오늘과 비슷한 내일 지수를 예측하는 기준은 지속성이 높은 자료에서 강하다. 연구는 2018년부터 2026년 2월의 미국 종합채권지수로 일반적인 층형 신경망 MLP와 시계열을 이미지로 바꿔 학습하는 CNN을 비교한다. 지수 수준을 맞춘 결과가 강한 기준을 넘는지 먼저 질문한다.
기록은 수준에서 MLP도 과거값 유지 기준을 크게 이기지 못하고 로그수익을 예측하면 값이 거의 영으로 모였다고 소개한다. 분수차분은 추세의 지속성을 줄이되 과거 기억을 일부 남기는 변환이다. 이 입력의 MLP가 가장 큰 추가 예측력을 냈고 CNN-GAF는 모든 표현에서 표본외 설명력이 음수였다.
이미지 인코딩은 시간관계를 다른 형태로 표시할 뿐 새 정보를 자동으로 만들지 않는다. 음수 설명력은 남겨 둔 미래 구간에서 기준보다 오차가 컸다는 의미다. 비교의 교훈은 데이터 변환과 기준을 통일해야 모델이 추가한 정보를 볼 수 있다는 것이다. 예측 개선을 실제 배분 손익으로 바꾸는 거래 평가도 따로 남는다.
SCOPE단기 지수의 특정 변환 비교이며 이미지 모형 전반이나 국내 투자성과에 대한 판정은 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
과거값 유지 기준과 분수차분의 추가 정보0 primary · 4 archived +
These 4 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: 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: ★★★★★