금리곡선에는 많은 만기의 정보가 겹친다. DNS는 수준·기울기·굴곡의 형태로, PCA는 통계적 공통 움직임으로 이를 줄인다. 연구는 이 금리요인을 신경망에 입력하고 거시정보를 더하는 구성이 미국과 유럽에서 같은 효과를 내는지 비교한다.
미국에서는 오토인코더로 압축한 거시변수와 DNS를 결합한 직접예측 신경망이 우수했다. 오토인코더는 많은 변수의 정보를 작은 표현으로 줄이는 학습 도구다. 유럽에서는 거시 입력을 추가한 모델보다 PCA 금리요인만 사용한 모델이 더 좋은 결과를 보였다고 기록한다.
통계 오차와 방향 적중률뿐 아니라 듀레이션 전략의 경제적 성과를 함께 측정했다. 듀레이션은 금리가 움직일 때 가격이 얼마나 반응하는지를 나타낸다. 이 평가에서도 좋은 입력이 시장마다 달랐다는 점은 국내 자료에서 추가 정보의 가치를 먼저 확인해야 할 이유다. 같은 모형을 도입했다는 사실만으로 운용 성과를 예상할 수 없다.
SCOPE미국·유럽의 특정 입력 비교로 국내 거시·수급 추가 효과와 비용 조건은 검증되지 않았다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
같은 신경망도 거시정보의 효과는 시장별로 달랐다0 primary · 6 archived +
These 6 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·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: ★★★★★