결과적으로 macro-panic을 추가한 QRF는 여러 quantile에서 기존 모델보다 높은 예측력을 보이고, 특히 경기침체기에 강한 countercyclical pattern을 보인다. 또 만기별 차이가 뚜렷하다. 단기 채권 tail risk는 dash-for-cash형 거시·유동성 패닉에 더 민감한 반면, 장기물은 flight-to-safety 수요가 더 큰 역할을 한다.
편집 전 브리핑 원문 펼치기
구분: 논문 · SSRN Working Paper
게시일: 2026년 4월 7일, 2026년 6월 IAAE 발표
원문: SSRN / 저자 연구 페이지.
핵심 요약
대부분의 채권 ML은 평균 기대수익을 예측하지만, 이 연구는 bond risk premium의 전체 조건부분포와 tail을 예측한다. 핵심 변수는 다양한 거시정보의 상단 꼬리를 압축한 latent “macro-panic” factor이며, Quantile Random Forest(QRF)를 이용해 비선형적인 위기 임계값을 학습한다.
결과적으로 macro-panic을 추가한 QRF는 여러 quantile에서 기존 모델보다 높은 예측력을 보이고, 특히 경기침체기에 강한 countercyclical pattern을 보인다. 또 만기별 차이가 뚜렷하다. 단기 채권 tail risk는 dash-for-cash형 거시·유동성 패닉에 더 민감한 반면, 장기물은 flight-to-safety 수요가 더 큰 역할을 한다.
실무 시사점
이 연구의 가장 큰 포인트는 평균 P&L을 예측하는 모델과 손실 꼬리를 예측하는 모델을 분리해야 한다는 것이다.
예를 들어:
E[P&L | state] = +800만원
이어도 동시에
5% quantile P&L = -8,000만원
이라면 행동은 완전히 달라져야 한다.
따라서 자동매매 정책은 단순히
argmax E[P&L]
이 아니라
Expected P&L – λ × Tail Loss
형태에 가까워야 한다.
한국 적용: 레고랜드 같은 상황에서는 평균 스프레드 예측보다 tail widening probability가 훨씬 중요하다. CP·여전채·회사채에서 유동성 스트레스 + PF news + repo/funding + 발행실패 + 크레딧 spread를 넣어 P(스프레드 +20bp 이상)을 직접 추정하는 모델이 실무적으로 강하다.
데스크 적용 우선순위: ★★★★★