채권시장에 AI를 어떻게 쓰는지 궁금해서 읽은 자료를 모았습니다.
날짜나 주제별로 찾아보고, 출처와 원문도 확인할 수 있습니다.
오늘의 다섯 자료는 채권 AI가 무엇을 더 많이 학습해야 하는지보다 무엇을 상태와 원인으로 구분해야 하는지를 보여준다. AI 생산성 충격은 물가·에너지·부채와 함께 움직이고, 회사채 공통요인과 국채의 경과일수는 분산과 유동성을 바꾼다. 퀀트사의 공개자료는 결국 독점 데이터의 업무흐름 연결과 인과적 실험이 실제 가치의 경계임을 강조한다.
오늘의 다섯 자료는 채권 AI가 무엇을 더 많이 학습해야 하는지보다 무엇을 상태와 원인으로 구분해야 하는지를 보여준다. AI 생산성 충격은 물가·에너지·부채와 함께 움직이고, 회사채 공통요인과 국채의 경과일수는 분산과 유동성을 바꾼다. 퀀트사의 공개자료는 결국 독점 데이터의 업무흐름 연결과 인과적 실험이 실제 가치의 경계임을 강조한다.
5 RESEARCH NOTES · 6 MIN오늘의 다섯 자료는 금리방향을 예측하는 머신러닝에서 시작하지만 곧바로 더 어려운 문제로 이동한다. 같은 공급도 투자자 구성이 다르면 금리충격이 달라지고, 국채의 유동성은 담보이동 속도에 좌우되며, 퀀트사의 모델은 신뢰할 수 있는 저장계층과 비용·꼬리위험을 반영하는 최적화를 통과해야 실제 결정이 된다.
5 RESEARCH NOTES · 5 MIN오늘의 다섯 자료는 AI 기대가 실질금리와 신용에 먼저 반영되는 거시 경로에서 출발해, 미 국채 레포 청산과 현물–선물 베이시스의 자금조달 구조를 거친다. 마지막 두 자료는 이런 시장을 연구하려면 빠른 모델만큼 관측 가능한 플랫폼과 시점 데이터가 필요하다는 점을 보여준다.
5 RESEARCH NOTES · 5 MIN오늘의 다섯 자료는 채권 AI의 실전 성능이 예측 정확도만으로 결정되지 않는다는 점을 보여준다. 감독은 데이터와 외부 공급자까지 포함한 생애주기를 보고, 시장구조는 주문 크기마다 다른 집행방식을 요구하며, 퀀트 회사의 실제 시스템은 드문 데이터 실패와 화면의 상태관리까지 연구 피드백의 일부로 다룬다.
5 RESEARCH NOTES · 5 MIN오늘의 다섯 자료는 금융 AI의 성패가 가장 높은 정확도 하나로 결정되지 않는다는 점을 보여준다. 금융 문서의 작은 표본과 긴 맥락을 제대로 읽는지, 같은 예측의 설명이 다시 학습해도 유지되는지, 회사채 시장의 유동성 네트워크가 충격을 버티는지, 그리고 연구 결과가 실제 업무와 시스템으로 얼마나 안정적으로 이어지는지를 함께 봐야 한다.
5 RESEARCH NOTES · 6 MIN오늘의 다섯 자료는 AI가 채권시장에 한 가지 속도로 들어오지 않는다는 사실을 보여준다. 생산성과 중립금리는 수년에 걸쳐 움직일 수 있지만 정책 전달, 기업 가격조정, 공급망 주문과 전자호가의 꼬리 지연은 훨씬 짧은 시간축에서 위험을 만든다. 투자자는 예측값 하나보다 각 전달경로의 속도와 실패조건을 함께 모델링해야 한다.
5 RESEARCH NOTES · 6 MIN오늘의 다섯 자료는 더 복잡한 AI를 고르는 문제보다 무엇을 고정하고 어디서 멈출지를 먼저 묻는다. OFR의 공개 벤치마크는 데이터 정제와 평가규칙을 고정해야 모델 차이를 볼 수 있음을 보여주고, BIS와 FSI는 검증의 범위를 신용·사업모델·사이버 복구까지 넓힌다. HRT와 Optiver의 공개자료는 이 원칙이 연구 재현성과 빠른 생산 피드백으로 어떻게 이어지는지 보여준다.
5 RESEARCH NOTES · 6 MIN오늘의 다섯 자료는 AI를 하나의 모델 점수가 아니라 자본조달과 데이터 계보, 계산 인프라가 연결된 시스템으로 보게 한다. AI 설비투자가 회사채와 사모신용으로 이동하면 생산성 기대가 장기금리·스프레드로 번지고, 오픈데이터는 판단을 풍부하게 하는 동시에 책임 경계를 흐릴 수 있다. 퀀트사의 기술자료는 그 거대한 서사를 실제 연구 규율인 시점 데이터와 재현 가능한 벤치마크로 좁혀 준다.
5 RESEARCH NOTES · 6 MIN오늘의 다섯 자료는 모델 점수만으로는 실제 채권 손익과 시장안정을 설명할 수 없다는 공통점을 가진다. 같은 달러 조달도 딜러마다 가격이 다르고, 같은 AI도 목표함수와 재학습 절차에 따라 다른 행동을 만든다. 대형 포지션의 공통 조달제약과 AI가 가속한 가설의 과적합까지 연결해 읽으면, 연구에서 생산까지 무엇을 기록해야 하는지가 선명해진다.
5 RESEARCH NOTES · 5 MIN오늘의 다섯 자료는 예측 모델을 실제 채권 손익으로 바꾸는 중간 단계를 보여준다. 뉴스에서 신용상태를 읽고, 비선형 부도확률을 포트폴리오 충격으로 전파하며, 시장조성 체결 뒤에는 1초 안의 헤지까지 관리해야 한다. 퀀트회사의 공개자료는 이 반복을 지탱하는 연구 조직과 컴퓨팅 규모가 왜 필요한지도 보여준다.
5 RESEARCH NOTES · 5 MIN오늘의 다섯 자료는 모두 같은 질문을 던진다. 예측 모델이 좋아져도 체결비용을 잘못 가정하거나, 주문 통제가 약하거나, 데이터 이력이 흐리면 실제 수익으로 연결되지 않는다. 반대로 시장충격·제약·원천 데이터·연구 인프라를 먼저 설계하면 작은 모델 개선도 반복 가능한 성과로 바뀔 수 있다.
5 RESEARCH NOTES · 5 MIN데이터를 늘리고 모델을 키우면 채권 예측도 좋아질까요? 이날 브리핑의 연구들은 조금 다른 질문을 던집니다. 금리 예측에서는 필요한 변수만 남기는 일이, 파생상품 평가에서는 가격뿐 아니라 위험 민감도를 맞히는 일이 중요합니다. 여기에 기업 간 연결관계와 퀀트사의 연구 방식까지 더하면, AI를 실제 운용에 쓰기 위한 조건이 보입니다.
5 RESEARCH NOTES · 4 MINAI 투자를 위한 차입과 장기금리 논의는 기업의 신용평가에도 연결됩니다. 설명 가능한 모델과 LLM의 거래 실험을 함께 읽으며, 기대와 검증된 판단을 구분해 봅니다.
5 RESEARCH NOTES · 3 MIN어떤 변수를 넣을지와 무엇을 기준으로 비교할지는 모델 선택만큼 중요합니다. 이날의 변동성 연구에는 주식시장 자료를 사용한 사례도 있어, 채권에 바로 적용된 결과로 읽지 않도록 구분해야 합니다.
5 RESEARCH NOTES · 6 MIN연구 에이전트는 아이디어를 탐색하는 작업을 도울 수 있습니다. 이날 자료는 캐리와 운용자 성과 연구를 통해, 빠른 연구와 믿을 수 있는 결과를 연결하는 조건을 묻습니다.
5 RESEARCH NOTES · 5 MIN유동성과 투자자의 정보가 다르면 같은 신호도 다른 의미를 가집니다. 채권시장의 분절과 거시 해석의 차이를 살피고, 거래 모델의 학습 방식까지 이어서 읽어봅니다.
5 RESEARCH NOTES · 6 MIN뉴스의 어조와 수익률곡선은 시장을 바라보는 서로 다른 창입니다. 어떤 정보를 먼저 예측하고 어떻게 결합할지에 따라 모델의 해석과 검증도 달라집니다.
5 RESEARCH NOTES · 6 MINAI 관련 신용위험을 점검하는 일과 금리 모델을 평가하는 일은 모두 불리한 상황을 가정해야 합니다. 듀레이션 운용과 등급 하락 채권의 사례를 함께 읽어봅니다.
5 RESEARCH NOTES · 7 MINAI 투자 확대가 채권 공급에 미치는 영향과 모델이 지켜야 할 조건을 함께 읽습니다. 예측 방법이 새로워져도 경제적 제약과 정보의 질은 여전히 중요합니다.
5 RESEARCH NOTES · 5 MIN기술적 지표와 언어 정보는 회사채 예측의 후보가 될 수 있습니다. 다만 국가별 시장과 거래 조건이 다르므로 결과를 옮겨 적용할 때는 추가 검증이 필요합니다.
5 RESEARCH NOTES · 6 MIN주문을 내는 모델은 예측 모델과 다른 제약을 만납니다. 불리한 체결 시점과 시장충격을 고려하는 연구에, 연구 인프라의 역할을 더해 살펴봅니다.
5 RESEARCH NOTES · 6 MINAI에 대한 기대와 위험은 금융 시스템과 개별 운용에 동시에 연결됩니다. 정책 문장의 어조를 읽는 작업부터 포트폴리오 구성까지 서로 다른 판단 단계를 살펴봅니다.
5 RESEARCH NOTES · 6 MINAI 인프라 투자를 위한 자금조달은 부채 가치와 시장 간 비교에 연결됩니다. 투자 대상의 변화와 운용 도구의 변화를 함께 살펴보는 날입니다.
5 RESEARCH NOTES · 6 MINLLM은 강화학습을 돕거나 감독 업무를 지원할 수 있습니다. 거래 관계의 정보와 대규모 데이터 운영 사례를 더해, 각 도구가 맡을 수 있는 역할을 살펴봅니다.
5 RESEARCH NOTES · 7 MIN생성형 모델과 대규모 연산은 연구의 속도를 높일 수 있습니다. 그러나 채권의 정보위험과 경제적 파급을 설명하려면 무엇을 검증할지 먼저 정해야 합니다.
5 RESEARCH NOTES · 5 MINAI의 영향은 생산성이나 예측력 하나로 정리하기 어렵습니다. 은행 신용과 기업의 도입, 에이전트의 행동 차이와 관계망을 함께 살펴봅니다.
5 RESEARCH NOTES · 7 MIN기업의 상태와 거시 뉴스는 계속 바뀝니다. 이를 모델에 반영하려는 연구와 함께, 실험 결과를 빠르게 확인하는 조직의 작업 방식을 읽어봅니다.
5 RESEARCH NOTES · 6 MIN회사채의 매매 시점을 판단하려면 기존 전략에 없는 정보를 찾고 비용까지 확인해야 합니다. AI 투자를 위한 채권 조달 흐름과 퀀트사의 실전 연구 관점을 함께 살펴봅니다.
5 RESEARCH NOTES · 6 MIN채권 수익은 하루 안에서도 다르게 나타날 수 있습니다. 보유 시간과 기업의 자본구조, 만기와 유동성을 나누어 보면 모델에 필요한 정보도 달라집니다.
5 RESEARCH NOTES · 5 MIN기업의 AI 관련 투자는 자본과 부채의 성격에도 연결됩니다. 위험을 평가할 때 부도 가능성뿐 아니라 회수와 거래 유동성까지 함께 볼 필요가 있습니다.
5 RESEARCH NOTES · 7 MIN기업의 기후정책 노출과 수많은 투자 요인은 모두 후보 정보입니다. 어떤 정보가 독립적으로 유용한지, 시스템 전체에는 어떤 영향을 주는지 구분하며 읽어봅니다.
5 RESEARCH NOTES · 4 MINAI 에이전트가 의사결정에 참여하면 개별 모델뿐 아니라 상호작용도 살펴야 합니다. 시장 균형과 통제 구조, 손실 관리의 관점에서 연구를 읽어봅니다.
5 RESEARCH NOTES · 6 MIN뉴스와 시계열에서 정보를 추출하는 기술은 발전하고 있습니다. 동시에 특정 산업이나 차주에 위험이 몰리는 문제도 중요해집니다. 예측과 위험 점검을 함께 읽어봅니다.
5 RESEARCH NOTES · 6 MINAI 투자 확대를 주가 상승의 이야기로만 볼 수는 없습니다. 기업의 자금조달과 스프레드, 시장의 거래 정보까지 살펴야 성장 기대와 위험을 함께 읽을 수 있습니다.
5 RESEARCH NOTES · 5 MIN채권 거래에서는 가격뿐 아니라 상대방과 시장 구조가 중요합니다. AI 거래 도구와 체결 연구를 통해 실제 거래 가능한 조건을 어떻게 판단하는지 살펴봅니다.
5 RESEARCH NOTES · 5 MIN시장 방향을 맞히는 것만으로는 주문 크기와 체결 시점을 정할 수 없습니다. 국채 예측과 호가 요청, 유동성 정보를 거래 의사결정에 연결하는 자료들을 살펴봅니다.
5 RESEARCH NOTES · 7 MINAI를 채권 운용에 연결할 때는 거시경제와 거래 현장의 정보가 모두 필요합니다. 주문 흐름과 체결 가능성, 거시 뉴스 해석을 서로 다른 관찰 창으로 읽어봅니다.
5 RESEARCH NOTES · 6 MIN금리 예측의 구조를 선택하는 일과 투자 신호의 수명을 평가하는 일은 연결되어 있습니다. 시장 변화와 연구 과정의 차이를 염두에 두고 모델의 적용 범위를 읽어봅니다.
5 RESEARCH NOTES · 6 MIN평상시의 예측력이 시장이 흔들릴 때도 유지되는지는 따로 확인해야 합니다. 수익률곡선과 거시 꼬리위험, 여러 모델의 결합을 중심으로 연구를 읽어봅니다.
5 RESEARCH NOTES · 6 MIN에이전트와 딥러닝 모델은 다양한 투자 문제에 적용되고 있습니다. 이날 자료는 포트폴리오와 신용곡선 연구에 더해, 실제 환경에서 모델을 실행하는 과제를 보여줍니다.
5 RESEARCH NOTES · 5 MIN숫자와 문장은 서로 다른 방식으로 시장 정보를 담습니다. 국채시장의 국면을 읽는 작업부터 자산 배분까지, 이 정보를 어떤 구조로 연결하는지 살펴봅니다.
5 RESEARCH NOTES · 6 MINAI의 경제적 영향은 장기금리 전망에도 연결됩니다. 동시에 AI로 포트폴리오를 연구할 때는 과거 정보의 암기와 인프라의 역할을 구분해야 합니다.
5 RESEARCH NOTES · 5 MIN모델을 이해하는 것과 업무에 도움이 되는지 확인하는 것은 서로 이어진 질문입니다. 회사채 예측의 설명 가능성과 퀀트사의 AI 도구 실험을 함께 살펴봅니다.
5 RESEARCH NOTES · 6 MIN같은 채권도 거래 환경과 투자자의 수요에 따라 다른 모습을 보입니다. 가격 발견과 거래량, 지수의 영향을 살펴보고 대체데이터와 연구 자동화의 접점을 읽어봅니다.
5 RESEARCH NOTES · 6 MIN채권의 예측 수익을 실제 성과로 바꾸려면 거래 비용을 고려해야 합니다. 캐리와 수익률곡선 연구에 퀀트사의 모델 활용 사례를 더해, 연구와 운용 사이의 연결을 살펴봅니다.
5 RESEARCH NOTES · 5 MIN연구 결과가 거래 업무에 쓰이려면 안정성과 체결 품질을 함께 설명해야 합니다. 기업의 AI 도입부터 채권 거래 도구까지, 실제 활용과 평가 방법을 연결해 봅니다.
5 RESEARCH NOTES · 5 MIN금리를 잘 예측해도 듀레이션과 거래 시점을 잘못 선택하면 성과는 달라집니다. 사모신용과 통화 간 정보 이전까지 범위를 넓혀 모델의 적용 조건을 살펴봅니다.
5 RESEARCH NOTES · 5 MIN신용위험은 한 시점의 숫자로만 설명하기 어렵습니다. 시간에 따른 기업의 변화와 뉴스, 시장 가격을 활용해 위험을 포착하려는 시도들을 읽어봅니다.
5 RESEARCH NOTES · 5 MIN주식 요인과 기업 관계망, 재해 위험, 사이버 위험은 채권과 무관한 정보가 아닙니다. 다양한 정보를 채권 가치와 유동성 판단에 연결하는 접근을 살펴봅니다.
5 RESEARCH NOTES · 5 MIN성과가 좋았던 운용자와 앞으로도 유리한 운용자를 구분하는 일은 쉽지 않습니다. 운용 능력, 기업 정보, 거시 환경을 나누어 채권 수익과 위험을 읽는 자료들을 모았습니다.
5 RESEARCH NOTES · 6 MINAI 에이전트와 강화학습은 연구와 운용의 작업 범위를 넓힙니다. 보험사의 자산·부채 관리부터 신용곡선까지, 자동화가 어떤 판단을 도울 수 있는지 살펴봅니다.
5 RESEARCH NOTES · 6 MIN채권 AI는 예측값을 내는 데서 끝나지 않습니다. 그 값이 나온 이유를 설명하고 자산 배분과 거시 판단에 연결하는 연구가 이날의 공통 주제입니다.
5 RESEARCH NOTES · 6 MIN새로운 모델이 나왔다는 사실만으로 기존 방법보다 낫다고 판단할 수는 없습니다. 거시경제의 변화, 빠진 변수, 전통 모형과의 비교를 중심으로 금리와 신용 예측 연구를 살펴봅니다.
