 classical RF proximity보다 더 나은 결과를 냈다고 보고한다. IG에서는 차이가 상대적으로 작았다.
편집 전 브리핑 원문 펼치기
구분: 회사채 ML 연구 · arXiv / Supervised Similarity
최신 원문 버전: 2026년 3월 22일
선정: 최신성보다 기술적 가치 때문에 선정
이 논문에서 quantum이라는 단어 때문에 양자컴퓨터 연구로 오해하면 안 된다. 실제 핵심은 **“회사채끼리 어떤 방식으로 비슷하다고 정의해야 하는가”**라는 metric-learning 문제다. arXiv 원문
핵심 요약
회사채는 거래가 희소하므로 원하는 종목의 최근 가격이 없을 때 가장 비슷한 다른 채권을 찾아 가격·spread·hedge를 추정하는 것이 중요하다. 저자들은 similarity 자체를 coupon/rating/sector의 단순 Euclidean distance로 정의하지 않고 특정 target을 잘 예측하도록 supervised distance를 학습한다.
예를 들어 spread가 target이라면:
spread가 비슷하게 움직이는 bond들은 feature space에서도 가깝도록
metric을 학습한다.
기존 Random Forest/GBM proximity와 QCML representation을 비교했는데, 특히 feature가 많고 default-near outlier가 많은 HY universe에서는 QCML proximity가 classical RF proximity보다 더 나은 결과를 냈다고 보고한다. IG에서는 차이가 상대적으로 작았다.
채권 트레이딩 시사점
이 연구에서 중요한 부분은 QCML 자체보다 supervised similarity 개념이다.
회사채 A와 B가 둘 다:
- AA-
- 4년 만기
- 제조업
이라고 해서 실제 시장에서는 비슷하지 않을 수 있다.
반대로 sector가 달라도:
- 유동성
- equity beta
- spread beta
- leverage
- funding pattern
이 유사하면 실제 가격행동은 더 비슷할 수 있다.
따라서:
Similarity ≠ fundamental metadata similarity
이고,
Similarity = target-specific behavioral similarity
로 보는 것이 좋다.
한국 시장 복제 아이디어
국내 회사채에서 각 채권에 대해 Dynamic Peer 10개를 찾아주는 모델을 만들 수 있다.
입력:
- rating
- sector
- maturity
- coupon
- issue size
- turnover
- spread
- equity volatility
- group affiliation
- recent spread beta
출력:
이 종목의 현재 시장상태에서 가장 참고할 만한 채권 Top 10
그 다음:
Peer-implied fair spread
− 현재 bond spread
를 RV signal로 사용한다.
이 모델은 비유동 종목의 fair value, substitution, hedge basket, anomaly detection을 모두 지원한다. 실제 논문도 illiquid bond pricing, tradable substitute selection, hedging, anomaly detection을 주요 활용사례로 제시한다.
데스크 적용 우선순위: ★★★★★