금융에서 AI를 평가할 때 예측이 정확한지만 물으면 실제 의사결정과 시장 변화가 빠질 수 있다. 이 정리논문은 자산가격, 은행, 기업금융에서 AI 연구가 어떤 문제로 확장되는지를 다룬다. 새로운 데이터를 사용하고 판단을 자동화하는 변화뿐 아니라 AI 자체가 거래 참여자의 행동을 바꾸는 문제까지 포함한다.
채권에 연결되는 활용은 언어자료를 정형 변수로 바꾸는 과정과 많은 입력을 사용한 수익·위험 예측이다. 보고서나 뉴스가 숫자 입력으로 바뀌면 기존 가격자료와 함께 분석할 수 있다. 그러나 자료가 추가됐다는 것과 예측이 새 기간에서도 좋아졌다는 것은 서로 다른 검증 단계다.
여러 참여자가 비슷한 AI 판단을 사용하면 같은 거래로 몰리는 현상과 가격발견 과정의 변화도 연구 대상이 된다. 정리논문은 이 문제들을 함께 보도록 범위를 넓힌다. 보존된 자료에는 개별 기법을 같은 표본과 비용 조건에서 비교한 성과가 없으므로 모든 AI 활용을 하나의 우수한 방법으로 묶을 수 없다.
SCOPE종합 정리의 역사적 기록이다. 개별 논문의 표본과 계수, 통합 성과를 재검증한 결과는 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Artificial Intelligence in Finance: What Have We Learned?0 primary · 2 archived +
These 2 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: 연구 리뷰 · SSRN
발표일: 2026년 7월 10일
원문 링크: SSRN PDF
핵심 요약
이 논문은 금융에서 AI 연구가 단순히 “어떤 알고리즘이 더 정확한가”를 넘어 새로운 데이터, 시장행동 변화, 의사결정 자동화와 AI 자체가 시장을 바꾸는 문제로 이동하고 있다고 정리한다. 전통적인 asset pricing·banking·corporate finance뿐 아니라 LLM, alternative data와 AI agents가 금융 의사결정 구조를 어떻게 바꾸는지를 폭넓게 다룬다.
채권 관점에서 중요한 흐름은 세 가지다. 첫째는 비정형 정보를 정형 factor로 변환하는 NLP/LLM, 둘째는 고차원 데이터를 이용한 수익·리스크 예측, 셋째는 AI 참가자 증가로 가격발견·crowding·시장안정성 자체가 변화하는 문제다.
실무 시사점
앞으로 채권 AI를 평가할 때 모델을 세 층으로 분리하는 것이 유용하다.
Prediction AI
금리·spread·fair value 예측.
Decision AI
size·portfolio·execution·quote 결정.
Market AI
다른 알고리즘 참가자의 행동 때문에 시장구조 자체가 바뀌는 효과.
세 번째 층을 무시하면 백테스트에서는 좋은 모델인데 실제 투입 후 자신의 거래와 경쟁자 반응 때문에 알파가 사라지는 performative failure가 생길 수 있다.
따라서 production 모델에는 정확도 외에도 signal decay, capacity, market impact, crowding proxy를 표준 KPI로 넣는 편이 좋다.
데스크 적용 우선순위: ★★★★☆