FIXED INCOME / FIELD NOTES

BISTRO: a general purpose oracle for macroeconomic time series

거시·금리계열용 파운데이션 모델은 목적별 예측모형을 실제로 대체할 수 있는가?

BISTRO는 텍스트의 다음 단어 대신 시계열의 다음 값을 예측하는 트랜스포머다. 범용 MOIRAI가 서로 다른 빈도와 분야의 방대한 관측치로 학습됐지만 장기 거시예측과 공변량 처리에는 약했다. BIS는 모델을 일별 빈도와 고정 패치로 제한하고 중앙은행 거시자료에 미세조정해 기초모형을 목적영역에 맞췄다.

내부 자료는 63개 경제의 4,925개 계열이며 국내금리·채권수익률 731개를 포함한다. 월·분기 자료는 새 값이 발표될 때까지 직전 값을 유지하고 실제 발표시차를 반영해 일별 축에 놓았다. GDP를 실제 발표일 이전에 보지 못하게 하는 방식이어서, 채권 백테스트에서 흔한 개정치·미래정보 누출을 줄이는 설계다.

미국 물가에서는 가장 짧은 지평을 제외한 모든 지평에서 단순 자기회귀 모형과 MOIRAI보다 정확했고, 물가상승의 지속성도 단순 평균회귀 모형보다 잘 포착했다. 그러나 일부 선진국의 최근 평가구간에서는 단순모형보다 큰 오류를 냈다. 저자도 최종 해답이 아니라 저비용 기준선으로 규정하므로, 금리곡선용 모델은 만기와 스트레스 구간마다 단순모형을 이기는지 별도로 확인해야 한다.

SCOPE중앙은행 거시예측을 위한 파운데이션 모델 연구다. 주요 실증은 물가에 집중되고 채권수익률 자체의 거래성과를 보고하지 않는다. 일부 국가·기간에서 단순 AR(1)보다 오차가 컸으며, 2021년 물가 사례의 일부는 학습구간과 겹친다.

Evidence & verification ↓

Sources & evidence

Original passages appear only when checked against the publication. Earlier briefing records are identified separately.

BISTRO: a general purpose oracle for macroeconomic time series3 primary · 0 archived +
F1 · PRIMARY RECORD

BISTRO의 내부 자료는 63개 경제의 4,925개 시계열이다.

ORIGINAL PASSAGE
4,925 time series across 63 economies
BIS Quarterly Review, BISTRO, Box A, March 2026, accessed 2026-10-16
F2 · PRIMARY RECORD

자료에는 국내금리와 채권수익률 731개가 포함된다.

ORIGINAL PASSAGE
domestic interest rates and bond yields (731)
BIS Quarterly Review, BISTRO, Box A, March 2026, accessed 2026-10-16
F3 · PRIMARY RECORD

미국 물가에서 BISTRO는 1개월 앞을 제외한 모든 예측지평에서 AR(1)과 MOIRAI보다 나았다.

ORIGINAL PASSAGE
all horizons except the one-month-ahead
BIS Quarterly Review, BISTRO, Forecasting inflation section, March 2026, accessed 2026-10-16
Publication links ↑
Show the original briefing text

구분: BIS Quarterly Review·시계열 파운데이션 모델
발표일: 2026년 3월

핵심 요약

BIS BISTRO 원문은 MOIRAI 기반 시계열 트랜스포머를 63개 경제의 4,925개 거시계열에 미세조정했다. 학습자료에는 국내금리·채권수익률 731개가 포함됐고, 발표시차를 반영해 실제 발표 전 정보를 보지 않도록 모든 계열을 일별로 정렬했다. 미국 물가 예측에서는 1개월을 제외한 모든 지평에서 AR(1)과 범용 MOIRAI보다 나았지만, 영국·뉴질랜드의 2023~24년처럼 AR(1)보다 큰 오류를 낸 구간도 있어 만능 예측기로 볼 수 없다.

실무 시사점

금리곡선 예측에 파운데이션 모델을 쓸 때 중요한 것은 거대한 모델 자체보다 빈도·발표시차·개정 이력을 보존한 시점 데이터다. 사전학습 모델은 목적별 모형을 빠르게 비교하는 기준선으로 유용하지만, 금리 수준·변화·커브 팩터별로 단순 AR과 목적형 모형을 이기지 못하면 생산모델로 승격할 이유가 없다.

한국 시장 복제 아이디어

한국은행·통계청·KOFIA·거래소의 거시·금리·수급 자료를 최초 발표시각 기준으로 버전 관리하고, 국고채 3·5·10년 수익률과 커브 팩터를 목표로 둔다. 고정된 롤링 창에서 BISTRO 계열 모델, AR(1), 동적 Nelson–Siegel을 비교해 만기별 RMSFE, 방향정확도, 비용차감 손익과 스트레스 구간 최대오차를 함께 평가한다.