채권수익률 예측은 나중에 수정된 거시통계를 과거 투자자가 알았던 것처럼 넣으면 쉽게 과장된다. 이 연구는 실제 발표 당시의 125개 월별 거시변수와 180개 뉴스 주제 관심도를 사용했다. 생산·고용·주택·물가와 뉴스의 경제·정치 범주를 미리 정해, 상관이 높은 변수를 그룹 내부에서 압축했다.
Weighted group neural network는 여러 만기의 수익을 함께 학습하되 변동성으로 loss를 정규화한다. 장기채의 큰 변동이 학습을 지배하지 않게 하고, 같은 경제그룹이 만기별 예측에 얼마나 기여하는지 비교한다. 연간 보유기간이 겹치는 수익에서는 전체 표본 밖 결정계수가 7%를 넘었지만 월간 비중첩 수익에서는 증거가 약했다.
중첩 수익의 통계적 적합도를 곧바로 거래성과로 읽을 수 없다. 현실적인 leverage cap과 financing cost를 넣자 portfolio gain은 크게 줄었고 단기만기에서 감소가 더 컸다. 한국시장 검증도 수정 전 빈티지, 비중첩 target, repo 비용과 turnover를 함께 고정해야 architecture가 아니라 실제 정보우위를 측정할 수 있다.
SCOPE미국 국채의 월별 자료와 특정 뉴스 topic panel에 대한 결과다. 중첩수익의 높은 적합도는 관측치 의존성을 포함하며, 비용과 제약을 넣은 실거래 우위는 제한적이었다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Real-Time Macro Information and Bond Return Predictability: A Weighted Group Deep Learning Approach4 primary · 0 archived +
연구는 당시 이용 가능한 125개 월별 거시시계열의 균형패널을 구성했다.
ORIGINAL PASSAGEbalanced panel of 125 monthly macroeconomic time seriesJournal of Financial Econometrics, Data section, published 2026-09-24, accessed 2026-11-04뉴스 입력은 180개 월별 주제 관심도였다.
ORIGINAL PASSAGE180 monthly news topic attention measuresJournal of Financial Econometrics, Data section, published 2026-09-24, accessed 2026-11-04중첩 초과수익에서 WGNN의 전체 표본 밖 결정계수는 7%를 넘었다.
ORIGINAL PASSAGEexceeding 7%Journal of Financial Econometrics, Abstract, published 2026-09-24, accessed 2026-11-04현실적인 레버리지와 조달비용을 넣자 포트폴리오 이익이 크게 줄었다.
ORIGINAL PASSAGEgains ... shrink sharplyJournal of Financial Econometrics, Abstract and economic evaluation, published 2026-09-24, accessed 2026-11-04Show the original briefing text
구분: 동료평가 연구·실시간 거시빈티지와 국채 초과수익 예측
발표일: 2026년 9월 24일
핵심 요약
Oxford Academic 원문은 당시 이용 가능했던 125개 월별 거시변수와 180개 뉴스 주제 관심도를 경제범주별로 압축하는 weighted group neural network를 제안한다. 1년 보유기간이 겹치는 미국 국채 초과수익에서는 전체 표본 밖 결정계수가 7%를 넘었지만, 1개월 비중첩 수익의 예측력은 약했다. 현실적인 leverage와 financing cost를 넣자 특히 단기채 전략의 경제적 이익이 크게 줄었다.
실무 시사점
모형의 장점은 더 깊은 신경망 자체보다 정보시점과 구조화다. 수정된 최종 거시치 대신 실제 vintage를 쓰고, 상관이 높은 변수를 생산·고용·주택 같은 그룹으로 묶으며, 만기별 변동성 차이를 loss에서 정규화한다. 통계적 예측력과 비용차감 운용성과를 분리했기 때문에 채권 AI의 검증기준으로 활용하기 좋다.
한국 시장 복제 아이디어
ECOS 발표 당시 빈티지, 통화정책·성장·물가 뉴스 주제와 국고채 2·3·5·10년 초과수익을 월별로 정렬한다. Ridge, PCA, 일반 신경망과 그룹 가중 신경망을 expanding window에서 비교하고 비중첩·중첩 표본 밖 결정계수, turnover, leverage cap과 repo 비용을 차감한 certainty-equivalent를 함께 평가한다.