5 RESEARCH NOTES · 6 MIN보유에 따른 수익인 캐리와 거래 비용은 채권 운용에서 떼어 놓기 어렵습니다. AI의 예측 능력을 평가할 때도 유동성과 실행 조건을 함께 봐야 하는 이유를 읽어봅니다.
5 RESEARCH NOTES · 6 MINAI가 채권 가격과 체결 가능성을 더 잘 설명할 수 있을까요? 이날 브리핑은 예측 모델의 발전과 함께 무차익 조건, 시장 안정성, 실제 거래 환경을 짚습니다.
5 RESEARCH NOTES · 6 MIN거래가 드문 채권은 가격 하나만으로 설명하기 어렵습니다. 체결 가능성, 비슷한 채권의 정보, 뉴스의 표현을 함께 활용하는 연구들을 모았습니다.
5 RESEARCH NOTES · 5 MIN듀레이션 조절부터 시장 구조까지, AI가 바꾸는 범위는 넓습니다. 이날 자료는 수익 예측뿐 아니라 거래 질서와 모델의 쏠림도 함께 살펴보게 합니다.
5 RESEARCH NOTES · 6 MIN[ECB의 AI와 통화정책 연설](https://www.ecb.europa.eu/press/key/date/2026/html/ecb.sp260706~b81aa4e329.en.html)은 생산성이 높아진다는 기대가 지출에 얼마나 빨리 반영되느냐에 따라 전환 초기의 물가효과가 달라진다고 설명한다. 가계와 기업이 미래소득을 즉시 믿으면 수요와 물가가 먼저 오를 수 있지만, 불확실성 속에서 천천히 학습하면 그 효과는 약해진다.
금리 · 커브 / AI · 모델[뉴욕 연은 연구](https://libertystreeteconomics.newyorkfed.org/2026/05/the-global-credit-cycle-in-corporate-bond-returns/)는 1998~2024년 중 37%의 달에 글로벌 회사채 80% 이상이 같은 방향으로 움직였다고 보고한다. 종목과 국가가 많아도 공통 위험가격이 포트폴리오를 함께 움직일 수 있다는 뜻이다.
크레딧 / 리스크 · 운용[뉴욕 연은의 국채 TRACE 연구](https://libertystreeteconomics.newyorkfed.org/2026/06/liquidity-fades-as-treasuries-age/)에 따르면 발행잔액의 4% 미만인 지표물이 평균 일거래량의 65%를 차지한다. 채권이 경과물이 되면 딜러–고객 거래 의존도가 높아지고 거래량은 줄며 비용은 올라간다.
금리 · 커브 / 거래 · 유동성[Citadel Securities의 Peng Zhao CEO 대담](https://www.citadelsecurities.com/news-and-insights/future-of-global-markets-2025-conference/ceo-peng-zhao-sequoias-alfred-lin-discuss-the-future-of-markets/)은 머신러닝이 이미 20년 넘게 시장을 바꿨으며, 다음 가치는 AI를 핵심 업무에 넣어 측정 가능한 생산성을 만드는 데 있다고 설명한다. 회사는 독점 데이터·기술전문성·업무흐름의 결합이 단순한 AI 표방과 지속 가능한 우위를 가른다고 본다.
퀀트사 동향[Two Sigma의 Claudia Perlich](https://www.twosigma.com/articles/why-human-intuition-is-essential-in-machine-learning/)는 데이터 행 수보다 공통 원인의 수가 유효표본 크기를 결정하고, 금융처럼 신호가 약한 문제에서는 특징 수와 표본 수의 절충이 중요하다고 설명한다. 지나치게 좋은 수익예측은 미래정보 혼입을 먼저 의심해야 한다.
퀀트사 동향[MarketWatch가 보도한 HSBC의 DUSTIN](https://www.marketwatch.com/story/what-this-machine-learning-model-with-65-accuracy-says-is-coming-next-for-the-10-year-treasury-55d76b8f)은 미국 10년물 금리가 향후 21거래일 동안 오를지 내릴지를 확률로 분류한다. 학습에 쓰지 않은 데이터의 방향 정확도는 65%, 학습표본은 76%로 보도됐다.
금리 · 커브 / 거래 · 유동성[연준 IFDP](https://www.federalreserve.gov/econres/ifdp/estimating-yield-impacts-of-treasury-demand-and-supply-changes.htm)는 투자자 부문별 보유비중과 수요탄력성이 달라지는 국채 수요체계를 추정한다. 해외 공공부문 비중이 줄고 헤지펀드·민간투자자가 늘면서 시장이 공급변화에 더 가격민감해졌다는 결과다.
금리 · 커브[연준의 9월 22일 연설](https://www.federalreserve.gov/newsevents/speech/jefferson20260922a.htm)은 2024년 시작한 Discount Window Direct가 대출요청·상환·담보정보를 온라인화했고 현재 요청의 60% 이상을 처리한다고 설명한다. 사전 약정을 갖춘 은행은 Fedwire의 국채를 할인창구 담보계좌로 옮겨 당일 자금을 받을 수 있다.
금리 · 커브 / 리스크 · 운용[HRT의 Blobby 기술 글](https://www.hudsonrivertrading.com/hrtbeat/distributed-filesystem-for-scalable-research/)은 수백 페타바이트 데이터를 많은 연구자가 동시에 읽고 모델을 훈련하는 환경을 공개한다. 외부 저장장치의 비용·확장한계와 연구자 간 간섭을 줄이기 위해 append-only 분산 파일시스템을 직접 만들었다.
퀀트사 동향[D. E. Shaw의 Machine Teaching](https://www.deshaw.com/library/machine-teaching)은 체계적 전략에서 발전시킨 최적화를 재량 포트폴리오에도 적용하는 사람–기계 반복과정을 설명한다. 작은 입력차가 큰 코너해를 만들 수 있으므로 예측오차와 제약의 불확실성을 계속 되묻는다.
퀀트사 동향[IMF의 AI 거시금융 시나리오](https://www.imf.org/-/media/files/publications/imf-notes/2026/english/insea2026002.pdf)는 AI를 생산성 하나의 기술충격이 아니라 노동·재정·금융이 함께 이동하는 거시 전환으로 본다. 5년 동안 기술역량이 빠르게 발전한다는 전제에서 도입이 제약되는 기준 경로와 광범위하게 확산되는 경로를 비교한다.
금리 · 커브 / AI · 모델[OFR 자료](https://www.financialresearch.gov/the-ofr-blog/2026/08/20/central-clearing-treasury-repos-plateaued/)에서 규칙 적용대상 미 국채 레포의 중앙청산 비중은 2025년 말 72%까지 올랐다가 2026년 1분기 약 62%로 안정됐다. 전체 레포 기준으로는 53% 정점 뒤 약 46%에 머물렀다.
금리 · 커브[OFR은 2025년 말 헤지펀드의 현물 미 국채 롱을 2조달러](https://www.financialresearch.gov/the-ofr-blog/2026/08/19/hedge-funds-cash-treasury-holdings/)로 추정했다. 5년 전의 거의 세 배이자 시장성 국채의 7%이며, 국채선물 숏 추정치는 1.4조달러였다.
금리 · 커브[Two Sigma의 공식 기술발표](https://www.twosigma.com/articles/engineering-with-open-source/)는 고성능 데이터 플랫폼을 위한 메트릭 시스템을 구축하는 과정을 다룬다. 오픈소스 구성요소마다 성능, 운영적합성과 유지보수 수준이 다르므로 실제 부하와 지원 가능성을 따져 선택해야 한다는 설명이다.
퀀트사 동향[Man Group이 육성한 ArcticDB](https://arcticdb.io/)는 개인 연구 데이터베이스부터 생산까지 같은 방식으로 대규모 시계열을 다루는 퀀트 데이터 기반이다. Python의 DataFrame 인터페이스와 C++ 처리·압축 엔진을 결합해 연구자가 저장기술의 세부사항보다 분석에 집중하도록 설계됐다.
퀀트사 동향[IOSCO의 자본시장 AI 감독 툴킷](https://www.iosco.org/library/pubdocs/pdf/IOSCOPD823.pdf)은 전통적 머신러닝부터 생성형·에이전트형 AI까지 설계, 데이터, 배포와 사후 모니터링을 하나의 생애주기로 본다. 감독자가 위험영역을 고르고 세부 통제를 검사한 뒤 채택 수준과 이상징후를 지표로 추적하는 3단 구조다.
AI · 모델[ESMA의 EU 증권시장 조사](https://www.esma.europa.eu/sites/default/files/2026-02/ESMA50-481369926-30599_TRV_Risk_Analysis_AI_adoption_and_trends_in_securities_markets.pdf)에서 응답사의 45%는 AI 사용사례가 없었지만 대형사의 96%는 이미 사용하거나 계획하고 있었다. 기업 규모에 따라 도입 격차가 컸고, 신용평가사와 투자서비스 제공 신용기관의 완전 배포 비율이 상대적으로 높았다.
AI · 모델 / 리스크 · 운용[ICMA의 유럽 회사채 자료](https://www.icmagroup.org/market-practice-and-regulatory-policy/secondary-markets/market-liquidity/studies-and-papers/)는 2025년 거래금액이 약 5.7조 유로, 거래건수가 630만 건을 넘었다고 집계한다. 4분기 평균 거래규모는 약 88만 유로로 2022년 이후의 감소세를 되돌렸다.
크레딧 / 거래 · 유동성[Jane Street의 공식 장애 분석](https://blog.janestreet.com/a-higgs-bugson-in-the-linux-kernel/)은 거래활동 데이터를 저장·배포하는 핵심 시스템 Gord의 드문 대용량 복사 실패를 다룬다. 작은 시험서버에 부하를 키우고 FUSE로 메모리 안의 대용량 파일을 만든 뒤 eBPF 추적과 패킷 캡처로 실패 순간을 재현했다.
퀀트사 동향[Jane Street의 Bonsai 저장소](https://github.com/janestreet/bonsai)는 이 OCaml 프레임워크가 사내 거의 모든 웹 애플리케이션과 거래 시스템을 모니터링·조작하는 도구에 쓰인다고 설명한다. 화면 구성요소는 순수 함수형 상태기계로 만들며 관련 입력이 바뀔 때만 필요한 값을 다시 계산한다.
퀀트사 동향[영란은행의 EcoFinBench 연구](https://www.bankofengland.co.uk/working-paper/2025/ecofinbench-natural-language-processing-benchmark-economics-finance)는 경제·금융 문장분류에서 사전모형, 단어빈도, 토픽모형과 트랜스포머를 같은 조건으로 비교한다. 표본이 작고 문서가 긴 금융 데이터의 현실을 평가에 넣고, 통화정책 감성을 위한 텍스트 데이터와 텍스트·수치 결합 데이터를 새로 제공했다.
AI · 모델[영란은행의 딥러닝 안정성 연구](https://www.bankofengland.co.uk/working-paper/2023/deep-learning-model-fragility-implications-for-financial-stability-regulation)는 같은 데이터와 유사한 설정을 쓴 모델들이 비슷한 예측을 내면서도 서로 다른 설명을 제시할 수 있음을 보였다. 무작위 시드처럼 사소한 차이만으로 중요 변수의 설명이 달라질 수 있다는 뜻이다.
AI · 모델[영란은행의 회사채 시장 연구](https://www.bankofengland.co.uk/working-paper/2025/investors-as-a-liquidity-backstop-in-corporate-bond-markets)는 투자자가 딜러에게 반대편 유동성을 제공해 대차대조표 제약을 완화하는 네트워크를 분석했다. 2020년 3월 투자자 유동성 공급이 끊긴 채권의 거래비용은 38% 상승했다.
크레딧 / 거래 · 유동성[Reuters가 전한 Citadel CTO 인터뷰](https://www.reuters.com/business/citadel-debuts-new-ai-tool-equities-investors-cto-subramanian-says-2025-12-03/)에 따르면 내부 AI Assistant는 실적발표문, 규제공시, 브로커 리서치, 허가받은 자료와 회사의 투자전략 자료를 검색해 포트폴리오별 위험과 읽기 목록을 만든다. 약 1년간의 내부 배포 뒤 거의 모든 주식 투자자가 정기적으로 사용한다는 회사 측 설명이다.
퀀트사 동향[G-연구의 TensorFlow 구조 해설](https://www.gresearch.com/news/walkthrough-of-tensorflow-architecture/)은 회사가 연구자를 지원하고 프레임워크를 확장하기 위해 고수준 API 아래의 메모리와 연산 그래프를 이해한다고 설명한다. 연속 메모리로 표현되는 텐서는 일부 슬라이싱에서 복사를 만들고, 연산 그래프는 위상정렬과 명시적 gradient op를 통해 실행된다.
퀀트사 동향[Fabio Panetta 이탈리아 중앙은행 총재의 연설](https://www.bancaditalia.it/pubblicazioni/interventi-governatore/integov2026/20260921-panetta/index.html)은 AI 투자 초기에 연산능력·전력·전문인력 수요가 물가를 밀어 올릴 수 있지만 장기에는 생산성 향상이 비용을 낮출 수 있다고 본다. 중요한 것은 생산성의 크기만 아니라 소득이 누구에게 돌아가고 소비와 저축이 어떻게 바뀌는가다.
금리 · 커브 / AI · 모델[Banca d’Italia의 통화정책 AI 평가](https://www.bancaditalia.it/pubblicazioni/qef/2026-1051/index.html?com.dotmarketing.htmlpage.language=1)는 정보처리가 빨라지면 정책금리 변화가 신용조건과 금융가격에 더 빨리 반영될 수 있다고 설명한다. 기업의 가격조정 비용도 낮아지면 비용과 수요 충격이 물가로 전달되는 속도가 과거보다 빨라질 수 있다.
금리 · 커브 / AI · 모델[연준 FEDS Note](https://www.federalreserve.gov/econres/notes/feds-notes/technology-shocks-the-ai-boomandthe-u-s-current-account-20260714.html)는 미국 AI 구축용 첨단 장비의 약 90%가 해외에서 조달되고 공급이 동아시아에 집중됐다고 설명한다. 구조적 VAR, 즉 여러 경제변수의 상호작용에서 충격을 식별하는 모형에서는 투자특이 기술충격이 미국 경상수지 변동의 약 60%를 설명했다.
AI · 모델[Jane Street Tech Talk](https://www.janestreet.com/tech-talks/system-jitter-and-where-to-find-it/)은 시스템 jitter, 즉 평균 주변의 불규칙한 꼬리 지연을 줄이면 추가 위험 없이 더 촘촘한 시장을 만들 수 있다고 설명한다. 초당 약 1GB의 시장데이터가 들어오는 환경에서는 10마이크로초의 지연도 낡은 가격에 거래할 위험을 만든다.
퀀트사 동향[XTX Markets 공식 설명](https://www.xtxmarkets.com/clients/)은 머신러닝으로 위험을 의미 있는 기간 보유하면서 목표 체결률과 낮은 시장충격을 지향하고, 변동성이 큰 때에도 1만 개 넘는 자산의 공정시장가치를 가격에 반영한다고 밝힌다. 오늘은 과거의 규모·인프라 소개가 아니라 예측이 실행성과로 바뀌는 경로를 보기 위해 다시 선정했다.
퀀트사 동향[OFR의 공개 금융예측 벤치마크](https://www.financialresearch.gov/working-papers/2026/08/25/time-series-forecasting-methods-financial-markets/)는 주식, 회사채, 미 국채, 외환, 원자재, CDS와 옵션뿐 아니라 다섯 종류의 베이시스 스프레드와 은행·중개기관 지표를 자산별 표준 정제로 묶었다. 모델을 비교하기 전에 입력 데이터와 정제 절차를 고정해야 순위가 모델 능력에서 온 것인지 데이터 선택에서 온 것인지 알 수 있다는 문제의식이다.
AI · 모델[BIS의 9월 18일 연설](https://www.bis.org/speeches/20260918-supervising-banks-ai-shaped-economy)은 은행의 AI 활용이 사기탐지·신용평가·준법·고객서비스와 위험관리로 넓어졌다고 설명한다. 기존 모델위험 지침은 비교적 투명한 통계모형을 전제로 했으므로 설명이 제한적인 대형언어모델과 고도 AI에는 검증과 독립검토의 재설계가 필요하다.
AI · 모델[FSI의 프런티어 AI 사이버 보고서](https://www.bis.org/publications/fsi-paper-28-when-machines-attack-frontier-ai-cyber-threats-and-policy-responses-financial-sector.pdf)는 AI가 취약점 탐색과 다단계 공격을 자동화해 방어자의 대응 창을 줄일 수 있다고 본다. 클라우드·소프트웨어·프런티어 모델 제공자에 대한 집중은 여러 금융회사가 동시에 같은 장애를 겪게 할 수 있다.
AI · 모델[HRT의 공식 기술 글](https://www.hudsonrivertrading.com/hrtbeat/trading-machine-learning/)은 사내 격주 Paper Survey Club에서 논문을 검토한다고 밝히면서 공개 머신러닝 벤치마크의 점수 차이가 평가 프로토콜과 무작위성에 민감하다고 지적한다. 범용 이미지·번역 문제의 개선이 수익률 예측으로 그대로 이전된다고 볼 수 없다는 경계다.
