결과는 상당히 현실적이다. 지수 level에서는 MLP조차 강한 naive persistence benchmark를 크게 이기지 못했고, return을 직접 예측하면 예측값이 거의 0으로 수렴했다. 반면 unit root를 제거하되 memory를 최대한 유지한 fractional-differenced series에서 MLP의 추가 예측력이 가장 컸다. 이미지 인코딩을 사용한 CNN-GAF는 모든 representation에서 표본외 (R^2)가 음수였다.
편집 전 브리핑 원문 펼치기
구분: 논문 · arXiv
발표일: 2026년 5월 27일
원문: arXiv 원문
핵심 요약
2018년~2026년 2월의 미국 Aggregate Bond Index를 대상으로 MLP와 CNN 기반 딥러닝의 단기 예측력을 비교한다. 연구진은 원 지수 수준, log return, fractional differencing 데이터 등 세 가지 representation을 테스트했다.
결과는 상당히 현실적이다. 지수 level에서는 MLP조차 강한 naive persistence benchmark를 크게 이기지 못했고, return을 직접 예측하면 예측값이 거의 0으로 수렴했다. 반면 unit root를 제거하되 memory를 최대한 유지한 fractional-differenced series에서 MLP의 추가 예측력이 가장 컸다. 이미지 인코딩을 사용한 CNN-GAF는 모든 representation에서 표본외 (R^2)가 음수였다.
실무 시사점
이 논문은 architecture보다 target engineering이 먼저라는 강한 경고다.
채권에서 우리가 학습시키려는 target이
10년 금리
인지,
10년 금리 변화
인지,
carry 제거 후 residual return
인지,
실제 체결 후 30초 mark-out
인지에 따라 난이도가 완전히 달라진다.
특히 raw price/yield level은 persistence가 너무 강해 모델이 “어제 값 ≈ 오늘 값”만 배워도 RMSE가 훌륭해 보일 수 있다. 그래서 반드시 naive/random-walk benchmark 대비 incremental OOS 성능을 봐야 한다.
한국 국고채에서는 예를 들어 수익률 level을 직접 예측하기보다
실현손익 − carry − roll-down − DV01×market move
같은 residual을 target으로 만드는 편이 실제 알파 발견에 더 적합할 가능성이 높다.
데스크 적용 우선순위: ★★★★★