캐리 정보를 머신러닝과 결합하기

구분: 논문·SSRN 프리프린트
발표일: 2025년 8월 31일·2025년 12월 31일 개정본
원문: SSRN 논문 페이지 · PDF

핵심 요약

미국 회사채 수익률을 예측 가능한 캐리와 잔여 가격수익률로 분해한 뒤, 머신러닝에는 잔여 가격수익률만 예측하도록 하는 하이브리드 방법을 제안한다. 연구진은 250만 건 이상의 회사채 관측치와 63개 예측변수를 활용해, 전체 수익률을 그대로 학습하는 일반적인 머신러닝보다 경제적 구조를 반영한 접근법이 더 효과적인지 검증한다.

핵심은 채권 수익의 상당 부분이 이미 수익률곡선과 보유기간에서 결정되는 캐리라는 점이다. 이 성분을 모델이 다시 학습하게 하지 않고, 신용 스프레드 변화·유동성·가격조정에서 발생하는 잔여 부분에 모델 용량을 집중한다. 이는 전통적인 채권 운용 논리와 비선형 머신러닝을 결합한 구조다.

실무 시사점

• 트레이딩: 회사채 예상수익을 캐리·롤다운 + 스프레드 변화 예상치 − 거래비용으로 분해해 신호를 구축하는 것이 적절하다.
• 모델링: 머신러닝이 채권의 기계적인 캐리까지 재학습하도록 두면, 표본 내 성능은 높지만 금리국면이 바뀔 때 불안정해질 수 있다.
• 리스크관리: 캐리가 높은 종목은 대개 신용·유동성 위험도 크므로, 예측수익을 등급·듀레이션·산업 및 유동성 팩터에 대해 중립화해야 한다.
• 한국 적용: 민평 대비 스프레드 변화 예측과 잔존만기 축소에 따른 롤다운을 분리하면, 여전채·회사채 상대가치 모델의 해석력이 높아진다.

데스크 적용 우선순위: ★★★★★