퀀트사 동향[Optiver 공식 사이트](https://www.optiver.com/)는 연구자가 딥러닝, 대형언어모델, 통계모형과 강화학습을 시장·대체데이터에 적용하고, 트레이더가 주문흐름·변동성·위험과 시장구조를 가격·익스포저 결정으로 바꾼다고 설명한다. 연구·트레이딩·엔지니어링을 하나의 성과 피드백 고리로 묶는 구조다.
퀀트사 동향[BIS의 9월 10일 연설](https://www.bis.org/speeches/20260910-artificial-intelligence-growth-and-financial-stability-challenges-central-banks)은 2025~2026년 5대 빅테크의 AI 관련 설비투자가 1조달러를 넘을 전망이라고 짚는다. 더 중요한 변화는 투자재원이 이익잉여금에서 부채와 사모신용으로 이동하고 있다는 점이다. 이제 AI 기대의 변화는 주가뿐 아니라 회사채 발행과 데이터센터 프로젝트금융의 차환조건으로 전달된다.
금리 · 커브 / 크레딧 / AI · 모델 / 리스크 · 운용[뉴욕 연은 Staff Report No. 1192](https://www.newyorkfed.org/medialibrary/media/research/staff_reports/sr1192.pdf)는 AI가 물가전가, 잠재성장·자연이자율, 금융안정의 세 경로를 통해 통화정책 환경을 바꾼다고 정리한다. 특히 공통 데이터와 기초모델에 대한 의존은 개별 기관의 효율을 높이면서도 시스템 전체의 군집행동과 단일 장애점을 만들 수 있다.
AI · 모델[OECD AI Paper No. 61](https://www.oecd.org/en/publications/artificial-intelligence-and-open-finance_eb511c3c-en.html)은 AI와 동의 기반 데이터 공유가 서로의 효용을 높이는 동시에 복잡성과 위험도 증폭시킨다고 본다. 여러 기관의 데이터를 결합하면 더 풍부한 신용·유동성 판단이 가능하지만 데이터 품질, 개인정보, 설명가능성, 제3자 의존과 책임소재가 함께 따라온다.
AI · 모델[D. E. Shaw와 Quansight Labs의 Versioned HDF5 문서](https://www.deshaw.com/library/desco-quansight-introducing-versioned-hdf5)는 과거 시점의 결과에 나중에 알려진 데이터를 섞지 않으려면 데이터 자체의 버전관리가 필수라고 설명한다. point-in-time 데이터는 각 시점에 실제로 알 수 있었던 정보만 재구성한 데이터라는 뜻이다.
퀀트사 동향[G-연구의 SLIDE 재구현](https://www.gresearch.com/news/implementing-slide/)은 모든 뉴런을 계산하지 않고 locality-sensitive hashing, 즉 비슷한 벡터를 같은 버킷에 넣는 해시로 활성 가능성이 큰 뉴런만 골라 CPU에서 학습한다. 종목이나 상태의 후보군이 아주 클 때 계산량을 줄일 수 있는 발상이다.
퀀트사 동향[영란은행의 9월 18일 워킹페이퍼](https://www.bankofengland.co.uk/working-paper/2026/one-dollar-many-prices-dealer-specific-pricing-of-synthetic-dollar-funding)는 같은 통화쌍, 같은 30분, 같은 만기의 FX 포워드만 비교해 공통 곡선을 걷어냈다. 그 뒤에도 딜러별 합성 달러 조달가격의 표준편차가 연율 약 4bp 남았고, 달러 선도매수에는 선도매도보다 평균 2.5bp가 더 붙었다. 1개월 미만 만기에서는 방향 간 격차가 11.8bp까지 커졌다.
AI · 모델[AFM의 AI 자본시장 보고서](https://www.afm.nl/~/profmedia/files/rapporten/2026/ai-in-capital-markets-balancing-innovation-and-integrity.pdf)는 AI 시장조성 모델이 단기 가격과 주문흐름을 예측해 역선택을 줄이고 더 촘촘한 호가를 낼 수 있다고 설명한다. 동시에 너무 좁은 보상함수는 모델이 스푸핑과 비슷한 행동이나 다른 모델과의 암묵적 동조를 학습하게 할 수 있다고 경고한다.
거래 · 유동성 / AI · 모델[연준의 국채 익스포저 분해](https://www.federalreserve.gov/econres/notes/feds-notes/decomposing-hedge-funds-u-s-treasury-exposures-20260622.html)는 Form PF의 현물, 파생, 레포, 듀레이션 자료를 결합한다. 2025년 9월 대형 헤지펀드의 총 미 국채 익스포저는 4조달러였고, 롱 2.4조달러 가운데 현물–선물 베이시스가 약 8,300억달러, 스왑스프레드 거래가 약 3,050억달러로 추정됐다.
금리 · 커브[AQR의 9월 10일 공식 기고](https://www.aqr.com/Insights/Research/Trade-Publication/In-the-Age-of-AI-A-Quants-Edge-is-Human)는 AI가 정보처리, 가설검정, 포트폴리오 최적화를 자동화할수록 사람의 역할이 사라지는 것이 아니라 달라진다고 말한다. 문제를 새로 정의하고 반증 가능한 검정을 설계하는 능력이 더 희소해진다는 주장이다.
퀀트사 동향[Two Sigma의 2026 전망 Part II](https://www.twosigma.com/articles/ai-in-investment-management-2026-outlook-part-ii/)는 LLM을 알파 탐색뿐 아니라 내부 플랫폼, 생산환경, 사고관리, 법무·컴플라이언스에 연결한다고 밝힌다. 원자료를 새로운 예측 특성으로 바꾸는 시간이 수개월에서 수일로 줄 수 있다는 설명은 연구→생산 루프가 어디서 짧아지는지를 보여준다.
퀀트사 동향뉴스가 나쁠 때 채권 스프레드가 넓어진다는 생각은 단순하지만, 이를 신용평가에 안정적으로 넣는 일은 어렵다. [이탈리아 중앙은행의 새 연구](https://www.bancaditalia.it/media/notizia/analisi-del-sentiment-mediante-modelli-linguistici-di-grandi-dimensioni-per-la-valutazione-del-rischio-di-credito/)는 Dow Jones Factiva 뉴스에서 대규모 언어모델(LLM)로 신용 감성 지표를 만들고, 이를 유로시스템의 기존 내부 신용평가시스템에 결합했다.
크레딧 / AI · 모델 / 리스크 · 운용시장조성자는 자신의 매도 호가가 체결되면 채권을 판 대가로 짧은 포지션과 금리위험을 떠안는다. [Banca d’Italia 연구](https://www.bancaditalia.it/pubblicazioni/mercati-infrastrutture-e-sistemi-di-pagamento/approfondimenti/2026-090/N.90-MISP.pdf)는 이 재고충격을 거의 즉시 반대 거래로 상쇄하는 자동헤지(Auto-Hedging)를 이탈리아 국채 MTS 시장에서 측정했다.
금리 · 커브 / 거래 · 유동성[ECB 워킹페이퍼](https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp3277~46bd788158.en.pdf)는 랜덤포레스트로 기업 부도확률(PD)을 예측하고, 이를 은행–기업 대출 네트워크의 스트레스 테스트로 확장한다. 랜덤포레스트는 여러 의사결정나무의 결과를 평균해 비선형 관계를 잡는 모델로, 금리와 성장 충격이 임계점을 넘을 때 PD가 급격히 변하는 패턴을 로짓보다 민감하게 반영했다.
AI · 모델[G-연구 공식 자료](https://www.gresearch.com/)는 잡음 많은 현실 데이터에서 글로벌 금융시장 움직임을 예측하는 연구팀, 그 연구를 실전 결과로 바꾸는 인프라를 만드는 엔지니어링팀, 새 기술을 시험·도입하는 기술혁신팀을 구분해 설명한다. 공개된 것은 조직과 작업 방식이며 구체적인 자산군, 라벨, 모델 성과, P&L은 아니다.
퀀트사 동향[XTX Markets 공식 자료](https://www.xtxmarkets.com/)는 머신러닝 가격예측을 5만3천 개가 넘는 금융상품의 거래와 고객 유동성 공급으로 연결한다고 밝힌다. 회사가 공개한 현재 규모는 연구 클러스터의 2만5천 개 이상 GPU, 1엑사바이트 이상 저장공간, 하루 2,500억달러 거래다.
퀀트사 동향공개 강화학습 실험은 거래비용을 단순화하기 쉽다. 하지만 [이 연구](https://arxiv.org/abs/2603.29086)는 Almgren–Chriss 구조와 제곱근 시장충격을 시뮬레이터에 넣자 알고리즘의 절대 성과뿐 아니라 상대 순위와 회전율까지 달라졌다고 보고한다. 모델이 어떤 행동을 배우는지는 보상함수 못지않게 체결 환경의 모양에 좌우된다는 뜻이다.
AI · 모델[제약 강화학습 연구](https://arxiv.org/abs/2510.04952)는 참여율 한도, 가격 밴드, 자전거래 방지를 단순 벌점이 아니라 실행 불가능한 규칙으로 둔다. PPO가 주문을 제안하더라도 action shield가 허용 영역으로 주문을 투영하고, 별도 감사 계층이 규칙 준수를 기록하는 구조다.
거래 · 유동성 / AI · 모델[Reuters 분석](https://www.reuters.com/commentary/reuters-open-interest/ai-debt-splurge-is-warping-credit-spreads-marty-fridson-2026-09-10/)은 미국 하이퍼스케일러가 최근 1년간 약 2,200억달러의 채권을 발행하면서 일부 동일 발행사 채권의 상대가치가 기존 규칙과 다르게 움직였다고 설명한다. 비교 가능한 Oracle 채권에서는 더 크고 최근 발행된 종목이 오히려 더 높은 수익률과 스프레드로 거래됐다.
크레딧 / AI · 모델Jane Street의 대체데이터 책임자 Eric Mannes는 [회사 공식 팟캐스트](https://signalsandthreads.com/wrestling-the-world-into-rows/)에서 위성사진, 카드 패널, 날씨 같은 외부 정보를 거래전략이 신뢰할 수 있는 행 데이터로 바꾸는 작업을 설명한다. 더 좋은 ML 모델일수록 데이터 엔지니어링의 가치가 커진다는 표현이 특히 중요하다.
퀀트사 동향Jane Street의 Jacob Baskin은 [공식 에피소드](https://signalsandthreads.com/building-a-data-warehouse-from-scratch/)에서 거래 시스템 속도로 쓰기가 계속 들어오는 동안 연구자의 폭넓은 분석 쿼리를 지원하는 분산 컬럼형 데이터베이스 Superstore를 설명한다. 회사는 이 시스템을 기술 스택의 중심 구성요소라고 소개한다.
퀀트사 동향중국 국채 수익률곡선을 다룬 연구는 여러 머신러닝 모형을 전통적인 금리 예측모형과 비교합니다. 브리핑에 따르면 Extra Trees의 예측력이 두드러졌지만, 더 흥미로운 부분은 학습이 끝난 뒤에 있습니다. 연구진은 SHAP이라는 해석 도구로 어떤 변수가 예측에 기여했는지 살펴보고, 중요한 변수만 남겨 다시 학습했습니다.
금리 · 커브 / AI · 모델채권 옵션을 신경망으로 평가하면 계산을 빠르게 만들 수 있습니다. 다만 실무에서는 가격이 비슷하게 나온다는 사실만으로 충분하지 않습니다. 변동성이 움직일 때 가격이 얼마나 달라지는지, 학습 때 보지 못한 조건에서도 결과가 안정적인지가 함께 중요합니다.
AI · 모델회사채 발행사를 하나씩 평가하면 재무제표에 드러난 위험은 보이지만, 다른 기업을 통해 옮겨오는 충격은 놓칠 수 있습니다. 중국 기업의 보증관계를 다룬 연구는 발행사를 점으로, 보증관계를 선으로 표현해 부도와 위험 전이를 함께 추정합니다.
크레딧 / 리스크 · 운용Two Sigma의 공식 인터뷰는 AI 활용을 가격 예측에만 한정하지 않습니다. 원자료를 새로운 설명변수로 바꾸고, 코드를 작성하고, 내부 업무를 수행하는 과정도 중요한 활용처로 봅니다. 연구자가 아이디어를 확인하는 데 걸리는 시간을 줄인다는 관점입니다.
퀀트사 동향Jane Street의 머신러닝 글들은 데이터가 많아도 금융 예측이 쉽지 않은 이유를 보여줍니다. 데이터에 비해 예측에 쓸 만한 신호는 작고 잡음은 크기 때문에, 데이터를 어떻게 섞고 학습 묶음을 구성하는지도 연구 대상이 됩니다.
퀀트사 동향AI 설비 투자를 위한 차입은 기업 한 곳의 자금조달을 넘어 장기금리에도 영향을 줄 수 있습니다. 원 브리핑은 Goldman Sachs가 정부 재정적자와 AI 관련 차입을 함께 보며 자금 수요의 확대를 설명했다고 소개합니다.
금리 · 커브 / AI · 모델회사채 수익을 예측할 때 많은 변수를 넣으면 판단의 근거를 설명하기 어려워질 수 있습니다. 이 연구는 설명 가능한 머신러닝으로 예측과 해석을 함께 다루려는 접근입니다.
크레딧 / AI · 모델부도위험 모형은 위험 기업을 찾아내는 능력과 그 판단을 설명하는 능력이 모두 중요합니다. 이 자료는 중국 회사채를 대상으로 설명 가능한 머신러닝을 적용한 연구입니다.
크레딧 / AI · 모델 / 리스크 · 운용LLM이 거래 개념을 설명할 수 있다는 사실은 연속적인 거래 판단도 잘한다는 뜻일까요? Optiver의 공개 실험은 이 차이를 살펴볼 수 있는 사례입니다.
퀀트사 동향데이터에서 유난히 큰 값이 발견되면 오류로 지울지, 중요한 시장 사건으로 남길지 결정해야 합니다. Citadel EQR의 공개 사례는 이 판단이 단순한 통계 검사로 끝나지 않는다는 점을 보여줍니다.
퀀트사 동향Atlanta Fed의 Tao Zha 등이 참여한 이 연구는 SVAR에서 사람이 임의로 변수세트를 정하지 않고, **Bayesian methodology가 information set 자체를 데이터에서 선택하도록 한다.** 모델은 OOS 기준으로 가장 큰 admissible system을 선택하고, monetary-policy shock 식별에서도 여러 instrument를 함께 사용하는 구조를 제안한다. [NBER 원문](https://www.nber.org/papers/w35604?utm_source=chatgpt.com)
AI · 모델Fed 연구는 HAR, ARFIMA, threshold HAR, smooth-transition HAR, Markov-switching HAR와 **XGBoost 및 여러 neural network**를 동일 조건에서 비교한다. 평가도 단순 MSFE가 아니라 MAE·QLIKE·Model Confidence Set·Diebold–Mariano test뿐 아니라 **realized utility, VaR, Expected Shortfall**까지 포함한다. [Federal Reserve 원문](https://www.federalreserve.gov/econres/feds/linear-and-nonlinear-econometric-models-against-machine-learning-models.htm?utm_source=chatgpt.com)
AI · 모델이 연구는 금리를 예측하는 신경망이 어떤 경제적 정보를 배웠는지 살펴봅니다. 먼저 Lasso로 입력 변수를 고르고, 시계열 신경망인 LSTM을 학습한 뒤 모델 내부의 신호를 추출합니다.
AI · 모델Jump의 공식 사이트도 자사 ML stack이 **live inference와 fast iteration**을 동시에 지원한다고 설명하고, 연구·infrastructure·execution을 따로 보지 않고 하나의 machine으로 구축한다고 밝히고 있다. [Jump Trading 공식 사이트](https://www.jumptrading.com/?utm_source=chatgpt.com)
퀀트사 동향IMC 연구진이 정리한 ICML의 큰 흐름은 foundation-model pretraining 자체보다 **adaptation, inference-time computation, evaluation, reliability** 쪽으로 무게가 옮겨가고 있다는 것이다.
퀀트사 동향논문의 가장 중요한 지적은 기존 agentic quant 연구가 대부분 **agent가 발견한 factor나 trade만 backtest**한다는 점이다. 하지만 agent도 특정 training window에서 우연히 좋은 아이디어를 찾거나, validation gate가 과적합되거나, 심지어 미묘한 look-ahead leakage를 가질 수 있으므로 **“연구 시스템 자체”를 여러 과거 시점에서 다시 실행해야 한다**고 주장한다.
AI · 모델으로 분해한 뒤, **이미 수익률곡선가 알려주는 캐리는 구조적으로 계산하고 ML은 residual price return만 예측**한다. [Tsinghua 원문 PDF](https://www.pbcsf.tsinghua.edu.cn/__local/D/08/E0/762FDAFBA6C0E31DD3F3E0C0696_EE0D73B6_8D450E.pdf?utm_source=chatgpt.com)
AI · 모델Ron Kaniel, Markus Pelger, Stijn Van Nieuwerburgh, Luofeng Zhou는 **1995~2024년 3,021개 미국 채권펀드**를 대상으로 ML을 이용해 향후 outperformer와 underperformer를 사전에 구분할 수 있는지 분석했다. [Columbia Business School 연구 페이지](https://business.columbia.edu/faculty/research/detecting-skilled-bond-fund-managers?utm_source=chatgpt.com)
리스크 · 운용Josh Durham은 과거 대규모 데이터셋 준비 시 **수천 CPU core에 작은 data chunk를 분산**시키던 작업을, large/unified-memory GPU를 이용해 더 큰 data block 단위로 처리할 수 있다고 설명한다.
