훈련은 2015년부터 시작해 5-fold expanding-window 방식으로 2017년~2025년 4월을 OOS 평가하고, 각 fold 안에서 hyperparameter tuning을 별도로 수행해 미래 정보 누출을 방지한다. Treasury에서는 logistic-regression baseline이 부진한 반면 저자들의 XGBoost 전략은 비용 반영 후 높은 OOS 성과를 보고하지만, 보고된 ZN Sharpe 4.65는 매우 큰 숫자이므로 독립적 재현 전에는 절대적인 성과수치보다 입력 변수 설계 자체에 무게를 두는 것이 적절하다.
SHAP 분석에서 중요한 점은 평균 sentiment보다 sentiment dispersion과 article impact가 주요 입력 변수로 등장한다는 것이다. 즉 시장은 “뉴스가 긍정적인가”뿐 아니라 시장 narrative가 얼마나 합의돼 있는가/분열돼 있는가에도 반응할 수 있다.
편집 전 브리핑 원문 펼치기
구분: 최신 업데이트 연구 · NLP/ML + U.S. Treasury futures
최신 원고일: 2026년 8월 24일
핵심 요약
이 연구는 GDELT 글로벌 뉴스 피드에서 헤드라인을 모은 뒤 FinBERT로 sentiment를 추출하고, XGBoost로 다음 날 10년 Treasury futures(ZN) 방향을 예측한다. 뉴스 feature는 단순 평균 sentiment뿐 아니라 sentiment dispersion, 기사량, event-impact score, lag/rolling statistics까지 포함한다. arXiv 원문
훈련은 2015년부터 시작해 5-fold expanding-window 방식으로 2017년~2025년 4월을 OOS 평가하고, 각 fold 안에서 hyperparameter tuning을 별도로 수행해 미래 정보 누출을 방지한다. Treasury에서는 logistic-regression baseline이 부진한 반면 저자들의 XGBoost 전략은 비용 반영 후 높은 OOS 성과를 보고하지만, 보고된 ZN Sharpe 4.65는 매우 큰 숫자이므로 독립적 재현 전에는 절대적인 성과수치보다 feature 설계 자체에 무게를 두는 것이 적절하다.
SHAP 분석에서 중요한 점은 평균 sentiment보다 sentiment dispersion과 article impact가 주요 feature로 등장한다는 것이다. 즉 시장은 “뉴스가 긍정적인가”뿐 아니라 시장 narrative가 얼마나 합의돼 있는가/분열돼 있는가에도 반응할 수 있다.
채권 트레이딩 시사점
이 논문에서 가장 가져올 만한 것은 FinBERT 자체가 아니라:
News → multidimensional state
라는 구조다.
예를 들어 금리 뉴스에서:
- 평균 hawkishness
- hawkishness dispersion
- 기사량
- surprise/intensity
- 최근 5일 narrative momentum
을 각각 feature로 만든다.
특히 dispersion이 중요하다. 모든 언론이 같은 방향을 말하는 상황과 의견이 극단적으로 갈리는 상황은 평균 score가 같아도 금리 volatility와 positioning risk가 전혀 다를 수 있다.
한국 시장 복제 아이디어
한국은행·기재부·국내외 경제뉴스를 대상으로:
inflation_sentiment_mean
inflation_sentiment_dispersion
growth_sentiment_mean
policy_hawkishness
policy_hawkishness_dispersion
news_volume_zscore
를 만든다.
그리고 target을 단순 국고 10년 방향 하나로 두지 말고:
- 3선 next-30min return
- 10선 next-30min return
- 3/10 slope
- realized volatility
로 분리한다.
실무 적용 우선순위: ★★★★★