결측치 처리와 자료정제가 다르면 같은 모델 이름을 비교해도 입력조건이 달라진다. OFR은 주식·채권·외환·베이시스와 은행 지표를 자산별 표준 절차로 정제했다. 외생변수를 넣지 않는 약 12개 단변량 예측법을 동일 입력에서 비교한다.
수익률은 모델군과 무관하게 거의 예측되지 않았다. 반면 하이브리드와 머신러닝은 베이시스 스프레드와 은행 지표에서 추가 예측력을 보였다. 수익률과 가격차·재무지표는 서로 다른 예측대상이며 한 대상의 실패로 다른 대상의 가능성을 지울 수 없다.
OFR은 모델 순위처럼 보이는 차이에 자료정제와 모형능력이 섞일 수 있다고 강조한다. 이 비교는 외생정보를 쓰지 않는 조건이라 모든 수익예측의 불가능성을 증명하지 않는다. 또한 오차가 작아졌다는 결과를 거래비용후 이익으로 바꾸려면 집행을 추가로 평가해야 한다.
SCOPE외생변수를 제외한 공개 벤치마크다. 특정 채권전략의 순수익을 검증하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
모델 비교 전에 고정해야 할 자료0 primary · 1 archived +
These 1 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: 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.