퀀트사 동향IMC는 공식적으로 quant 연구 workflow를 **“ideas move quickly from hypothesis to execution”**이라고 설명하며, quantitative 연구가 opportunity를 찾고 ML이 discovery를 가속하며 high-performance technology가 아이디어를 실제 시장으로 가져간다고 밝힌다. [IMC 공식 연구/Trading 설명](https://www.imc.com/us/what-we-do?utm_source=chatgpt.com)
퀀트사 동향이 연구는 TRACE의 **2004~2024년 미국 회사채 거래 데이터**를 사용해 다음 달 유동성를 예측한다. 핵심 질문은 모든 회사채를 하나의 pooled model로 학습시키는 것이 좋은지, 아니면 **bond 특성에 따라 시장을 segment한 뒤 별도 관계를 학습하는 것이 좋은지**다. [SSRN 원문](https://ssrn.com/abstract=7393179?utm_source=chatgpt.com)
거래 · 유동성이 연구는 중국 회사채 cross-sectional return을 대상으로 OLS·PLS·LASSO·Elastic Net과 **GBRT, Random Forest, 1~5 layer neural network**를 폭넓게 비교한다. tree-based model과 2~4 layer NN이 linear model보다 통계적·경제적 성과 모두에서 우수했다고 보고한다. [Journal of Banking & Finance 원문](https://doi.org/10.1016/j.jbankfin.2026.107636?utm_source=chatgpt.com)
크레딧 / AI · 모델BIS 연구진은 1998~2024년 미국 Treasury의 **물가·고용·GDP 등 6개 주요 경제지표 발표 직후 intraday 수익률 movement**를 분석한다. 핵심 결과는 같은 surprise라도 시장 반응 크기가 고정되어 있지 않고, **발표 전 예측 disagreement와 monetary-policy uncertainty 상태에 따라 달라진다**는 것이다. [BIS 원문](https://www.bis.org/publications/working-paper-1361-bond-yield-responses-macro-news-role-macro-forecast-disagreement-and-monetary-policy-uncertainty?utm_source=chatgpt.com)
AI · 모델HRT AI Labs 프로젝트의 목적은 **price-수익률 예측 stream을 실제 trading decision으로 합성하는 RL policy**를 학습하는 것이다. 장기 신호이 목표 포지션을 결정하고, 단기 return 예측를 이용해 **그 목표 포지션으로 언제 얼마나 거래할지를 최적화**한다. [HRT 공식 기술글](https://www.hudsonrivertrading.com/hrtbeat/intern-spotlight-hrt-ai-labs-project-2026/?utm_source=chatgpt.com)
퀀트사 동향Jane Street의 Alok Puranik은 attention model에서 **positional encoding이 sequence의 시간/위치를 어떻게 표현하는지**를 group theory 관점에서 분석한다. attention의 기본 query-key dot product는 순서정보를 스스로 알지 못하므로 positional encoding이 “시간의 흐름”을 모델이 어떻게 보는지를 결정하는 중요한 modeling choice라고 설명한다. [Jane Street 공식 기술글](https://blog.janestreet.com/using-group-theory-to-explore-positional-encodings-attention/?utm_source=chatgpt.com)
퀀트사 동향이 연구는 GDELT 글로벌 뉴스 피드에서 헤드라인을 모은 뒤 **FinBERT로 sentiment를 추출하고, XGBoost로 다음 날 10년 Treasury futures(ZN) 방향을 예측**한다. 뉴스 입력 변수는 단순 평균 sentiment뿐 아니라 **sentiment dispersion, 기사량, event-impact score, lag/rolling statistics**까지 포함한다. [arXiv 원문](https://arxiv.org/abs/2505.16136?utm_source=chatgpt.com)
AI · 모델이 연구는 미국 Treasury zero-coupon curve에 대해 **각 tenor를 직접 예측하는 방식과 level/slope/curvature 같은 factor를 예측하는 방식**을 같은 macro-information set에서 비교한다. OOS 기간은 2015~2025년이며, macro 입력 변수를 추가했을 때 예측 개선은 모든 곳에서 균일하게 나타나는 것이 아니라 **특히 단기만기와 slope 예측에 집중**됐다. [arXiv 원문](https://arxiv.org/abs/2608.07536?utm_source=chatgpt.com)
금리 · 커브 / AI · 모델이 연구는 금리예측 문제를 단순히 평균 RMSE를 최소화하는 문제가 아니라 **미래 distribution이 바뀔 수 있다는 전제하에서 최악의 경우 손실을 제한하는 decision problem**으로 재정의한다. 구조는 `Factor-Augmented Dynamic Nelson-Siegel + Random Forest + Distributionally Robust 예측 Combination`으로 구성된다. [arXiv 원문](https://arxiv.org/abs/2601.04608?utm_source=chatgpt.com)
금리 · 커브 / AI · 모델Atlas Wang은 XTX 시스템이 **매일 수만 개 financial instrument에 대한 예측를 생성**하고, 이를 기반으로 일평균 **3000억달러 이상 규모의 거래를 완전 자동화 방식으로 처리**한다고 설명한다. 인간 discretionary 트레이더가 개별 거래를 결정하지 않는다는 점도 명시한다.
퀀트사 동향Citadel Data Strategies Group의 Quantitative 연구자 **Solène Chabanier**는 팀의 역할을 “복잡한 alternative 데이터셋을 investment professional이 바로 사용할 수 있는 decision-ready insight로 변환하는 것”이라고 직접 설명한다. 위성영상 같은 real-world/real-time 데이터는 투자정보가 될 수 있지만 **raw 형태로는 크고 noisy하며 바로 사용하기 어렵기 때문에**, 연구자의 핵심 역할은 이를 직관적이고 timely한 신호로 변환하는 것이다. [Citadel 공식 인터뷰](https://www.citadel.com/careers/career-perspectives/real-people-real-impact-how-alternative-data-powers-investment-decisions-at-citadel/?utm_source=chatgpt.com)
퀀트사 동향영란은행은 2026년 상반기 AI hyperscaler의 대규모 채권 발행을 금융안정 리스크로 별도 분석했다. 2025년 말 hyperscaler 5개사는 미국 IG 시장 outstanding의 약 3%에 불과했지만, **2026년 5월 초까지 신규 USD IG 발행의 15% 이상을 차지**했다. [Bank of England FSR 원문](https://www.bankofengland.co.uk/financial-stability-report/2026/july-2026?utm_source=chatgpt.com)
크레딧 / AI · 모델이 연구는 미국과 유럽 zero-coupon government-bond curve를 대상으로 **Dynamic Nelson-Siegel, PCA 같은 전통 모델과 여러 neural network 구조**를 비교한다. 단순 예측 RMSE뿐 아니라 **실제 듀레이션-management trading strategy의 경제적 성과**까지 함께 평가한다는 점이 중요하다. [arXiv 원문](https://arxiv.org/abs/2606.26815?utm_source=chatgpt.com)
금리 · 커브 / AI · 모델이 연구는 약 **47년의 미국 Treasury 수익률-curve 데이터**를 가지고 ARIMA 계열, naive benchmark, ensemble ML, LightGBM, RNN, 그리고 여러 예측 Transformer를 비교한다. 결과는 의외로 **ARIMA와 단순 econometric benchmark가 대부분의 time block에서 복잡한 ML/DL 모델보다 우수**했다. [arXiv 원문](https://arxiv.org/abs/2605.09842?utm_source=chatgpt.com)
금리 · 커브 / AI · 모델Optiver Shanghai의 engineering team lead Daniel B.는 지난 약 10년간 **세대별 trading stack이 어떻게 바뀌었는지**를 공식 기술글에서 직접 설명한다. 핵심 갈등은 `lowest latency`와 `fastest 연구 iteration`이 서로 반대 방향의 engineering requirement를 갖는다는 것이다. [Optiver 공식 기술글](https://www.optiver.com/insights/technology-blog/designing-for-latency-and-iteration/?utm_source=chatgpt.com)
퀀트사 동향Man Group은 Pension Insurance Corporation, Stanford University, SAS와 함께 **corporate-bond rating transition을 머신러닝으로 예측하는 연구**를 진행했다. Man은 회사채가 보험사 자산의 통상 50% 이상을 차지하기 때문에 downgrade와 upgrade를 미리 예측하는 것이 ALM·capital allocation에 직접적으로 중요하다고 설명한다. [Man Group 공식 연구](https://www.man.com/insights/catching-angels-before-they-fall?utm_source=chatgpt.com)
퀀트사 동향ECB는 AI 인프라 투자붐으로 미국 hyperscaler들이 유럽 회사채시장까지 대규모로 이용하기 시작했다고 분석했다. Hyperscaler는 2028년까지 총 **1조달러 이상의 CAPEX가 필요할 것으로 예상**되고, 현재 이들이 발행한 채권 중 약 10%가 유로화 표시다. [ECB 원문 바로 보기](https://www.ecb.europa.eu/press/blog/date/2026/html/ecb.blog20260831~dac6a37e73.en.html?utm_source=chatgpt.com)
크레딧이 연구는 수익률곡선를 생성·예측하는 deep-learning model에서 흔한 문제인 **“통계적으로 그럴듯하지만 채권가격 이론상 arbitrage가 가능한 curve를 만드는 문제”**를 직접 다룬다. 저자들은 Student-t Conditional VAE로 heavy-tail term-structure manifold를 만들고, latent dynamics를 **Neural SDE**로 진화시키면서 **no-arbitrage PDE를 penalty로 강제**하는 2단계 architecture를 제안한다. [arXiv 원문](https://arxiv.org/abs/2605.12764?utm_source=chatgpt.com)
금리 · 커브회사채는 거래가 희소하므로 원하는 종목의 최근 가격이 없을 때 **가장 비슷한 다른 채권을 찾아 가격·spread·hedge를 추정**하는 것이 중요하다. 저자들은 similarity 자체를 coupon/rating/sector의 단순 Euclidean distance로 정의하지 않고 **특정 target을 잘 예측하도록 supervised distance를 학습**한다.
크레딧 / AI · 모델Two Sigma에서는 연구자들이 silo별로 각자 입력 변수를 소유하기보다 **공유 입력 변수 library와 공통 연구 platform을 사용**한다고 Ben이 설명한다.
퀀트사 동향Man AHL은 ML을 단순 연구한 것이 아니라 **2014년 초부터 multi-strategy client portfolio에서 ML 기반 시스템을 실거래**했다고 Chief Scientist가 밝힌다.
퀀트사 동향이 연구는 회사채 가격·수익률·거래량으로 만든 **146개 technical indicator**와 전통적인 bond 특성을 여러 ML 모델에 넣어 향후 회사채 수익률을 예측한다. 가장 흥미로운 결과는 technical indicator가 회사채 특성변수보다 강한 예측력을 보였지만, **복잡한 머신러닝 모델은 benchmark linear model을 크게 개선하지 못했다**는 점이다. [ScienceDirect 원문](https://www.sciencedirect.com/science/article/pii/S1386418125000692?utm_source=chatgpt.com)
크레딧 / AI · 모델이 논문은 미국뿐 아니라 여러 국가의 회사채를 하나의 국제 데이터셋으로 묶어 cross-sectional 수익률 예측 가능성를 ML로 분석한다. 미국과 비미국 시장 모두 유의한 예측력이 존재하지만, **어떤 변수가 중요한지는 시장별로 달랐고**, 선진시장 회사채는 미국 채권시장 및 주식시장과의 연결성이 더 강했다. [ScienceDirect 원문](https://www.sciencedirect.com/science/article/pii/S1386418125000485?utm_source=chatgpt.com)
크레딧 / AI · 모델저자들은 LLM으로 경제·시장 narrative에서 **narrative sentiment index**를 만들고 중국 국채 excess return을 예측한다. 이 sentiment는 IS와 OOS 모두에서 향후 bond excess return을 **음(-)의 방향으로 유의하게 예측**했으며, 저자들은 mean-variance 투자자에게 경제적 가치도 존재한다고 보고한다. [SSRN 원문](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6216598&utm_source=chatgpt.com)
리스크 · 운용Citadel EQR의 **Head of Market Impact 연구 Hua Zheng**은 quantitative 연구자가 시장행동을 설명하고 예측하는 모델을 만들며, **여러 시간 horizon의 신호을 탐색하고 경제적 intuition에 기반한 hypothesis를 대규모 데이터에서 검증**한다고 직접 설명한다. [Citadel 공식 인터뷰](https://www.citadel.com/careers/career-perspectives/hua-zheng-on-being-a-quantitative-researcher/?utm_source=chatgpt.com)
퀀트사 동향Jane Street는 최근 3Blue1Brown의 Grant Sanderson과 진행한 사내 roundtable에서 현직자 Nitya, In Young, Craig, Alok가 회사의 기술 변화에 대해 직접 이야기했다. 공식 요약에서 Jane Street는 **2005년 Excel 기반 trading system에서 시작해 현재 deep learning이 systematic trading의 “single largest driver”가 됐다**고 명시한다. [Jane Street 공식 roundtable 소개](https://www.janestreet.com/culture/street-view/behind-the-scenes-with-3blue1brown/?utm_source=chatgpt.com)
퀀트사 동향RetailAgent는 LLM에게 익명화된 intraday 가격 history와 제한된 state를 보여주고 매 시점마다 **long 또는 flat**을 반복적으로 결정하게 만든 실험이다. 연구진은 단순 수익률이 아니라 long exposure 비중을 통제한 뒤 같은 종목의 long 구간과 flat 구간 이후 수익을 비교했는데, 여러 model family·horizon·state에서 **지속적인 negative timing**이 나타났다고 보고한다. [arXiv 원문](https://arxiv.org/abs/2608.28399?utm_source=chatgpt.com)
AI · 모델이 연구는 market maker가 best bid/ask 한 가격에 quote하는 문제가 아니라, **여러 price level에 서로 다른 size의 limit/market order를 동시에 배분**하는 문제를 RL로 푼다. 행동공간을 multivariate logistic-normal distribution으로 모델링하고, variable-length order set을 Deep Sets encoder로 fixed-dimensional representation으로 압축한다. [arXiv 원문](https://arxiv.org/abs/2608.18195?utm_source=chatgpt.com)
거래 · 유동성 / AI · 모델이 논문은 passive limit order를 어디에 놓을지 결정할 때 발생하는 세 가지 핵심 trade-off를 명시적으로 모델링한다. 저자들은 **mid에서 멀어질수록 fill probability가 대략 exponential하게 감소**하고, 단기 가격변화가 order-자금 흐름 imbalance에 선형적으로 반응한다는 두 empirical regularity에서 passive impact model을 구축한다. [arXiv 원문](https://arxiv.org/abs/2607.28323?utm_source=chatgpt.com)
거래 · 유동성HRT는 CoreWeave와 **multi-year agreement**를 맺고 차세대 AI-driven trading 연구와 model development를 CoreWeave AI cloud 위에서 확장하기로 했다. 플랫폼에는 **NVIDIA Vera Rubin NVL72, HGX B200, Spectrum-X Ethernet**이 포함되며, CoreWeave는 이를 “multi-billion dollar deal”로 표현한다. [CoreWeave 공식 발표](https://coreweave.com/news/hudson-river-trading-to-build-next-gen-research-platform-powered-by-nvidia-vera-rubin-nvl72-on-coreweave-cloud?utm_source=chatgpt.com)
퀀트사 동향Two Sigma CTO Jeff Wecker는 2026년의 중요한 흐름으로 **properly governed agentic AI**를 지목하고, Chief AI Innovation Officer Matt Greenwood는 AI가 별도로 배포하는 도구가 아니라 **quantitative 연구와 investing의 operating system이 되고 있다**고 설명한다. [Two Sigma 공식 원문](https://www.twosigma.com/articles/ai-in-investment-management-2026-outlook-part-i/?utm_source=chatgpt.com)
퀀트사 동향FSB 의장 Andrew Bailey는 어제 공개한 G20 재무장관·중앙은행총재 서한에서 금융시스템의 AI 관련 **가장 즉각적인 위험은 frontier AI가 cyber risk의 속도·규모·경제성을 바꾸는 것**이라고 명시했다. [FSB 공식 원문](https://www.fsb.org/2026/08/fsb-chairs-letter-to-g20-finance-ministers-and-central-bank-governors-august-2026/?utm_source=chatgpt.com)
AI · 모델이 연구는 브라질 중앙은행 Copom 성명서 80건, 총 1,498개 문장을 대상으로 LLM이 단순 hawkish/dovish label만 붙이는 것이 아니라 **표현의 강도까지 0~1로 추정**해 문서별 tone score를 만든다. [arXiv 원문](https://arxiv.org/abs/2608.07251?utm_source=chatgpt.com)
AI · 모델이 NBER 연구는 이 분리가 잘못될 수 있다고 주장한다. 예측모델은 모든 종목의 예측 error를 거의 동일하게 취급하지만, 실제 투자자에게 중요한 것은 **최종 포트폴리오에서 큰 weight가 들어갈 자산의 예측오차**이기 때문이다. [NBER 공식 원문](https://www.nber.org/papers/w34861?utm_source=chatgpt.com)
AI · 모델Citadel의 Equity Quantitative 연구(EQR) 팀은 최근 실제 프로젝트 하나를 공개했다. 프로젝트의 목표는 다양한 데이터셋의 이상값을 찾아 **그 값이 오류인지, noise인지, 아니면 오히려 가치 있는 신호인지 분류하고 각 경우마다 exclude/down-weight/keep을 추천하는 분석 체계**를 만드는 것이다. [Citadel 공식 원문](https://www.citadel.com/careers/career-perspectives/a-day-with-rishi-intern/?utm_source=chatgpt.com)
퀀트사 동향Jane Street의 Sylvain Gugger와 Corwin de Zahr는 공식 tech talk에서 neural-network training에서 GPU의 theoretical FLOPS보다 **실제 병목을 제거하는 engineering이 중요하다**고 설명한다. CPU 작업과 GPU 작업을 overlap하고, 여러 operation을 하나의 kernel로 합치는 **kernel fusion**, custom GPU kernel 작성 등 실제 training throughput 개선기법을 상세히 다룬다. [Jane Street 공식 기술강연](https://www.janestreet.com/tech-talks/making-gpus-actually-fast/?utm_source=chatgpt.com)
퀀트사 동향S&P Global은 AI 데이터센터 투자 사이클이 이제 일반 회사채를 넘어 **private credit, asset-based finance, CMBS, ABS까지 확산**되고 있다고 분석한다. [S&P Global 원문](https://www.spglobal.com/market-intelligence/en/news-insights/research/2026/08/ai-infrastructure-debt-is-testing-private-market-valuations?utm_source=chatgpt.com)
크레딧 / AI · 모델PIMCO는 AI hyperscaler의 대규모 발행이 단순 credit fundamental이 아니라 **통화별 supply technical을 만들어 동일 발행사의 USD와 EUR 채권 간 상대가치를 벌리고 있다**고 분석한다. [PIMCO 원문](https://www.pimco.com/kr/ko/insights/the-credit-market-lens-the-ai-split-between-us-dollar-and-euro-investment-grade?utm_source=chatgpt.com)
크레딧 / AI · 모델**확인 가능한 사실:** agentic AI가 quantamental analysis, trading, portfolio management와 systematic portfolio strategy에 사용되고 있다는 것까지는 회사가 직접 공개했다.
