비유동 회사채는 등급과 만기 조합마다 최근 거래가 존재하지 않는다. 연구진은 이 표를 일부 픽셀이 사라진 이미지로 바꾸고, 과거의 완전한 수익률 곡면에 일부러 결측을 만든 뒤 원래 모양을 되살리도록 디노이징 오토인코더를 학습했다. 당일 앵커만 잇는 보간과 달리 과거 곡면의 반복 패턴을 기억한다.
시험 표면은 70개였고, 점을 흩어 숨기는 균일 결측과 한 구역을 통째로 숨기는 블록 결측을 나눴다. 균일 결측에서는 방법 차이가 작았지만 블록 결측에서는 오토인코더 계열이 더 잘 일반화했다. 거래가 긴 구간 비는 회사채 시장에서는 블록 결측이 더 가까운 시험이다.
블록 결측에서 완전연결 오토인코더의 MAE는 10.01bp, 얇은판 스플라인은 20.07bp였다. 오차가 줄어도 등급별 단조성, 무차익과 실제 거래가능 가격은 자동으로 보장되지 않는다. 표본이 짧고 가상 비유동 시장을 가정했으므로 국내 적용에서는 실거래 셀을 숨긴 시점외 검증이 필요하다.
SCOPE2018년의 짧은 지수수익률 표본과 가상 비유동 시장 실험이다. 평가금리 복원 성능은 실거래 체결 가능성이나 수익성을 뜻하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Machine Learning for Yield Curve Feature Extraction: Application to Illiquid Corporate Bonds3 primary · 0 archived +
시험 세트는 70개 수익률 표면으로 구성됐다.
ORIGINAL PASSAGEOur test set consists of 70 examples.arXiv:1812.01102, section 4.6 Performance Testing, line 145, accessed 2026-10-19블록 결측 MAE는 TPS 20.07bp, FCNN 10.01bp였다.
ORIGINAL PASSAGE20.07 | 10.01arXiv:1812.01102, Table 2, lines 156–162, accessed 2026-10-19블록 결측에서는 디노이징 오토인코더 구조가 더 나은 일반화 성능을 보였다.
ORIGINAL PASSAGEthe DAE architectures perform noticeably better on the block masked sparse data.arXiv:1812.01102, section 4.6, line 163, accessed 2026-10-19Show the original briefing text
구분: 회사채 평가·비지도학습 연구
발표일: 2018년 11월 23일
선정 이유: 최신성보다 비유동 회사채 평가의 재현 가능한 기술적 가치 때문에 선정
핵심 요약
arXiv 원문은 등급×만기 회사채 수익률 표를 결측이 있는 이미지로 보고, 잡음을 넣고 원래 표를 복원하는 디노이징 오토인코더를 학습한다. 70개 시험 표면에서 균일 결측과 블록 결측을 나눠 얇은판 스플라인·총변동 보간과 비교했다. 블록 결측에서 완전연결 오토인코더의 평균절대오차는 10.01bp로 얇은판 스플라인 20.07bp보다 작았다. 표본이 짧고 가상 비유동 시장을 가정한 실험이므로 실거래 성과로 해석할 수 없다.
실무 시사점
최근 체결이 없는 등급·만기 구간은 그날의 앵커만 잇는 보간보다 과거 곡면 모양을 학습한 복원이 유리할 수 있다. 다만 단조성·무차익 조건과 불확실성 구간을 따로 검사해야 하며 평가금리 오차와 실제 매매가능가격의 차이도 남는다.
한국 시장 복제 아이디어
민평사별 등급×잔존만기 곡면을 일별로 만들고 실제 거래가 있는 셀을 숨겨 복원 실험을 한다. 스플라인, 행렬완성, 완전연결·합성곱 오토인코더를 비교해 bp MAE, 등급 단조성 위반과 거래가격 대비 오차를 함께 평가한다.