회사채 금리가 변해도 국채 할인금리와 신용보상이 동시에 움직였을 수 있다. 연구는 국채의 보이지 않는 상태를 먼저 추정하고 그 상태에 연결된 등급별 신용·부도 요인을 둔다. 전체 금리 변화의 구성 성분을 하나의 무차익 구조 안에서 다루려 한다.
2014~2025년 중국의 주간 자료로 국채 블록과 신용 블록을 Unscented Kalman Filter에서 순차 추정한다. 필터는 관측금리로 잠재 상태를 갱신한다. 기록은 수준과 변동성이 뚜렷이 다른 두 상태를 찾았고 단일 레짐보다 곡선 적합도가 좋아졌다고 소개한다.
무위험 할인 변화와 신용보상을 분리하면 예측모형의 입력을 경제적으로 정리할 수 있다. 그러나 모형이 분리한 요인과 현실의 독립 원인은 같지 않다. 국내에서 유동성과 발행사 잔여를 추가한다는 데스크 제안도 이 논문의 직접 실험이 아니다. 구조 적합과 미래 예측의 개선을 구분해 검증해야 한다.
SCOPE중국 곡선 적합 모형으로 유동성·발행사 요인의 독립 식별이나 국내 예측 개선을 보장하지 않는다. 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.
회사채 변화를 국채 상태와 신용보상으로 분해하다0 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: 논문 · arXiv / 회사채 커브·Regime Model
발표일: 2026년 4월 28일
원문: arXiv 원문
핵심 요약
중국 국채 커브와 회사채 커브를 하나의 구조 안에서 동시에 평가하는 regime-switching generalized CIR 모델이다. 먼저 국채 zero curve에서 두 개의 금리 regime을 추정하고, 이후 회사채 금리를 risk-free discounting + rating migration/default credit factor로 분해한다. 2014~2025년 주간 데이터를 사용하며 Unscented Kalman Filter로 rate block과 credit block을 순차적으로 추정한다.
연구 결과 level과 volatility가 뚜렷이 다른 두 금리 regime이 식별됐고, single-regime model보다 curve fit이 개선됐다. 더 중요한 것은 회사채 금리 변화를 국채 할인곡선 변화와 credit compensation 변화로 분리할 수 있다는 점이다.
채권 트레이딩·리스크관리 시사점
이건 순수 AI 연구는 아니지만 ML 시스템의 state representation에 매우 유용하다.
회사채 스프레드가 10bp 벌어졌을 때 모델이 단순히
“크레딧 악화”
라고 판단하면 안 된다.
실제로는
국채 regime 이동
유동성 premiumrating/default premiumissuer-specific residual
로 분해해야 한다.
한국 시장에서는 최소한 다음 두 모델을 분리할 가치가 있다.
Rate Model: 국고 3/5/10/30년 + IRS + 선물
Credit Model: 등급·섹터·발행사·유동성·민평 괴리
그 후 ML이 예측해야 할 것은 전체 회사채 금리가 아니라 두 모델로 설명되지 않는 residual spread다.
이는 상대가치 모델의 S/N을 크게 개선할 수 있다.
데스크 적용 우선순위: ★★★★☆