DNS는 level/slope/curvature를, Random Forest는 macro-financial 변수와 과거 수익률 사이의 비선형 상호작용을 학습한다. 마지막 ensemble 단계에서는 단순 평균 대신 moment uncertainty와 expected-shortfall 관점의 downside risk를 고려해 예측 weight를 결정한다.
저자 결과에서는 짧은 horizon에서 adaptive combination이, 긴 horizon에서는 Random Forest가 상대적으로 강했으며, 다른 sovereign market으로 확장했을 때도 robustness를 보고한다.
편집 전 브리핑 원문 펼치기
구분: Treasury ML · Robust Optimization + Random Forest + DNS
발표일: 2026년 1월 8일
선정: 최신성보다 기술적 가치 때문에 선정
핵심 요약
이 연구는 금리예측 문제를 단순히 평균 RMSE를 최소화하는 문제가 아니라 미래 distribution이 바뀔 수 있다는 전제하에서 최악의 경우 손실을 제한하는 decision problem으로 재정의한다. 구조는 Factor-Augmented Dynamic Nelson-Siegel + Random Forest + Distributionally Robust Forecast Combination으로 구성된다. arXiv 원문
DNS는 level/slope/curvature를, Random Forest는 macro-financial 변수와 과거 yield 사이의 nonlinear interaction을 학습한다. 마지막 ensemble 단계에서는 단순 평균 대신 moment uncertainty와 expected-shortfall 관점의 downside risk를 고려해 forecast weight를 결정한다.
저자 결과에서는 짧은 horizon에서 adaptive combination이, 긴 horizon에서는 Random Forest가 상대적으로 강했으며, 다른 sovereign market으로 확장했을 때도 robustness를 보고한다.
채권 리스크관리 시사점
실제 데스크에서 모델 선택은:
평균적으로 누가 RMSE가 가장 작은가?
보다
regime가 깨졌을 때 누가 가장 덜 위험한가?
가 더 중요하다.
예를 들어:
| 모델 | Normal | Crisis |
|---|---|---|
| Transformer | 좋음 | 매우 나쁨 |
| DNS | 보통 | 보통 |
| RF | 좋음 | 나쁨 |
이라면 항상 Transformer만 쓰는 대신 state-dependent ensemble이 더 합리적이다.
한국 시장 복제 아이디어
DNS / LightGBM / NN / Macro model을 모두 보유하고:
model prediction
- 최근 OOS error
market regimeforecast disagreement
을 입력으로 최종 ensemble weight를 정한다.
특히 모델 간 forecast dispersion을:
Model Uncertainty Indicator
로 별도 사용하면 좋다.
모델들이 모두 같은 방향이면 size를 늘리고, 크게 갈리면 risk budget을 줄이는 것이다.
실무 적용 우선순위: ★★★★☆