AI · 모델 / 리스크 · 운용Jump Trading은 NVIDIA의 차세대 **Vera Rubin NVL72**를 도입하는 초기 금융기업 중 하나이며, 이를 글로벌 금융시장의 AI·deep-learning 연구용 data-center expansion에 사용한다고 공식 발표했다. [Jump Trading 공식 원문](https://www.jumptrading.com/signals/jump-trading-becomes-one-of-first-firms-to-deploy-nvidia-vera-rubin-platform?utm_source=chatgpt.com)
퀀트사 동향DRW의 Head of AI Wachi Bandara는 과거 Mellon Capital에서 **수익률-curve arbitrage와 global-macro equity risk**를 연구했고, 이후 ML을 unstructured/difficult data에 적용해 trading/investment insight를 만드는 일을 해왔다고 설명한다. [DRW 공식 인터뷰](https://www.drw.com/updates/insights/ai-not-completely-new-to-financial-markets-continuously-exciting?utm_source=chatgpt.com)
퀀트사 동향금융 의사결정에서 **LLM과 reinforcement learning을 결합하는 연구를 체계적으로 분류한 최신 오픈액세스 리뷰**가 8월 28일 공개됐다. 기존 연구가 흩어져 있어 LLM이 단순 텍스트 encoder인지, RL agent의 reasoning/planning module인지, reward 또는 environment 생성에 관여하는지를 비교하기 어려웠다는 문제에서 출발한다. [Springer 원문](https://link.springer.com/article/10.1007/s44163-026-02018-0?utm_source=chatgpt.com)
AI · 모델BIS는 LLM을 이용해 **금융상품 prospectus와 자본규제를 자동 비교하고 잠재적인 불일치를 ranking하는 procedure**를 개발했다. 유럽 G-SIB의 Additional Tier 1(AT1) 채권 prospectus에 적용했고, Credit Suisse와 Yes Bank의 익명화 문서를 대상으로 검증했을 때 이후 실제 AT1 손실흡수 분쟁에서 중요해진 **rule–prospectus divergence를 찾아냈다.** [BIS Bulletin 134 원문](https://www.bis.org/publications/bulletin-134-supervisory-screening-large-language-models--finding-divergences?utm_source=chatgpt.com)
AI · 모델Bank of England와 BIS 연구진은 **counterparty identity가 공개된 regulatory corporate-bond transaction data**를 이용해 고객–dealer 관계와 정보거래를 분석했다. 결과적으로 sophisticated client는 하나의 dealer에 주문을 몰기보다 **여러 dealer에 주문을 분산시킬 때 더 좋은 성과를 냈고**, 이 효과는 informationally sensitive client, HY bond, COVID 같은 정보집약적 기간에서 더 강했다. [Oxford Academic 원문](https://academic.oup.com/raps/article-abstract/16/3/378/8489774?utm_source=chatgpt.com)
크레딧HRT는 최근 공식 LinkedIn 기술 업데이트에서 **하루 약 20TB의 streaming market data를 처리**한다고 공개했다. 동시에 trading infrastructure에서는 microsecond 단위 latency가 중요하기 때문에 throughput과 latency를 동시에 맞춰야 하며, 이 과정에서 C++가 핵심 역할을 한다고 Software Engineering Lead Eric Lubin이 설명한다. [HRT 공식 LinkedIn 기술 업데이트](https://www.linkedin.com/company/hudson-river-trading?utm_source=chatgpt.com)
퀀트사 동향D. E. Shaw Group 내부 compute grid에서는 **매월 수백만 개의 workload가 실행**되며 연구자·engineer·quant 팀이 짧은 experiment부터 장기간 service까지 같은 HPC infrastructure를 이용한다. 회사는 각 task별 requested compute와 실제 consumed compute를 개별 task ID 수준에서 추적한다. [ClickHouse × D. E. Shaw 기술 case study 원문](https://clickhouse.com/blog/deshaw?utm_source=chatgpt.com)
퀀트사 동향기존 LOB 생성모델은 보통 **주문 이벤트(order event)** 또는 **호가창 상태(state)** 중 한쪽을 별도로 모델링하는데, M3는 두 개를 함께 학습하는 **state-event generative foundation model**을 제안한다. 모델은 실제 대규모 order-level 주식시장 데이터에서 학습되어 미래 order-자금 흐름 trajectory와 그에 따라 변화하는 limit-order-book 유동성를 동시에 생성한다. 저자들은 모델이 시장의 주요 stylized fact를 재현하고, 예측뿐 아니라 **stress testing과 market-impact analysis를 위한 counterfactual 모의실험**에 사용할 수 있다고 보고한다. [arXiv 원문](https://arxiv.org/abs/2608.19227?utm_source=chatgpt.com)
거래 · 유동성 / AI · 모델이 연구는 회사채의 **information risk**를 시장미시구조 기반의 `PIN(Probability of Information-Based Trading)`으로 측정하고, 그 정보위험이 회사채 기대수익률에 가격되는지를 분석한다. 다른 유동성 및 bond 특성을 통제한 뒤에도 **information risk와 기대 회사채수익률 사이에 유의한 양의 관계**가 나타난다고 보고한다. [PolyU 연구 페이지](https://research.polyu.edu.hk/en/publications/information-risk-in-the-corporate-bond-market/?utm_source=chatgpt.com)
크레딧 / 리스크 · 운용J.P. Morgan Private Bank의 미국 투자전략 책임자 Jacob Manoukian은 최근 장기금리 상승이 단순히 재정적자·인플레이션 위험만 반영하는 것이 아니라 **AI 투자에 따른 장기 생산성 향상 가능성을 채권시장이 가격화하기 시작했을 가능성**을 제기했다. [Reuters 원문](https://www.reuters.com/world/bond-market-may-be-pricing-ai-productivity-gains-yields-rise-jpmorgan-private-2026-08-28/?utm_source=chatgpt.com)
AI · 모델Optiver Global Head of Quant Engineering Scott McKenzie, Optiver 엔지니어 Josh Durham, NVIDIA Global Head of Capital Markets Strategy Ioana Boier가 accelerated computing이 trading 연구를 어떻게 바꾸는지 구체적으로 설명했다. [Optiver 공식 기술문서](https://www.optiver.com/insights/technology-blog/nvidia-accelerated-computing-in-trading/?utm_source=chatgpt.com)
퀀트사 동향이 자료는 사용자가 요청한 “채용공고 너머의 기술자료”라는 관점에서 상당히 가치가 높다. 약 10년 재직한 Jane Street production engineer **Mark Doss가 실제 live trading infrastructure 운영 원칙을 50분 가까이 직접 설명한다.** [Jane Street 공식 강연 + 전체 Transcript](https://www.janestreet.com/tech-talks/production-engineering-when-trading-billions-of-dollars-a-day/?utm_source=chatgpt.com)
퀀트사 동향Federal Reserve Board 연구진은 미국 감독당국의 **loan-level supervisory data와 기업별 AI 관련 채용공고**를 결합해, 신용공급이 기업의 AI 도입을 얼마나 촉진하는지 분석한다. 저자 중 Yusik Kim과 Edson Wu는 Fed Board economist이며, 두 사람의 공식 개인 연구 페이지에서도 이 논문이 현재 working paper로 확인된다. [SSRN 원문](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7247860&utm_source=chatgpt.com)
크레딧 / 거래 · 유동성 / AI · 모델이 연구는 투자자가 시장의 구조를 모르는 상태에서 neural-network 기반 reinforcement learning으로 **자신의 수요함수를 직접 학습하면 rational-expectations equilibrium에 수렴할 수 있는가**를 분석한다. 개별 RL investor가 독립적으로 학습할 때는 equilibrium demand를 회복할 수 있지만, 여러 RL agent가 endogenous price를 통해 연결되면 **각자 안정적으로 작동하던 학습규칙도 전체 시스템에서는 불안정해질 수 있다.** [SSRN 원문](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7313799&utm_source=chatgpt.com)
AI · 모델이 연구는 209개 S&P 500 기업을 대상으로 **재무비율 + ESG 세부항목 + 기업간 산업 네트워크**를 동시에 사용해 신용등급을 예측한다. 핵심 구조는 GICS 기반 기업 네트워크에서 **GATv2(Graph Attention Network) embedding**을 만들고 이를 LightGBM과 결합하는 hybrid architecture다. [SSRN 원문](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6970146&utm_source=chatgpt.com)
크레딧Citadel Securities가 8월 19일 공개한 실제 인턴 프로젝트는 매우 구체적이다. Systematic Equity Options 팀은 **어디에 quote size를 더 많이 보여주고 어디에서는 줄일지**를 데이터로 연구하며, 각 parameter가 상품·시장상태별로 전략 행동에 미치는 영향을 체계적으로 테스트한다. [Citadel Securities 공식 원문](https://www.citadelsecurities.com/careers/career-perspectives/a-day-with-sriram-intern/?utm_source=chatgpt.com)
퀀트사 동향XTX Markets 연구 Director이자 AI Lab 리더인 Atlas Wang은 2026년 Stony Brook AI3 세미나에서 XTX가 **수만 개 금융상품에 deep-learning 예측를 생성하고 하루 3,000억달러 이상을 전자동으로 거래**하며, discretionary human intervention 없이 운영한다고 공개했다. 강연은 time-series modeling, large-scale optimization, representation learning과 foundation model을 실제 trading P&L로 연결하는 연구를 핵심 agenda로 소개했다. [Stony Brook 공식 강연 페이지](https://ai.stonybrook.edu/news/seminars/algorithmic-trading-large-scale-deep-learning?utm_source=chatgpt.com)
퀀트사 동향이 연구는 회사채 발행사를 사전에 `AAA/AA`, 금융/산업재 같은 고정 그룹으로 나누는 대신, **데이터가 스스로 필요한 발행사 cluster의 개수를 결정하도록 하는 Dirichlet-process mixture regression**을 제안한다. 2018년 10월~2023년 10월 발행사-level 월별 패널을 사용하고 pooled regression, 고정된 K개의 mixture, Dirichlet-process mixture를 비교했다. 핵심 성과는 headline \(R^2\)의 대폭 상승이라기보다 **임의로 cluster 수를 정하지 않아도 heterogeneous 발행사-response regime을 안정적으로 발견**하면서 미관측 발행사와 미래 12개월 holdout에서도 경쟁력 있는 예측력을 유지했다는 점이다. component별 회귀관계도 유지되기 때문에 완전한 블랙박스 clustering보다 해석 가능성이 높다.
AI · 모델이 논문의 장점은 금리 ML에서 자주 발생하는 **미래정보 누출 문제를 정면으로 통제한다는 것**이다. 미국 국채 초과수익을 예측할 때 최종 수정된 GDP·CPI를 과거 시점에 소급하지 않고, **그 당시 실제 이용 가능했던 real-time macro vintage와 뉴스 topic-attention 변수**를 사용한다. 모델은 고차원 거시변수를 경제적 그룹별로 묶는 Weighted Group Neural Network(WGNN)를 사용해 변수 간 강한 공선성을 완화하고, 만기별 변동성 차이를 반영한 loss를 사용한다. non-overlapping return에서는 예측력이 약하지만 overlapping return에서는 WGNN이 전체적으로 가장 높은 OOS \(R^2\)를 보이며 모든 만기에서 비교적 안정적인 성능을 기록한다.
AI · 모델실제 운영 수치도 공개했다. ETF basket 생성시간을 약 2시간에서 **10분 미만**으로 줄였고, municipal bond 시스템은 하루 약 **400만 개 dealer quote를 처리해 약 100개의 actionable trade**를 생성한다고 설명한다. 또한 MBS에서는 ML 기반 prepayment model을 개발하고 있고, IBM과 quantum portfolio optimisation도 2단계 연구로 확장했다.
AI · 모델**구분:** 회사 공식 연구·채용자료 **게시일:** 별도 날짜 미표기 / **2026년 8월 26일 현재 확인** **현재 채용:** Applied ML Scientist 포함 **원문:** [PDT Partners — The Science of Quantitative Investing](https://pdtpartners.com/work?utm_source=chatgpt.com) · [PDT Careers](https://pdtpartners.com/careers?utm_source=chatgpt.com)
퀀트사 동향**구분:** 회사 공식 AI/ML·채용자료 **게시일:** 미표기 / **2026년 8월 26일 현재 공식 공개 확인** **원문:** [IMC AI/ML 공식 페이지](https://www.imc.com/ap/careers/experienced-roles/ai-ml?utm_source=chatgpt.com) · [IMC Machine Learning 연구자](https://www.imc.com/ap/careers/jobs/4699252101?utm_source=chatgpt.com)
퀀트사 동향이 연구는 실시간으로 이용 가능한 macro-financial predictor들을 이용해 **회사채 시장 전체의 기대 초과수익을 예측하고 익스포저를 동적으로 조정**한다. 핵심 방법은 하나의 블랙박스 ML에 모든 정보를 넣는 것이 아니라 여러 예측을 조합하는 예측-combination 방식으로, 개념적으로 ensemble learning에 가깝다. 연구진은 이 managed portfolio가 static 전략과 대표 factor model을 인·아웃오브샘플 모두에서 상회하며, 거래비용과 레버리지 제약을 적용한 뒤에도 결과가 유지된다고 보고한다. 특히 거시환경이 빠르게 변하는 구간에서 countercyclical return pattern을 잡아내는 효과가 컸다.
크레딧이 논문은 sovereign bond 수익률와 excess-return 예측에 ML을 적용한 **46개 동료평가 실증연구를 체계적으로 재검토**한다. 결론은 “ML이 압도적으로 이긴다”보다 훨씬 보수적이다. 엄격하게 설계된 연구에서는 간결한 neural network와 tree ensemble이 장기채 수익 예측에서 선형모형보다 추가정보를 포착하는 증거가 있지만, 그 개선폭은 흔히 보고되는 것보다 훨씬 작다. 특히 수정된 거시데이터 사용, global preprocessing, look-ahead leakage와 잘못된 OOS metric 때문에 ML 효과가 크게 과장되는 논문이 많았으며, 품질이 낮은 연구의 OOS \(R^2\) 개선폭은 엄격한 연구보다 대략 한 자릿수 이상 크게 나타난다고 리뷰는 지적한다.
AI · 모델Vanguard는 AI 인프라 투자의 자금원이 **기업 내부 현금흐름에서 회사채시장으로 빠르게 이동 중**이라고 분석한다. Alphabet·Amazon·Meta·Microsoft·Oracle 5개 hyperscaler는 2020~2024년 연평균 약 350억달러를 발행했지만 2025년에는 930억달러, 2026년 7월 말까지는 이미 약 **1,320억달러**를 발행했다. AI 생태계 전체의 2026년 채권발행 추정치는 약 **3,000억~5,700억달러**이며, 최근 발행은 장기물 비중도 높다.
AI · 모델**구분:** 회사 공식 Quantitative 연구 채용자료 **발표일:** 게시일 미표기 · **2026년 8월 25일 현재 공식 공개 확인** **원문:** [Headlands Technologies 공식 Careers](https://www.headlandstech.com/careers/?utm_source=chatgpt.com)
퀀트사 동향**구분:** 회사 공식 소개 · Quantitative Trading / ML **발표일:** 게시일 미표기 · **2026년 8월 25일 현재 공식 공개 확인** **원문:** [Radix Trading 공식 사이트](https://radix-trading.com/?utm_source=chatgpt.com)
퀀트사 동향이 연구는 미국 회사채에서 오후 6시 30분~익일 오전 8시 사이에 체결된 거래가 TRACE 재개 전까지 공개되지 않는 **반복적인 post-trade transparency gap**을 분석한다. Enhanced TRACE를 이용한 결과 야간 거래는 주간 거래보다 상당히 크고, 단순 잡음이 아니라 **가격발견에 disproportionate하게 기여**한다. 더 흥미롭게도 야간 order imbalance는 해당 채권의 이후 수익률뿐 아니라 **동일 발행사의 다른 채권 수익률도 예측**해, 발행사-level private information이 자금 흐름에 들어 있음을 시사한다.
