다룬 자료 · Yield Curve Forecasting Using Machine Learning and Econometrics: A Comparative Analysis
머신러닝 계열에서는 TimeGPT, LightGBM과 RNN이 상대적으로 양호했지만, 성능은 시장국면과 데이터의 정상성 처리 방법에 크게 좌우됐다. 특히 금리 수준과 금리 변화 중 무엇을 예측하는지, 학습구간에 구조적 단절이 포함되는지가 모델 순위를 바꿀 수 있다.
편집 전 브리핑 원문 펼치기
구분: 논문·arXiv 프리프린트
발표일: 2026년 5월 11일
원문: arXiv 논문
핵심 요약
47년간의 미국 국채 수익률곡선 데이터를 이용해 ARIMA 계열, 단순 기준모형, 앙상블 머신러닝, RNN 및 시계열 Transformer를 폭넓게 비교한 연구다. 결과는 복잡한 딥러닝이 항상 우월하지 않으며, 대부분의 평가구간에서 ARIMA와 단순 계량모형이 전체적으로 더 좋은 성능을 보였다는 점을 강조한다.
머신러닝 계열에서는 TimeGPT, LightGBM과 RNN이 상대적으로 양호했지만, 성능은 시장국면과 데이터의 정상성 처리 방법에 크게 좌우됐다. 특히 금리 수준과 금리 변화 중 무엇을 예측하는지, 학습구간에 구조적 단절이 포함되는지가 모델 순위를 바꿀 수 있다.
실무 시사점
- 모델 개발: Transformer를 도입하기 전에 random walk, AR, ARIMA, DNS 같은 강한 기준모형을 먼저 구축해야 한다.
- 레짐 검증: 전체 기간 평균 성능보다 긴축·인하·위기·재정확대 국면별 성과를 분리해야 한다.
- 데이터 처리: 금리 수준, 금리 변화, 포워드금리, PCA 요인 중 어떤 표현을 입력으로 쓰느냐가 아키텍처보다 중요할 수 있다.
- 트레이딩 평가: 예측오차뿐 아니라 DV01 중립 커브전략의 손익, 회전율, 거래비용과 최대낙폭으로 모델을 선정해야 한다.
데스크 적용 우선순위: ★★★★☆