같은 데이터에서 약 12개 단변량 방법을 비교하자 수익률은 거의 예측되지 않았지만 하이브리드·머신러닝 모델은 베이시스와 은행 지표에서 추가 예측력을 보였다는 OFR의 결과는 표적 선택의 중요성을 보여준다. 구조적 조달·중개 제약이 남는 변수가 채권 데스크의 더 현실적인 출발점일 수 있다.
국내에서는 국고채 현물·선물 베이시스, IRS, 레포와 회사채 유동성 지표를 point-in-time, 즉 그 시점에 실제로 알 수 있었던 정보만 담는 패널로 만든다. 같은 롤링 구간과 비용 가정에서 단순모형과 AI를 비교하고 위기구간 오차와 순위 신뢰구간도 함께 남긴다.
편집 전 브리핑 원문 펼치기
구분: 금융당국 Working Paper·시계열 예측 및 채권 데이터
발표일: 2026년 8월 25일
핵심 요약
미국 금융연구국(OFR)의 공개 벤치마크는 주식, 회사채, 미 국채, 외환, 원자재, CDS, 옵션, 다섯 종류의 베이시스 스프레드와 은행·중개기관 지표를 자산별 표준 정제 절차로 묶었다. 외생변수를 쓰지 않는 약 12개 단변량 예측법을 같은 데이터에서 비교하자 수익률은 모델군과 무관하게 거의 예측되지 않았지만, 하이브리드·머신러닝 모델은 베이시스 스프레드와 은행 지표에서 추가 예측력을 보였다. OFR가 강조한 결론은 모델 순위처럼 보이는 차이가 실제로는 데이터 정제 선택과 모델 능력을 뒤섞을 수 있으므로 입력 데이터를 고정해야 한다는 것이다. 논문은 공개 벤치마크 결과이며 특정 채권 전략의 거래비용 차감 수익을 입증한 것은 아니다.
실무 시사점
채권 데스크는 방향성 수익률 하나보다 현물·선물·스왑 베이시스, 레포 조달, 딜러 중개지표처럼 구조적 제약이 남는 표적에서 예측모형을 비교하는 편이 낫다. 동일한 point-in-time 데이터, 시계열 분할, 거래비용과 위기구간을 고정하지 않으면 새 모델의 개선이 정제 규칙이나 표본선택에서 왔는지 구분할 수 없다.
한국 시장 복제 아이디어
국고채 현물·선물 베이시스, IRS 스프레드, 레포금리, 회사채 유동성 지표를 수신시각 기준 패널로 만들고 단순 AR·상태공간·트리·신경망을 같은 롤링 구간에서 비교한다. 방향 정확도뿐 아니라 비용 차감 손익, 스트레스 구간 오차, 모델 간 순위 신뢰구간을 함께 공개한다.