미국에서는 DNS 요인으로 금리곡선을 축약하고 autoencoder로 거시변수를 압축한 직접예측 신경망이 가장 우수했다. 유럽에서는 거시변수를 추가한 모델보다 PCA 기반 금리요인만 사용한 신경망이 더 나은 결과를 보였다. 즉, 동일한 AI 구조를 모든 채권시장에 적용하는 것이 아니라 시장별 데이터 구조와 거시정보의 추가가치를 별도로 검증해야 한다.
편집 전 브리핑 원문 펼치기
구분: 논문·arXiv 프리프린트
발표일: 2026년 6월 25일
원문 링크: arXiv 원문 · HTML
핵심 요약
미국과 유럽의 제로쿠폰 국채 수익률곡선을 대상으로 Dynamic Nelson–Siegel, PCA 등 전통 모형과 여러 신경망 구조를 비교한다. 평가를 RMSE·MAE·방향 적중률에 한정하지 않고, 예측을 이용한 듀레이션 운용전략의 실제 경제적 성과까지 함께 측정한 것이 특징이다.
미국에서는 DNS 요인으로 금리곡선을 축약하고 autoencoder로 거시변수를 압축한 직접예측 신경망이 가장 우수했다. 유럽에서는 거시변수를 추가한 모델보다 PCA 기반 금리요인만 사용한 신경망이 더 나은 결과를 보였다. 즉, 동일한 AI 구조를 모든 채권시장에 적용하는 것이 아니라 시장별 데이터 구조와 거시정보의 추가가치를 별도로 검증해야 한다.
실무 시사점
금리 트레이딩: 금리 예측오차가 작다는 사실만으로 좋은 전략은 아니다. 예측 방향을 실제 듀레이션으로 전환했을 때 캐리·롤다운·회전율·거래비용을 차감한 성과로 모델을 선택해야 한다.
모델 구조: DNS나 PCA를 버리고 end-to-end 신경망으로 대체하기보다, 전통 금리요인을 입력·잠재변수로 활용하는 하이브리드 구조가 실무적으로 안정적이다.
리스크관리: 미국에서 유효한 거시변수 압축 방식이 유럽에서는 성능을 저하시켰다. 한국 시장에서도 미국 금리, 환율, 유가, 국내 지표를 무차별적으로 투입하지 말고 변수군별 ablation test가 필요하다.
한국 적용: 국고 3·5·10·20·30년 제로금리와 3·10년 국채선물을 함께 사용해 금리 예측 → 목표 DV01 → 선물 계약 수까지 연결된 백테스트를 구성할 수 있다.
데스크 적용 우선순위: ★★★★★