모델은 cross-sectional fund selection과 macro 변수를 이용한 time-series expected abnormal 수익률 예측을 두 단계로 분리한다. 가장 강한 predictor는 fund·fund-family 특성, 특히 과거 risk-adjusted performance였고, 오히려 개별 보유채권의 maturity·수익률·유동성 같은 holdings-level 정보는 manager skill 구분에 큰 도움을 주지 못했다.
예측력은 회사채와 municipal bond fund에서 강하고 Treasury bond fund에서는 약했다고 보고한다.
편집 전 브리핑 원문 펼치기
구분: Bond ML · Manager/Strategy Selection
최종 개정: 2026년 7월 31일
선정: 최신성보다 “무엇을 예측해야 하는가”라는 target-design 가치 때문에 선정
핵심 요약
Ron Kaniel, Markus Pelger, Stijn Van Nieuwerburgh, Luofeng Zhou는 1995~2024년 3,021개 미국 채권펀드를 대상으로 ML을 이용해 향후 outperformer와 underperformer를 사전에 구분할 수 있는지 분석했다. Columbia Business School 연구 페이지
모델은 cross-sectional fund selection과 macro 변수를 이용한 time-series expected abnormal return prediction을 두 단계로 분리한다. 가장 강한 predictor는 fund·fund-family 특성, 특히 과거 risk-adjusted performance였고, 오히려 개별 보유채권의 maturity·yield·liquidity 같은 holdings-level 정보는 manager skill 구분에 큰 도움을 주지 못했다.
예측력은 corporate bond와 municipal bond fund에서 강하고 Treasury bond fund에서는 약했다고 보고한다.
채권 데스크에서의 시사점
흥미로운 포인트는 모델 자체보다 label이다.
일반적으로 quant research는:
“다음 가격을 예측하자.”
부터 출발한다.
하지만 이 연구는:
“누가 반복적으로 좋은 의사결정을 하는가?”
를 예측한다.
우리 데스크에도 같은 사고를 적용할 수 있다.
예를 들어 모델 target을:
next 10Y return
만 만들지 않고:
- 어떤 dealer signal이 좋은가
- 어떤 broker quote가 informative한가
- 어떤 전략이 현재 regime에서 잘 맞는가
- 어떤 연구자의 factor가 live에서 지속되는가
처럼 meta-prediction으로 확장할 수 있다.
한국 시장 복제 아이디어
특히 재미있는 것은 Strategy Allocator다.
여러 모델이 있다면:
- Curve model
- Flow model
- Macro model
- News model
- Microstructure model
각각의 최근 성능·regime별 성능·drawdown·forecast confidence를 입력으로 넣어:
P(strategy i has positive alpha | current state)
를 예측한다.
즉 모델이 금리를 예측하는 것 위에 “어떤 모델을 믿을 것인가?”를 예측하는 second-level model을 둔다.
이는 앞서 다룬 ensemble보다 한 단계 더 적극적인 model-selection problem이다.
실무 적용 우선순위: ★★★★☆