크레딧이 연구는 주식과 회사채의 모멘텀/reversal을 동일한 자본구조 프레임 안에서 분석한다. 핵심 결과는 **고위험 기업 주식에는 time-series 모멘텀이 강한 반면, 회사채에는 reversal이 나타나고, 과거 주식수익률이 향후 회사채수익률을 예측한다**는 것이다. 저자들은 이를 equity를 기업자산에 대한 call option으로 보고, variance risk와 차입 비중 효과가 서로 다른 방향으로 작용하는 구조로 설명한다.
AI · 모델회사채 beta를 0으로 두거나 발행사별 고정값으로 두는 관행이 현실적으로 맞지 않는다는 연구다. 미국 회사채 10,912개를 분석한 결과 신용등급을 통제한 뒤에도 **만기가 길수록, 유동성이 낮을수록 debt beta가 높아진다.** 1표준편차의 만기 증가와 illiquidity 증가는 debt beta를 각각 약 25%, 13% 높이는 것으로 추정됐다. 결과는 듀레이션 matching, microstructure adjustment, portfolio aggregation 등 여러 robustness test에서도 유지된다.
크레딧 / 거래 · 유동성**구분:** 회사 공식 2026 Quant Trading 채용자료 **현재 상태:** **2026년 8월 시작 Off-Cycle 프로그램 모집자료** **원문:** [Millennium 공식 Quantitative 연구자 자료](https://campusjobs.mlp.com/careers/job/755956742250-off-cycle-trading-intern-quantitative-researcher-2026-hong-kong-hong-kong-hong-kong?domain=mlp.com&utm_source=chatgpt.com)
퀀트사 동향**구분:** 회사 공식 Quantitative 연구 채용자료 **현재 공개:** **2026년 8월 확인** **원문:** [Point72 Microstructure Quantitative 연구자](https://careers.point72.com/CSJobDetail?jobCode=CSS-0014308&jobName=microstructure-quantitative-researcher&locale=English&location=New+York&retURL=%2FCSCareerSearch&utm_source=chatgpt.com)
퀀트사 동향미국 상장기업의 채용공고에서 **LLM 시스템을 개발·통합하는 직무**를 식별해 실제 생성형 AI 도입기업을 추정하고, AI 도입 전후 자본구조 변화를 staggered difference-in-differences로 분석한다. 결과적으로 기존 자동화 기술과 달리 생성형 AI 도입기업은 **레버리지를 낮추고 이자보상배율을 높이는 방향**으로 움직였다. 효과는 AI가 대체할 수 있는 노동의 비중이 크거나 무형·조직자본 의존도가 높은 기업에서 더 컸으며, 특히 기업 고유 업무에 깊게 결합된 AI일수록 deleveraging이 강했다. 저자들의 해석은 AI가 노동을 대체하면서도 담보·재배치하기 어려운 firm-specific capital을 늘려 **채권자의 회수가능성을 낮출 수 있기 때문**이다.
AI · 모델AI agent의 **운영 규칙 자체에 financing term을 연결하는 상황**에서 기업의 부채구조가 어떻게 달라지는지를 이론적으로 연구한다. 기업은 metric-contingent financing과 일반 residual debt를 조합하는데, AI의 행동규칙과 금융계약을 더 강하게 연결한다고 항상 효율성이 높아지는 것은 아니다. 인증된 coupling은 특정 조건부 자금조달 capacity를 확대할 수 있지만 동시에 기업 type을 구별하는 screening 기능을 약화시키거나 AI가 잘못된 metric을 최적화하는 targeting loss를 만들 수 있다. 일부 조건에서는 중간 정도의 coupling이 최적이며, ring-fencing은 특정 왜곡을 줄이는 대신 다른 equilibrium을 바꿀 수 있다.
크레딧 / AI · 모델FSB가 제시한 금융기관용 AI 가이드라인은 **전사 AI 거버넌스, 모델 개발·배포 lifecycle, cyber/ICT·제3자 위험**을 포함한 12개 sound practice로 구성된다. 8월 6일에는 업계의 공식 consultation response가 공개됐는데, JPMorgan, Deutsche Börse, ICMA, WFE, Bloomberg, IIF, Managed Funds Association 등 실제 금융시장 참가자·인프라 기업들이 대거 참여했다. FSB는 특히 생성형 AI와 agentic AI까지 기존 모델리스크 체계가 감당할 수 있는지, 금융기관 유형별로 proportional하게 적용할 수 있는지를 검토 중이며 최종 보고서는 2026년 후반 발표 예정이다.
AI · 모델**구분:** 회사 공식 투자·기술자료 **Systematic Credit 자료:** **2026년 1월 15일** **현재 공식 AHL 기술 페이지:** 2026년 8월 확인 **원문:** [Man AHL 공식 페이지](https://www.man.com/ahl?utm_source=chatgpt.com) · [Systematic Credit: A New Frontier](https://www.man.com/insights/systematic-credit-new-frontier?utm_source=chatgpt.com)
퀀트사 동향**구분:** 회사 공식 execution 자료 **업데이트:** **2026년 7월** **원문:** [Virtu POSIT Alert July 2026 Update](https://www.virtu.com/alert-monthly/?utm_source=chatgpt.com) · [Virtu Trading Analytics](https://www.virtu.com/solutions/analytics/?utm_source=chatgpt.com)
퀀트사 동향이 연구는 기업의 공시 텍스트를 **LLM으로 읽어 firm-level climate policy uncertainty exposure(FCPUE)**를 생성하고, 이 지표가 회사채 신용스프레드에 어떻게 반영되는지 분석한다. 단순 ESG 점수나 산업 더미가 아니라 경영진이 실제 공시에서 규제·정책 불확실성에 얼마나 노출되어 있는지를 비정형 텍스트에서 추출한 것이 특징이다. FCPUE가 높은 기업일수록 회사채 스프레드가 유의하게 넓었고, 그 경로에는 **financial distress와 유동성 channel**이 모두 작용했다. ESG 수준 자체는 일부 완충역할을 했지만 ESG 평가기관 간 disagreement가 큰 기업에서는 효과가 오히려 증폭됐다.
크레딧 / AI · 모델이 논문은 무려 **18 quadrillion개의 후보 모델**을 검토해 주식과 회사채의 수익률을 동시에 설명하는 팩터 구조를 연구한다. 결과는 의외다. Treasury term-structure risk를 통제하고 나면 기존의 방대한 bond-specific factor zoo보다 **equity factor와 nontradable factor의 정보가 회사채 risk premium 설명에 상당히 중요**했다.
AI · 모델Tobias Adrian은 이미 주식·FX·**on-the-run sovereign bond** 같은 유동성 높은 시장에서 상당한 거래가 모델과 ML 기반 알고리즘으로 이뤄지고 있다고 지적한다. 생성형 AI의 추가 효과는 반드시 “더 좋은 가격예측”이라기보다 **전략 코딩·백테스트·배포 시간을 크게 줄여 자동화의 확산속도를 높이는 것**이다.
리스크 · 운용**구분:** 회사 공식 인터뷰 · Systematic 초과수익 신호 연구 **발표일:** **2026년 8월 17일** **원문:** [Citadel 공식 원문](https://www.citadel.com/careers/career-perspectives/inside-eqr-alpha-research/?utm_source=chatgpt.com)
퀀트사 동향**구분:** 회사 공식 기술·트레이딩 플랫폼 자료 / 최신 소프트웨어 업데이트 **최신 업데이트:** **2026년 8월 21일** **원문:** [Optiver 공식 What We Do](https://www.optiver.com/what-we-do/?utm_source=chatgpt.com)
퀀트사 동향OTC 회사채 dealer가 ML로 bid/ask를 결정할 때 생기는 **performative 피드백**을 정면으로 다룬 매우 최신 연구다. quote를 타이트하게 하면 거래량은 늘어나지만 informed 자금 흐름와 불리한 정보에 따른 체결 위험도 늘고, dealer는 그렇게 자신이 유인한 체결만으로 모델을 다시 학습한다. 즉 학습 데이터가 외생적으로 주어지는 것이 아니라 **내 과거 quoting policy가 다음 training distribution을 만든다.**
AI · 모델이 논문은 금융 AI agent가 정보를 정확하게 이해해도 **허가되지 않은 주문·고객 약속·정책 변경을 실행할 수 있다**는 별도의 문제를 다룬다. 저자들은 이를 해결하기 위해 SAGE-Fin이라는 authority-handoff 분석 체계를 제시한다. 핵심 아이디어는 LLM이 “무슨 말을 했는가”보다 **실제로 어떤 effect를 발생시키려 하는가**를 typed object로 변환해, 시장·계좌·정책·대화 상태에 따라 실행권한을 다시 검사하는 것이다.
AI · 모델이 연구는 “Sharpe가 X인 전략이면 정상적인 drawdown은 어느 정도인가?”라는 systematic trading의 실무 질문을 다룬다. Gaussian Brownian-motion 가정을 출발점으로 하되 skewness, fat tail, volatility clustering, Sharpe 추정오차와 fractional Brownian motion 기반 장기기억을 차례로 추가한다. 최대낙폭뿐 아니라 최대손실, 마지막 손실시점, 최장 회복기간까지 별도로 계산했는데, **각 위험지표가 비가우시안성에 서로 다르게 반응하므로 하나의 MDD table만으로 리스크를 관리하기 어렵다**는 결과다.
리스크 · 운용**구분:** 회사 공식 채용·Systematic Investing 자료 **2026년 현재 공개** **원문 링크:** https://point72.com/cubist/ **관련 공식 ML 역할:** Point72 Careers의 *Quantitative 연구자 – Machine Learning*
퀀트사 동향**구분:** 회사 공식 2027 ML/Quant 프로그램 자료 **2026년 8월 현재 모집 페이지 공개** **원문 링크:** https://www.janestreet.com/join-jane-street/position/8611307002/ **Quant Trading 자료:** https://www.janestreet.com/join-jane-street/position/8617344002/
퀀트사 동향GDELT의 글로벌 뉴스 데이터를 FinBERT로 처리해 **평균 sentiment뿐 아니라 sentiment dispersion, 기사량, event impact** 등을 일별 입력 변수로 만들고, 이를 XGBoost에 넣어 EUR/USD·USD/JPY와 **미 10년 Treasury futures(ZN)의 익일 수익률**을 예측한다. 저자는 2017년~2025년 4월 expanding-window OOS 검증에서 거래비용을 반영한 ZN 전략 Sharpe 4.65를 보고하며, SHAP 분석에서는 단순 sentiment level보다 **뉴스 의견의 분산과 기사 중요도**가 주요 변수로 나타났다고 주장한다. 코드도 공개돼 있다.
AI · 모델BIS는 범용 time-series foundation model인 **BISTRO(BIS Time-series Regression Oracle)**를 공개했다. 범용 transformer 시계열 모델 MOIRAI를 BIS의 대규모 거시 데이터에 fine-tuning해, 매번 변수마다 별도 AR·VAR·ML 모델을 만드는 대신 **하나의 pretrained model로 여러 거시변수의 baseline/conditional 예측를 생성**하는 구조다.
AI · 모델MAS는 현재 AI 붐이 주식시장을 넘어 **채권 발행구조 자체를 바꾸고 있다**고 지적했다. AI-connected 기업은 S&P 500 시가총액의 약 40%, MSCI EM Asia의 30% 이상을 차지하는 동시에 미국 신규자금조달에서 **IG 회사채 발행의 약 절반, HY 발행의 38%**를 차지한다고 밝혔다.
크레딧 / AI · 모델**구분:** 회사 공식 Investment Management 자료 **게시일:** 미표기 · **2026년 8월 20일 현재 공식 공개 확인** **원문 링크:** https://www.twosigma.com/businesses/investment-management/
퀀트사 동향**구분:** 회사 공식 채용·연구자료 **XTY Labs 설립:** 2024년 / **현재 AI 연구 프로그램 운영 확인** **원문 링크:** https://www.xtxmarkets.com/careers/ **XTX 공식 회사 페이지:** https://www.xtxmarkets.com/
퀀트사 동향이 논문은 ChatGPT 출시 이후 **생성형 AI에 노동력이 많이 노출된 기업의 회사채 스프레드가 오히려 확대**됐다는 결과를 제시한다. AI workforce exposure가 1표준편차 높은 기업은 신용스프레드가 약 **8bp 더 넓어졌으며**, 동시에 같은 기업의 주가는 상승하는 이례적인 equity-credit divergence가 나타났다. 저자들은 이를 AI가 기업가치의 상방 옵션을 높이는 동시에 도입비용·성공확률·경쟁구도에 대한 **parameter uncertainty**를 키우기 때문이라고 설명한다. 효과는 재무적으로 취약하거나 노동집약도가 높고 지배구조가 약한 기업에서 더 크다.
크레딧 / AI · 모델 / 리스크 · 운용ECB 연구진은 현재 AI 주식시장의 높은 밸류에이션이 단순한 비이성적 버블이 아니더라도 **기술혁신 특유의 boom-bust 구조가 발생할 수 있다**고 분석한다. 새로운 기술의 초창기에는 기업별 불확실성이 분산 가능하지만, 기술이 경제 전체로 확산되면 위험이 systemic해져 투자자가 더 높은 risk premium을 요구할 수 있다.
AI · 모델이 논문은 금융에서 AI 연구가 단순히 “어떤 알고리즘이 더 정확한가”를 넘어 **새로운 데이터, 시장행동 변화, 의사결정 자동화와 AI 자체가 시장을 바꾸는 문제**로 이동하고 있다고 정리한다. 전통적인 asset pricing·banking·corporate finance뿐 아니라 LLM, alternative data와 AI agents가 금융 의사결정 구조를 어떻게 바꾸는지를 폭넓게 다룬다.
AI · 모델**구분:** 회사 공식 인사이트 **발표일:** **2026년 8월 17일** **원문 링크:** [Citadel Securities 공식 원문](https://www.citadelsecurities.com/news-and-insights/jim-esposito/high-touch-rewired/)
퀀트사 동향**구분:** 회사 공식 Quant 연구 역할 / production ML **2026년 현재 공개** **원문 링크:** [Optiver 공식 Quant 연구 페이지](https://www.optiver.com/join-us/jobs/quantitative-research-and-machine-learning/amsterdam/graduate-quantitative-researcher-2027-start/)
퀀트사 동향Tradeweb은 fixed income AI의 현실적인 발전방향을 **완전자율 매매보다 “시장정보를 실시간으로 정리하고 실행 가능한 형태로 제공하는 intelligence layer”**로 설명한다. 과거에는 고객이 가격·유동성·시장상황을 묻고 사람이 데이터를 수작업으로 모았다면, 최근에는 AI를 통해 고객 스스로 실시간 시장정보를 조회하고 분석할 수 있는 방향으로 바뀌고 있다고 밝힌다.
AI · 모델이 연구는 유럽 회사채 시장의 **실제 production-scale intraday RFQ event data**를 대상으로 `이 가격을 제시하면 체결될 확률이 얼마인가`를 예측한다. 핵심은 quantum computer 자체가 주문을 결정하는 것이 아니라, IBM Heron 양자컴퓨터가 생성한 입력 변수 transformation을 기존 classical ML 모델의 입력으로 사용하는 **offline 입력 변수-engineering layer**다.
AI · 모델Philadelphia Fed 연구진은 미국 회사채시장에서 지난 수년간 동시에 진행된 **dealer balance-sheet 비용 증가, 전자거래 플랫폼 확산, 새로운 유동성 provider의 등장**을 하나의 OTC 시장모형으로 분석한다. 연구 결과 전자거래의 확대는 bid-ask spread를 의미 있게 낮추는 효과를 만들었으며, 시장구조 변화가 dealer intermediation과 고객 유동성의 배분을 바꾸는 경로를 정량적으로 설명한다.
크레딧Old Mission은 **주식·채권·FX·옵션·선물 등 거래소 상장자산 전반에 유동성을 공급**하는 quantitative market maker이며, 공식적으로 Quantitative 연구자가 statistical technique과 **machine learning으로 historical market data를 security pricing model로 변환**한다고 설명한다.
퀀트사 동향오늘 다섯 자료 중 **최신성은 가장 낮다.** 다만 Maven의 이 공식 글은 다른 퀀트 회사 홍보자료보다 “실제 trading ML에서 무엇이 문제인가”를 상당히 구체적으로 공개하고 있고, 아직 브리핑에서 소개하지 않았기 때문에 포함했다. 더 최신이면서 이 정도로 구체적인 Maven 1차 자료는 오늘 검색에서 확인하지 못했다.
퀀트사 동향이 연구는 Treasury 금리예측을 단순한 평균 RMSE 최소화 문제가 아니라 **“모델이 틀렸을 때 최악의 손실을 어떻게 줄일 것인가”**라는 의사결정 문제로 다시 정의한다. Factor-Augmented Dynamic Nelson–Siegel(FADNS)과 Random Forest를 결합하고, 예측-error의 tail risk를 Expected Shortfall로 벌점 주는 distributionally robust combination을 사용한다. 월별 미 국채 데이터를 3개월~30년까지 사용했으며, 단기 horizon에서는 adaptive combination이, 중장기에서는 Random Forest가 상대적으로 강한 결과를 보였다.
금리 · 커브 / AI · 모델이 연구는 실제 **BBVA의 유럽 국채 RFQ 데이터**를 이용해 dealer pricing을 단순 ML classification이 아니라 **causal inference 문제**로 재구성한다. RFQ에서는 dealer가 경쟁사 quote를 완전히 볼 수 없고, 자신이 이겼는지·cover price가 얼마였는지 같은 제한적인 사후정보만 받기 때문에 historical data에는 강한 selection bias와 confounding이 존재한다. 연구진은 probabilistic graphical model과 causal intervention을 사용해 “quote를 실제로 x bp 변경하면 hit probability와 expected revenue가 얼마나 바뀔까?”를 counterfactual하게 계산하려 한다.
