1992~2019년 미국 회사채 데이터를 대상으로 이 hybrid 방식이 total return을 바로 ML에 넣는 방식보다 예측력이 높았다고 보고한다. HY에서 예측력이 특히 높았고, 이는 비선형 credit risk와 유동성 shock에 의해 주로 나타났다.
더 중요한 것은 transaction cost다. 순수 ML long-short 전략은 gross 초과수익 신호가 컸지만 높은 turnover 때문에 수익의 60~80%가 거래비용으로 사라진 반면, 캐리와 ML을 결합한 전략은 turnover가 낮고 net return이 더 안정적이었다.
편집 전 브리핑 원문 펼치기
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: ★★★★★