편집 전 브리핑 원문 펼치기
구분: 논문 · Management Science forthcoming / SSRN
최근 개정: 2026년 6월 28일
원문: SSRN 최신본.
핵심 요약
이 연구는 개별 채권의 기대수익을 먼저 예측하고 이후 mean-variance optimization을 수행하는 전통 구조를 우회한다. 대신 딥러닝으로 고차원 특성을 압축해 deep long-short factor를 직접 만들고, benchmark portfolio와 결합해 Sharpe ratio를 최대화하는 포트폴리오를 학습한다. 미국 회사채 적용에서는 채권·주식·옵션에서 얻은 132개 특성을 함께 사용한다. 최신 소개자료에 따르면 deep factor의 표본외 Sharpe는 1을 넘고, market factor와 결합한 deep tangency portfolio는 Sharpe 2를 넘으며 기존 observable·latent factor 조합을 상회한다.
실무 시사점
이 논문의 핵심은 Prediction Model과 Portfolio Model을 하나로 합친다는 점이다.
일반적인 구조는
특성 → 종목 수익률 예측 → covariance → optimizer
인데, 이 방식은 두 단계의 추정오차가 누적된다. Deep Tangency는 오히려
특성 → portfolio weights → portfolio Sharpe
를 직접 최적화한다.
한국 회사채나 국고 상대가치에서는 훨씬 현실적인 형태로 축소할 수 있다. 예를 들어 3/10·10/30·본드스왑·지표-경과 후보를 입력하고 모델이 개별 가격방향이 아니라 DV01-normalized 포트폴리오 weight를 직접 출력하게 할 수 있다.
다만 논문의 headline Sharpe를 그대로 믿어서는 안 된다. 실제 국내 채권 적용에서는 거래비용, 대차, 호가 size, 미체결과 포지션 한도를 loss function에 반드시 넣어야 한다.
데스크 적용 우선순위: ★★★★★