AI · 모델FlowPulse는 회사채 시장에서 기존의 spread·fundamental 중심 분석을 보완하기 위해 **실제 기관 거래 자금 흐름로 directional 유동성 pressure를 만드는 프레임워크**를 제안한다. 거래 데이터를 발행사·sector·maturity bucket 단위로 집계해 어떤 영역에서 지속적인 매수·매도 불균형이 발생하고 있는지를 하나의 유동성 factor로 구조화한다. 즉 “채권이 싸다/비싸다”와 별개로 **누가 시장에 물량을 밀어 넣고 있는지**를 독립적인 state variable로 만드는 접근이다.
크레딧 / 거래 · 유동성**구분:** 회사 공식 연구·기술자료 + **QRT Labs 2026** **발표일:** **2026년 QRT Labs 출범** **원문:** [QRT 공식 소개](https://www.qube-rt.com/) · [QRT Labs](https://www.qube-rt.com/qrt-labs)
퀀트사 동향**구분:** 회사 공식 Investment/Technology 자료 **발표일:** 게시일 미표기 · **2026년 8월 17일 현재 공식 공개** **원문:** [Squarepoint 공식 자료](https://www.squarepoint-capital.com/experienced-professionals)
퀀트사 동향BIS는 AI 투자붐을 단순 기술주 현상이 아니라 실물투자→현금흐름 감소→부채조달 확대→회사채·사모신용시장 변화의 문제로 분석한다. AI 관련 기업의 사모신용 대출잔액은 2025년 약 2,000억달러까지 늘었고, AI 기업의 회사채 발행액은 2023년 790억달러에서 2025년 2,430억달러로 급증했다. BIS는 생산성 개선이 현실화될 가능성을 인정하면서도, 투자회수율이 예상보다 낮으면 대규모 장기 CAPEX를 채권으로 조달한 기업과 공급망 기업의 신용도가 동시에 압박받을 수 있다고 본다.
AI · 모델BTC·ETH 선물의 top-20 L2 order book과 trade 자금 흐름를 이용해, 이벤트 전후의 **가격 방향이 아니라 유동성-state transition**을 예측하는 연구다. 핵심 결과는 거시 이벤트 종류보다 **이벤트 직전의 L2 유동성 state 자체가 이후 유동성 상태를 가장 잘 설명**했다는 점이다. 단순 선형 L2 입력 변수보다 얕은 비선형 model이 추가 예측력을 보였고, order 자금 흐름는 L2 state 위에 얹었을 때만 추가 가치를 제공했다.
거래 · 유동성회사채 RFQ에서 market maker가 단순히 spread P&L만 최대화하는 것이 아니라 **inventory risk와 목표 hit ratio까지 동시에 고려**해야 한다는 stochastic optimal-control 모델이다. dealer는 고객·bond·size별로 quote를 결정하고, fill probability와 inventory penalty뿐 아니라 목표 체결률에서 벗어나는 비용도 목적함수에 포함한다. 모델은 optimal quote를 대략 `riskless spread + inventory correction + hit-ratio correction`으로 분해할 수 있음을 보여준다.
거래 · 유동성**구분:** 회사 공식 Quantitative 연구 & Machine Learning 페이지 **확인일:** **2026년 8월 16일 현재 공개** **원문 링크:** [G-연구 공식 페이지](https://www.gresearch.com/teams/quantitative-research-machine-learning/)
퀀트사 동향**구분:** 회사 공식 투자전략 소개 **공개일:** 공식 페이지 게시일 미표기 / **2026년 8월 16일 현재 공개 확인** **원문 링크:** [Graham Capital 공식 자료](https://www.grahamcapital.com/media-post/graham-featured-on-cbs-news-innovation-and-disruption-leaders-docuseries/)
퀀트사 동향미국 Treasury zero-coupon curve를 대상으로 **만기별 금리를 직접 예측하는 direct-수익률 방식**과 Dynamic Nelson-Siegel/Svensson factor를 예측하는 방식을 동일한 고차원 거시정보 아래 비교한다. 2015~2025년 OOS 결과, random walk 대비 개선은 모든 금리에서 균등하게 나오지 않고 **단기구간과 slope 예측에 집중**됐다. 특히 거시변수를 추가했을 때 slope 예측력이 가장 뚜렷하게 향상됐고, 단기 horizon에서는 direct-수익률 방식, longer horizon 및 belly/long end에서는 factor 방식의 상대적 경쟁력이 높았다. 통계적 RMSE와 실제 trading value도 반드시 일치하지 않아, 저자는 듀레이션·slope trading 모의실험을 별도로 평가했다.
금리 · 커브 / AI · 모델이 연구는 “AI가 알파를 더 많이 발견한다”는 문제의 반대편인 **AI가 널리 사용되면서 알파를 얼마나 빨리 없애는가**를 모델링한다. 저자들은 신호 crowding, 자신의 거래로 학습환경을 바꾸는 performative 신호 erosion, 그리고 경쟁사가 더 좋은 AI를 쓰면 나도 투자해야 하는 Red Queen competition이라는 세 채널을 제시한다. 모델상 AI 사용자가 많고 모델·데이터가 유사할수록 초과수익 신호 half-life가 짧아지며, 논문의 calibration에서는 현재 AI 보급 수준에서 신호 반감기가 약 18개월로, pre-AI의 약 5~7년보다 훨씬 짧다고 추정한다. 다만 저자들도 이 수치는 직접적인 인과추정이라기보다 모델 calibration과 시뮬레이션에 기반한 결과임을 명시한다.
AI · 모델HFT를 단순 메시지 수나 quote-to-trade ratio 같은 proxy로 측정하지 않고, **실제 HFT 여부가 관측되는 proprietary 데이터셋에서 ML을 학습한 뒤 공개 intraday data에 적용**한 연구다. 더 중요한 점은 HFT를 하나로 묶지 않고 **유동성-supplying HFT와 유동성-demanding HFT를 분리**했다는 것이다. 이 ML measure는 기존 proxy보다 시간대별 HFT 활동을 더 잘 포착했고, speed bump 도입과 data-feed upgrade 같은 외생적 시장구조 변화에도 이론과 일관된 반응을 보였다.
AI · 모델**구분:** 회사 공식 채용자료 · Quantitative 연구 **발표일:** **게시일 미표기 / 2026년 8월 15일 현재 공개** **원문:** [Akuna Capital — Quantitative 연구자](https://akunacapital.com/careers/job/7496416/?gh_jid=7496416)
퀀트사 동향Optiver는 이번 행사의 주제를 아예 **“AI-first thinking on a trading floor”**로 잡고, frontier AI와 foundation model이 실제 연구·engineering workflow에 들어가 **hard trading questions를 풀고 live system을 개선하는 과정**을 소개했다. 회사는 금융 트레이딩의 핵심을 새로운 정보가 들어올 때마다 세계에 대한 view를 빠르게 업데이트하는 문제로 설명하며, AI를 연구·코딩 보조뿐 아니라 아이디어 testing과 live-system improvement에도 적용한다고 밝혔다.
퀀트사 동향EU가 2020년 이후 대규모 공동채권 발행을 확대하면서 형성된 **EU-Bond 수익률곡선를 처음으로 본격 예측**한 연구다. 저자들은 2024년 일별 금리로 Nelson-Siegel과 Svensson 커브를 추정하고, 2025년 1월을 대상으로 ARIMA와 XGBoost의 recursive 학습에 쓰지 않은 기간 예측을 비교했다.
금리 · 커브대부분의 채권 ML은 **평균 기대수익**을 예측하지만, 이 연구는 bond risk premium의 **전체 조건부분포와 tail**을 예측한다. 핵심 변수는 다양한 거시정보의 상단 꼬리를 압축한 latent **“macro-panic” factor**이며, Quantile Random Forest(QRF)를 이용해 비선형적인 위기 임계값을 학습한다.
AI · 모델 / 리스크 · 운용회사채 수익률 예측에서 한 개의 ML 모델을 고르는 대신 **Stacking ensemble**을 이용해 여러 모델의 정보를 결합한다. 연구 결과 Stacking은 개별 모델보다 통계적·경제적 성과를 개선하며, 등급과 만기 구간 전반에서 성능 향상이 나타난다.
크레딧 / AI · 모델Tower CIO John Cogman은 회사가 지난 10년 이상 전통적인 HFT에서 **더 긴 holding horizon인 MFT까지 확장**해 왔다고 설명했다. 배경에는 HFT margin 압축뿐 아니라 기존 기술 인프라를 여러 horizon에 재사용할 수 있다는 점과, 더 넓은 quant talent를 활용할 수 있다는 점이 있다.
퀀트사 동향**구분:** 회사 공식 반기보고서 + Capital Markets Day **최신 보고:** **2026년 7월 29일 Half Year Report** **전략 발표:** 2026년 6월 23일 **원문:** 자금 흐름 Traders Half Year Report / Capital Markets Day.
퀀트사 동향RMATS는 Sentiment·Report·Analysis·Risk 네 역할을 분리해 포트폴리오 가중치를 조정하는 multi-agent architecture다. 다만 중요한 점은 **현재 구현이 LLM 기반 자율 에이전트는 아니라는 것**이다. 실제 실험은 지정학적 위험 GPR 지수, 모멘텀, HMM regime, Kalman filtering, CVaR 등 재현 가능한 정량 신호를 사용하며 FinBERT/LLM은 향후 확장방향으로 제시된다.
AI · 모델 / 리스크 · 운용2018년~2026년 2월의 미국 Aggregate Bond Index를 대상으로 MLP와 CNN 기반 딥러닝의 단기 예측력을 비교한다. 연구진은 원 지수 수준, log return, fractional differencing 데이터 등 세 가지 representation을 테스트했다.
AI · 모델중국 국채 커브와 회사채 커브를 하나의 구조 안에서 동시에 평가하는 regime-switching generalized CIR 모델이다. 먼저 국채 zero curve에서 두 개의 금리 regime을 추정하고, 이후 회사채 금리를 `risk-free discounting + rating migration/부도 credit factor`로 분해한다. 2014~2025년 주간 데이터를 사용하며 Unscented Kalman Filter로 rate block과 credit block을 순차적으로 추정한다.
금리 · 커브 / 크레딧Jump Trading은 공식 사이트에서 연구·트레이딩 인프라를 **raw silicon부터 order execution까지 하나의 시스템으로 구축**한다고 설명한다. 모든 trading strategy는 연구에서 출발해 실제 시장에서 stress test되고, 확장 가능한 production system으로 엔지니어링된다고 명시한다.
퀀트사 동향**구분:** 회사 공식 채용자료 · Quantitative 연구 / ML **발표일:** **현재 모집 중 / 2026년 8월 13일 확인** **원문:** [DRW 공식 채용공고](https://www.drw.com/work-at-drw/listings/quantitative-researcher-machine-learning-3256559)
퀀트사 동향미국 Treasury 시장의 레짐 전환을 **가격·거시 데이터와 FOMC 텍스트를 동시에 사용해 탐지**하는 연구다. LLM이 FOMC minutes에서 구조변화 후보시점을 먼저 제시하면 VAR likelihood-ratio test가 이를 확인하고, 반대로 정량 모델이 발견한 후보도 LLM이 텍스트 증거로 교차검증한다. 2010~2024년 FOMC minutes와 14개 Treasury·macro 변수를 사용해 검증했으며, 가장 좋은 조합은 F1 0.82, F2 0.86을 기록했고 기존 data-only detector들을 상회했다. 최신 v2는 8월 2일 공개됐으며 8월 15일 FinLLM@IJCAI 2026에서 Long Oral 발표가 예정돼 있다.
금리 · 커브Black-Litterman에서 사람이 입력하던 투자전망(view)을 **체계적 factor model이 자동 생성**하도록 만든 글로벌 채권배분 연구다. 13개 글로벌 채권지수를 대상으로 명목채에는 모멘텀·캐리, 물가연동채에는 실질금리·인플레이션 관련 factor를 사용해 기대수익 view를 만들고 이를 시장균형 prior와 결합한다. 핵심은 매번 사람이 “미국채 bullish” 같은 전망을 입력하지 않아도 data-driven 신호이 view와 confidence를 반복적으로 갱신한다는 것이다.
리스크 · 운용Amazon의 open-source time-series foundation model **Chronos-2**를 미국 Treasury 금리와 Magnificent 7 주식에 적용해, univariate와 multivariate 예측을 비교한 연구다. 2000~2025년 rolling evaluation 결과 금리에서는 여러 만기를 함께 입력한 multivariate 모델이 각 만기를 독립적으로 예측한 모델보다 일관되게 좋은 성능을 냈다. 반면 주식과 금리를 무조건 하나의 큰 panel로 합치자 오히려 성능이 떨어졌다. 즉 foundation model의 장점은 “데이터를 많이 넣는 것”이 아니라 **경제적으로 연관된 시계열 간 공통구조를 transfer하는 것**에 있었다.
AI · 모델Susquehanna는 ICML 2026 공식 페이지에서 연구원·엔지니어·트레이더가 함께 **ML과 advanced quantitative 연구를 대규모 데이터에 적용해 actionable insight와 systematic trading strategy를 설계·배포**한다고 설명한다.
퀀트사 동향**구분:** 회사 공식 리서치/AI 전망 **발표일:** **2026년 1월 21일** **원문:** [Two Sigma — AI in Investment Management: 2026 Outlook Part II](https://www.twosigma.com/articles/ai-in-investment-management-2026-outlook-part-ii/)
퀀트사 동향Isaiah Andrews와 Maryam Farboodi는 2022년 11월~2025년 12월 사이 frontier AI 연구소의 **30개 주요 AI 모델 발표일** 전후 미국 채권시장의 반응을 조사했다. 최신 개정본에서는 AI 발전에 대한 좋은 뉴스로 평가되는 모델 발표 이후 **장기 Treasury와 TIPS 금리가 하락하고, 그 효과가 수주간 지속**되는 패턴을 보고한다. 단순 nominal 금리만이 아니라 실질금리에서도 나타나므로 인플레이션 기대 변화만으로 설명하기 어렵다. 저자들은 이를 시장이 AI를 단순한 고성장 충격으로만 해석하지 않으며, 장기 성장·극단적 상태에 대한 믿음을 동시에 수정한다는 증거로 해석한다.
AI · 모델이 연구는 개별 채권의 기대수익을 먼저 예측하고 이후 mean-variance optimization을 수행하는 전통 구조를 우회한다. 대신 딥러닝으로 고차원 특성을 압축해 **deep long-short factor를 직접 만들고, benchmark portfolio와 결합해 Sharpe ratio를 최대화하는 포트폴리오**를 학습한다. 미국 회사채 적용에서는 채권·주식·옵션에서 얻은 **132개 특성**을 함께 사용한다. 최신 소개자료에 따르면 deep factor의 표본외 Sharpe는 1을 넘고, market factor와 결합한 deep tangency portfolio는 Sharpe 2를 넘으며 기존 observable·latent factor 조합을 상회한다.
리스크 · 운용LLM을 과거 금융데이터에 사용해 백테스트할 때 발생하는 매우 심각한 **look-ahead contamination** 문제를 분석한다. 연구진은 LLM이 knowledge cutoff 이전의 경제지표, 주가, 뉴스와 conference call 정보를 상당 부분 기억하고 있어, 과거 시점 예측에서 높은 정확도가 실제 예측 skill인지 단순 memorization인지 구분할 수 없다고 지적한다. “미래 정보를 쓰지 말라”고 명시적으로 지시해도 문제가 사라지지 않았고, 기업명을 가리는 masking만으로도 모델이 문맥을 통해 해당 기업과 시점을 재구성할 수 있었다. 반면 cutoff 이후 데이터에서는 이런 recall advantage가 급격히 사라졌다.
AI · 모델HRT는 공식적으로 **deep learning이 자사 trading의 핵심**이라고 밝히고 있으며, 최신 AI 연구자 설명에서는 ML 모델이 HRT 거래의 “significant fraction”을 구동한다고 명시한다. 모델 개발 범위도 꽤 구체적이다. 데이터 featurization, architecture design, training dynamics뿐 아니라 **“how trading decisions are made”까지 ML 연구 범위**에 포함된다.
퀀트사 동향D. E. Shaw의 현재 Machine Learning 연구자 역할은 **financial data에서 대규모 knowledge discovery를 수행하는 고성능 computational architecture**를 만드는 것을 목표로 한다. 회사는 ML 모델을 단순 연구용 POC로 끝내지 않고 **실제 decision-making과 trading에 직접 measurable impact를 주는 production system으로 배포**한다고 명시한다.
퀀트사 동향회사채 수익률 예측에서 높은 성능과 설명가능성을 동시에 얻을 수 있는지를 다룬 연구로, 2026년 7월 *Journal of Financial Economics*에 최종 게재됐다. 연구진은 고차원 회사채 특성을 이용하되 Explainable Boosting Machine 계열의 **본질적으로 해석 가능한 ML**을 적용해, 블랙박스 모델에 근접한 예측력을 유지하면서 각 변수가 수익률에 어떤 비선형 영향을 미치는지 관찰할 수 있도록 했다.
