채권의 베타는 시장 수익이 움직일 때 채권 수익이 함께 반응하는 정도다. 이를 항상 없다고 두거나 발행사마다 하나의 값으로 고정하면 만기와 거래조건의 차이를 놓칠 수 있다. 연구는 미국 회사채에서 신용등급을 통제한 뒤에도 이런 차이가 남는지 분석한다.
미국 회사채 10,912개를 분석한 보존 결과는 신용등급 통제 뒤에도 만기와 유동성 차이가 남았다고 설명한다. 만기가 1표준편차 늘 때 부채 베타가 약 25%, 비유동성이 1표준편차 늘 때 약 13% 높았다. 두 값은 같은 부채 베타에 대한 서로 다른 특성의 추정 효과이며 금리나 스프레드 변화율이 아니다. 금리 민감도 정렬과 거래구조 조정 등의 검증에서도 관계가 유지됐다.
등급은 상환 위험의 정보를 담지만 만기와 거래 어려움까지 동일하게 만들지는 않는다. 따라서 기업의 자본비용이나 채권 위험을 추정할 때 어떤 종목의 부채를 쓰는지가 중요하다. 다만 보존된 연구를 국내 종목의 베타 값으로 대체할 수 없으며 관측된 관계를 만기 증가의 인과효과로 단정하지 않는다.
SCOPE역사적 연구 기록이다. 국내 베타나 표본별 계수는 추정하지 않았고 관계를 인과효과로 확대하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Debt Betas: Maturity, Liquidity, and the Cost of Capital0 primary · 1 archived +
These 1 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 ↓Show the original briefing text
구분: 논문 · SSRN / 회사채 리스크 모델
게시일: 2026년 8월 10일
작성일: 2026년 8월 9일
원문: SSRN 원문
핵심 요약
회사채 beta를 0으로 두거나 issuer별 고정값으로 두는 관행이 현실적으로 맞지 않는다는 연구다. 미국 회사채 10,912개를 분석한 결과 신용등급을 통제한 뒤에도 만기가 길수록, 유동성이 낮을수록 debt beta가 높아진다. 1표준편차의 만기 증가와 illiquidity 증가는 debt beta를 각각 약 25%, 13% 높이는 것으로 추정됐다. 결과는 duration matching, microstructure adjustment, portfolio aggregation 등 여러 robustness test에서도 유지된다.
AI·리스크관리 시사점
ML 포트폴리오에서 흔히 하는 실수는 “예상수익 모델”은 매우 정교한데 risk model은 정적인 duration·rating bucket으로 두는 것이다.
그렇다면 최종 optimizer가 좋은 alpha를 잘못된 risk unit으로 배분할 수 있다.
회사채 위험은 최소한:
Duration
× Credit
× Liquidity
× Systematic Beta
로 분리하는 편이 낫다.
특히 stress에서는 liquidity beta가 평시보다 크게 뛰므로 beta 자체를 time-varying target으로 ML로 예측할 가치가 있다.
한국 적용
국내 회사채·여전채에서 단순 스프레드 DV01만 쓰기보다:
KOSPI beta
국고채 beta
섹터 spread beta
liquidity beta
를 rolling/conditional 방식으로 추정하면 더 현실적인 portfolio risk model이 된다.
즉 AI 시스템의 다음 단계는 Expected Return Model만이 아니라 **Expected Beta / Liquidity Risk Model**도 같이 만드는 것이다.
데스크 적용 우선순위: ★★★★☆