가장 중요한 결과는 입력정보다. 회사채 자체 변수뿐 아니라 Treasury와 주식시장 예측변수를 함께 사용할 때 성능이 가장 좋았다. 반면 stacking 구조를 지나치게 복잡하게 만든다고 더 좋아지는 것은 아니며, 비교적 단순한 ensemble이 더 좋은 예측을 보였다.
편집 전 브리핑 원문 펼치기
구분: 논문 · SSRN / Journal of Banking & Finance R&R
SSRN 게시: 2026년 4월 7일
원문: SSRN / 저자 연구 페이지.
핵심 요약
회사채 수익률 예측에서 한 개의 ML 모델을 고르는 대신 Stacking ensemble을 이용해 여러 모델의 정보를 결합한다. 연구 결과 Stacking은 개별 모델보다 통계적·경제적 성과를 개선하며, 등급과 만기 구간 전반에서 성능 향상이 나타난다.
가장 중요한 결과는 입력정보다. 회사채 자체 변수뿐 아니라 Treasury와 주식시장 예측변수를 함께 사용할 때 성능이 가장 좋았다. 반면 stacking 구조를 지나치게 복잡하게 만든다고 더 좋아지는 것은 아니며, 비교적 단순한 ensemble이 더 좋은 예측을 보였다.
실무 시사점
이건 한국 크레딧 모델에 직접적인 시사점이 있다.
회사채 자체 정보:
민평 spread / 등급 / 잔존만기 / 유동성
만 넣는 것보다
국고채 curve + 주가 + equity vol + sector + 발행사 뉴스
를 결합하는 것이 낫다는 방향이다.
특히 모델을
LightGBM
Linear/ElasticNetTime-series modelCredit structural model
로 나눈 뒤 meta-model이 상황별로 가중치를 결정하도록 만들 수 있다.
리스크관리: 한 모델이 특정 regime에서 크게 틀려도 ensemble이 전체 오류를 완화할 가능성이 있다. 다만 모델들이 동일 데이터와 유사한 feature를 공유하면 겉보기에는 4개 모델이어도 실제론 하나의 crowding risk일 수 있으므로 prediction correlation을 반드시 봐야 한다.
데스크 적용 우선순위: ★★★★☆