채권을 보유하면 이자와 시간 경과로 얻는 캐리, 시장가격 변화로 얻는 수익이 함께 생긴다. 연구는 총수익 전체를 학습시키기보다 곡선과 현금흐름으로 계산하는 캐리를 분리한다. 머신러닝은 남은 불확실한 가격변화를 예측해 두 값을 다시 합친다.
1992~2019년 미국 회사채 자료에서 결합방식은 총수익 직접 예측보다 좋았다. 특히 신용등급이 낮아 높은 이자를 지급하는 고수익채에서 신용·유동성의 비선형성이 중요했다. 이미 알려진 부분을 모델이 다시 배우는 부담을 줄이고 불확실한 부분에 예측능력을 쓰려는 설계다.
순수 머신러닝 매수·매도 전략은 높은 회전율로 수익의 60~80%가 비용에 소모됐고 결합전략은 회전율과 순수익이 더 안정적이었다. 이는 비용가정을 둔 비교다. 국내에서도 캐리를 계산하는 정의와 실행가능 비용을 고정하고 예측오차·회전율·순수익을 함께 비교해야 한다.
SCOPE미국 표본과 거래비용 가정에 의존한다. 국내 고수익채의 동일 효과를 보장하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
캐리를 계산하고 가격변화를 예측하는 모델0 primary · 5 archived +
These 5 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: Corporate Bond ML · Fixed-income-specific Target Engineering
SSRN 공개: 2026년 1월 28일
선정: 최신성보다 기술적 가치 때문에 선정
핵심 요약
이 연구의 아이디어는 단순하지만 매우 중요하다. 회사채 total return 전체를 ML로 예측하지 않고:
Bond Total Return = Carry + Price Return
으로 분해한 뒤, 이미 yield curve가 알려주는 carry는 구조적으로 계산하고 ML은 residual price return만 예측한다. Tsinghua 원문 PDF
1992~2019년 미국 회사채 데이터를 대상으로 이 hybrid 방식이 total return을 바로 ML에 넣는 방식보다 예측력이 높았다고 보고한다. HY에서 예측력이 특히 높았고, 이는 nonlinear credit risk와 liquidity shock에 의해 주로 나타났다.
더 중요한 것은 transaction cost다. 순수 ML long-short 전략은 gross alpha가 컸지만 높은 turnover 때문에 수익의 60~80%가 거래비용으로 사라진 반면, carry와 ML을 결합한 전략은 turnover가 낮고 net return이 더 안정적이었다.
채권 트레이딩 시사점
이 논문은 채권 ML의 target을 equity처럼 만들면 안 된다는 강한 사례다.
예를 들어:
잘못된 방식
features → next-month bond total return
보다:
Fixed-income aware 방식
Known Carry
+
ML predicted residual price move
가 더 자연스럽다.
왜냐하면 carry는 이미 금리곡선과 bond cash flow에서 상당 부분 결정되어 있기 때문이다.
ML에게 이미 수학적으로 계산 가능한 부분까지 다시 학습시키면 scarce sample capacity를 낭비할 수 있다.
한국 시장 복제 아이디어
국고채에서도:
Expected holding-period return
을
Roll-down + Carry + Forecast Price Change
로 분해한다.
예를 들어 10년 국고채의 1개월 expected P&L을:
① Known component
- carry
- roll-down
② ML component
- 예상 level change
- curve residual
- supply/flow impact
로 나눈다.
그리고 최종 position은:
Carry + ML Alpha − Expected Transaction Cost
로 만든다.
회사채에서도:
현재 spread carry
+
expected spread compression/widening
을 따로 모델링하는 것이 훨씬 해석 가능하다.
실무 적용 우선순위: ★★★★★