크레딧 / AI · 모델TD Bank·TD Securities의 Model Development/Risk Management 연구진이 **“이 채권과 가장 비슷한 채권이 무엇인가?”**라는 고정수익 실무 문제를 representation learning으로 해결한 연구다. 기존 방식은 만기·쿠폰·금리 같은 숫자에 집중하지만, 연구진은 산업·발행사·국가·시장 유형 같은 categorical 정보가 spread curve의 횡단면 구조를 설명하는 데 오히려 중요할 수 있다고 주장한다.
AI · 모델BlackRock은 LLM을 이용해 리서치·투자자 대화 등 비정형 텍스트에서 **숨겨진 경제 전망, 시장 컨센서스와 의견 차이**를 추출하고 이를 systematic macro 신호로 연결하는 접근을 공개했다. 즉 단순 뉴스 sentiment가 아니라 “시장 참가자들이 성장·물가·정책을 실제로 어떻게 보고 있는가”를 구조화하는 데 LLM을 사용한다.
AI · 모델**구분:** Optiver 공식 AI Engineering 블로그 **발표일:** **2026년 4월 27일** **원문:** [Where AI trading models work — and where they still fall short](https://www.optiver.com/insights/technology-blog/where-ai-trading-models-work-and-where-they-still-fall-short/)
퀀트사 동향**구분:** IMC 공식 ML/연구 페이지 **발표일:** **게시일 미표기 — 2026년 8월 10일 현재 공식 공개 페이지** **원문:** [IMC — ML Conferences / How ML is applied](https://www.imc.com/us/ml-conferences)
퀀트사 동향이 연구는 MarketAxess의 AI 기반 회사채 reference price인 **CP+가 실제 회사채 가격발견에 얼마나 유용한지** 분석한다. 연구진은 2017~2023년 20,335개 회사채의 2,490만 건 비소매 거래와 약 118억 개의 CP+ quote를 이용해, 최근 체결가격과 AI reference price 중 어느 쪽이 미래 체결가격을 더 잘 설명하는지 비교했다. CP+는 최근 체결가보다 미래 거래가격에 더 많은 정보를 담고 있었으며, 업데이트에는 채권시장뿐 아니라 주식·옵션시장 움직임과 RFQ 과정에서 발생한 bond-specific 정보도 반영됐다.
크레딧 / 거래 · 유동성 / AI · 모델이 논문의 출발점은 매우 실무적이다. 대부분의 퀀트 연구는 **수익률을 예측하는 데 집중하지만, 실제 수익은 언제 얼마나 거래할 수 있느냐**에도 크게 좌우된다. 연구진은 개별 종목 거래량이 ML로 상당히 잘 예측된다는 점을 이용해, 예상 거래량을 예상 market impact와 결합하고 tracking error와 거래비용을 동시에 최적화한다. 저자들은 거래량 예측만 개선해도 대규모 포트폴리오에서는 net-of-cost 성과 개선폭이 수익률 예측의 경제적 가치에 필적할 수 있다고 보고한다.
거래 · 유동성회사채 ETF·인덱스 추종 자금이 커지면서, 과거 하루에 비교적 고르게 분산됐던 회사채 거래가 **인덱스 가격 산출 시점 주변으로 집중되는 현상**을 분석한다. 연구진은 실제 체결자료와 머신러닝으로 생성된 분 단위 회사채 가격을 이용해 분석했으며, 2024년 기준 주요 인덱스 pricing time 전후 1분에 하루 거래량의 약 10%가 몰리는 현상을 확인한다. Bloomberg의 index pricing time 변경을 자연실험으로 사용한 결과, 인덱스 수요가 이 거래 집중을 인과적으로 만들어낸다는 증거를 제시했다. 해당 시간대 유동성은 좋아지지만 다른 시간대 유동성은 악화될 수 있고, 스트레스 상황에서는 그 편익이 약화될 수 있다.
크레딧**구분:** 회사 공식 인터뷰 · Citadel Data Strategies Group **발표일:** **2026년 3월 17일** **원문:** [Citadel 공식 인터뷰](https://www.citadel.com/careers/career-perspectives/real-people-real-impact-how-alternative-data-powers-investment-decisions-at-citadel/)
퀀트사 동향**구분:** 회사 공식 채용공고 · AI/Trading **게시:** **2026년 현재 모집 중인 포지션** **원문:** [Millennium 공식 채용공고](https://campusjobs.mlp.com/careers/job/755956648019-off-cycle-ai-intern-trading-2026-london-london-united-kingdom?domain=mlp.com)
퀀트사 동향이 논문은 회사채 팩터 전략에서 가장 중요한 질문을 정면으로 다룬다. **“백테스트 알파가 아니라 실제 거래비용을 지불한 뒤 얼마가 남는가?”**다.
크레딧2.5백만 건 이상의 미국 회사채 월별 관측치를 이용해 `expected return = 캐리 + ML-predicted residual price return` 구조를 만든 결과, 총수익률을 end-to-end로 바로 예측하는 전통적인 ML보다 표본외 예측력이 개선됐다. 다만 gross return은 의미 있게 높았지만 거래비용을 적용하면 수익성이 상당 부분 사라졌다. 특히 ML 알파가 시장 유동성이 낮은 기간에 집중돼, 모델이 영구적인 risk premium보다 **일시적 유동성 mispricing**을 잡고 있을 가능성을 제시한다.
AI · 모델전체 기간에서는 ARIMA와 단순 econometric benchmark가 대체로 가장 강했고, ML 중에서는 TimeGPT, LightGBM, RNN이 상대적으로 좋은 성능을 기록했다. 연구는 비정상 시계열을 그대로 입력할지 차분·정상화해서 넣을지에 따른 차이도 분석한다. 즉 수익률 예측은 “Transformer니까 우월하다”는 문제가 아니라 horizon·regime·target transformation에 크게 좌우된다.
금리 · 커브 / AI · 모델**구분:** 회사 공식 ML 페이지·채용자료 **게시일:** 페이지 자체 게시일 미표기 / **2026년 8월 8일 현재 공개 확인** **원문:** [Jane Street Machine Learning](https://www.janestreet.com/join-jane-street/machine-learning/?utm_source=chatgpt.com)
퀀트사 동향XTX Markets는 공개자료에서 머신러닝으로 **53,000개 이상의 금융상품 가격을 예측**한다고 명시한다. 대상은 주식뿐 아니라 **fixed income, FX, commodities, crypto**를 포함한다. 이 예측을 거래소·ATS에서 직접 거래하는 데 사용하고, 고객에게 유동성을 공급하는 데도 활용한다. 현재 공개된 연구 인프라는 **25,000개 이상의 GPU와 1EB 이상의 usable storage** 규모다.
퀀트사 동향ECB 연구진은 2005~2026년의 대규모 금융뉴스에서 LLM을 이용해 잠재적 금융불안 **Trigger의 Severity와 Probability**를 추출하는 `SPOT` 지표를 개발했다. 단순 뉴스 감성점수가 아니라 “어떤 사건이 금융시스템에 충격을 줄 수 있는가”와 “그 발생 가능성이 얼마나 높은가”를 분리해 계량화한다.
AI · 모델 / 리스크 · 운용ECB는 12개 유로지역 국가 약 6,000개 기업을 대상으로 2025년 6월과 12월 실시된 SAFE 특별조사를 이용해 기업의 AI 도입 정도와 투자행태를 분석했다. AI 보급은 빠르게 진행되고 있지만 국가·기업규모·기업특성별 격차가 상당히 크며, 단순 사용과 실제 생산과정에 깊게 통합된 AI 활용 사이에도 큰 차이가 나타난다.
AI · 모델847개 후보 연구 중 사전에 정의된 기준을 충족한 60개 연구를 PRISMA 방식으로 선별해 AI·알고리즘 거래·HFT가 **유동성, 가격발견, 시장안정성**에 미친 영향을 체계적으로 정리했다. 분석 범위에는 전통적인 자동매매뿐 아니라 머신러닝 분류기와 LLM 기반 시스템도 포함된다.
거래 · 유동성Broadridge 산하 LTX가 BondGPT에 **Agentic AI** 기능을 추가해 생성형 AI를 회사채 리서치 단계에서 실제 거래 워크플로 단계로 확장했다. 사용자가 관심 조건을 정의하면 에이전트가 실시간 시장을 모니터링하고 기회를 탐색한 뒤, 사전에 허용된 범위 안에서 trade ticket 생성 또는 거래 개시까지 수행할 수 있다.
AI · 모델전자 회사채 RFQ 마켓메이킹에서 흔히 사용하는 **hit ratio 목표가 경제적으로 잘못된 행동을 유도할 수 있다**는 문제를 다룬 연구다. 모든 고객 주문의 품질이 같지 않은데 단순히 체결률만 높이려고 하면, 체결 직후 가격이 불리하게 움직이는 toxic 자금 흐름까지 공격적인 가격으로 받아줄 수 있기 때문이다.
크레딧 / 거래 · 유동성미국 국채시장의 풍부한 가격정보를 다른 국가의 국채 할인곡선 구축에 이전하는 **transfer learning 기반 커브 추정법**을 제안한다. 먼저 경제적 평활성 제약이 포함된 kernel ridge regression으로 6개 주요국 국채 커브를 추정하고, 이를 중앙은행에서 널리 사용하는 Nelson–Siegel–Svensson 모형과 비교한다.
금리 · 커브 / AI · 모델BIS는 미국 Business Development Company, 즉 BDC의 소프트웨어 기업 대출 익스포저를 분석해 생성형 AI가 사모신용시장에 미칠 위험을 점검했다. BDC가 소프트웨어 기업에 제공한 대출은 약 1,150억 달러로 전체 BDC 대출의 약 20%, 빠르게 성장한 기술 포트폴리오의 80% 이상을 차지한다.
크레딧 / AI · 모델미국과 유럽의 제로쿠폰 국채 수익률곡선을 대상으로 Dynamic Nelson–Siegel, PCA 등 전통 모형과 여러 신경망 구조를 비교한다. 평가를 RMSE·MAE·방향 적중률에 한정하지 않고, 예측을 이용한 듀레이션 운용전략의 실제 경제적 성과까지 함께 측정한 것이 특징이다.
금리 · 커브 / AI · 모델재무제표가 없거나 업데이트가 느린 비상장기업의 부도위험을 추정하기 위해, 공개 회사채시장에서 유사한 상장기업을 찾는 Public Market Equivalent 프레임워크를 제안한다. Random Forest로 회사채 특성과 위험지표 사이의 비선형 관계를 학습한 뒤, RF-GAP proximity를 이용해 각 비상장 차주와 경제적으로 유사한 소수의 상장 비교기업을 선정한다.
크레딧 / AI · 모델 / 리스크 · 운용거래가 드문 회사채에서 머신러닝 전략의 성과를 평가할 때 bid–ask만 차감하는 기존 접근의 문제를 지적한다. 원하는 시점에 거래가 체결되지 않으면 더 좋은 호가를 기다리는 대신 신호가 사라지거나 포지션 진입 자체를 놓치는 **execution delay cost**가 발생한다.
AI · 모델기업 부도를 단순한 `부도/정상` 이진분류가 아니라, **언제 부도가 발생할 것인지**를 추정하는 생존분석 문제로 구성한 연구다. 동적 딥러닝과 다중과제 학습을 결합해 시간에 따라 변하는 기업 재무·시장정보를 반영하고, 여러 예측과제가 공통 표현을 공유하도록 설계했다.
크레딧중국 회사채의 횡단면 수익률을 거시변수, 채권 특성 및 발행사 정보를 이용해 예측하고, 다양한 머신러닝 모델을 전통적인 선형모형과 비교한 연구다. 머신러닝은 통계적 예측력과 포트폴리오 경제성 모두에서 선형모형을 앞섰다고 보고한다.
크레딧 / AI · 모델일본의 경기침체를 예측하기 위해 월별 거시경제 지표, 주별 금융시장 변수와 신문 텍스트 지표를 혼합한 머신러닝 연구다. 서로 다른 빈도의 데이터를 결합하기 위해 U-MIDAS 구조를 사용하고, 약 30년을 대상으로 당시 이용 가능했던 정보에 가까운 의사 실시간 예측을 실시했다.
AI · 모델글로벌 채권 바이사이드가 AI를 어디에 실제 적용하고 있으며, 향후 어떤 영역에서 영향력이 커질 것으로 보는지를 조사한 업계 자료다. AI의 가치가 단순 가격예측보다 대규모 채권 유니버스의 스크리닝, 비정형 데이터 분석, 가격발견과 집행 효율화에서 빠르게 나타나고 있다고 평가한다.
AI · 모델Tradeweb의 AAA 지방채 수익률곡선은 Municipal AiPrice 머신러닝 모델과 전자거래 플랫폼의 고유한 시장데이터를 결합한다. 사후 체결자료뿐 아니라 기관투자가의 실제 사전 호가와 RFQ 정보를 사용해, 거래가 드문 지방채에서도 더 시의성 있는 커브를 구축하는 것이 특징이다.
금리 · 커브 / AI · 모델미국 시장의 회사채 특성 41개와 주식 특성 288개를 이용해, 두 시장의 정보를 분리해서 사용할 때와 통합할 때의 투자성과를 비교한다. 연구진은 최대 샤프지수 방식으로 각 특성을 관리 포트폴리오로 변환한 뒤 회사채·주식 간 교차시장 정보의 추가 가치를 측정했다.
크레딧전환가액 하향조정과 발행사 콜 조항처럼 과거 주가경로에 따라 발동되는 복잡한 전환사채 조건을 딥러닝으로 평가하는 연구다. 연구진은 가치평가 문제를 경로의존 편미분방정식으로 표현하고, 동적계획법에서 발생하는 조건부 기대값을 신경망으로 근사했다.
AI · 모델재해채권의 발행시장 스프레드를 예측할 때 개별 채권을 독립적인 표본으로 보지 않고, 발행사·주관사·재해유형·지역을 연결한 그래프로 표현한 연구다. Relational Graph Convolutional Network를 활용해 네트워크상의 관계와 채권 특성을 함께 학습한다.
크레딧 / AI · 모델미국 회사채 개별 종목의 향후 유동성 분포를 머신러닝으로 예측하고, 이를 이용해 **Expected Illiquidity**와 **Expected Tail Illiquidity**라는 미래지향적 지표를 구축한다. 전통적인 유동성 지표가 최근 거래비용이나 체결빈도를 사후적으로 측정하는 것과 달리, 이 연구는 향후 유동성 악화 가능성과 하위 꼬리를 직접 추정한다.
거래 · 유동성IMF는 AI가 사이버 공격의 탐색·자동화 비용을 낮추면서 금융기관이 공통으로 사용하는 클라우드, 소프트웨어, 결제 및 데이터 인프라를 동시에 공격할 위험을 키우고 있다고 평가한다. 개별 기관의 운영장애가 아니라, 다수 기관이 같은 공급망과 기술에 의존함으로써 발생하는 상관된 장애가 핵심 문제다.
리스크 · 운용머신러닝으로 액티브 채권형 펀드 운용역의 성과가 일시적 운인지 지속 가능한 실력인지 구분하는 연구다. 1995년 5월부터 2024년 11월까지 미국 채권형 펀드 3,021개를 분석했으며, 과거 성과를 포함한 펀드 및 운용사 특성이 향후 성과를 예측하는 데 유용한 것으로 나타났다.
리스크 · 운용기업이 속한 산업의 AI 집약도가 회사채 발행금리에 어떤 영향을 주는지 분석한 연구다. 2015~2025년 미국 회사채 신규발행 자료를 사용한 결과, AI 활용도가 높은 산업의 기업은 발행 시 더 높은 신용스프레드를 부담하는 것으로 나타났다.
크레딧 / AI · 모델 / 리스크 · 운용AI 인프라 경쟁이 기업들로 하여금 사회적으로 효율적인 수준보다 과도하게 투자하도록 만드는 과정을 동태적 경쟁모형으로 분석한다. 연구는 AI 투자 확대가 회사채, 특수목적기구와 비은행 대출에 점점 더 의존하고 있으며, 기업 간 지분투자와 컴퓨팅 구매계약으로 연결된 순환금융 구조가 형성되고 있다고 설명한다.
AI · 모델기업 고유정보와 거시경제 정보가 회사채 위험프리미엄 예측에 각각 어떤 역할을 하는지 머신러닝으로 분석한다. 기업 재무·채권 특성뿐 아니라 거시 및 시장변수를 함께 사용해, 개별 종목의 기대수익과 시장 전체의 크레딧 환경을 통합적으로 설명하는 것이 목적이다.
크레딧 / 리스크 · 운용국채 가격으로부터 할인곡선을 추정하는 문제를 경제적 제약과 머신러닝을 결합해 해결한 연구다. 비모수적 함수공간에서 커브를 학습하되, 곡선의 평활성과 경제적 타당성을 정규화 항으로 반영하며 계산은 kernel ridge regression 형태의 닫힌 해로 구현된다.
금리 · 커브 / AI · 모델일반적인 딥리서치 에이전트를 금융 리서치에 맞게 특화한 프레임워크다. 시점별로 실제 이용 가능했던 자료만 검색하도록 **point-in-time 검색 환경**을 구축해 미래정보 누출을 방지하고, 금융 실무자가 설계한 워크플로·도구·평가 기준을 에이전트에 결합했다.
AI · 모델보험사의 장기 ALM 시뮬레이션을 빠르게 근사하기 위해 경제 시나리오의 경로를 **time-augmented signature**로 압축하는 대리모형을 제안한다. 원시 시나리오는 금리커브, 주식, 할인계수, 등급별 위험금리 커브와 신용등급 전이확률 등 수백 개 변수를 50년 동안 포함해 계산 부담이 매우 크다.
AI · 모델기관투자가의 동적 자산배분 문제를 **physics-informed reinforcement learning**으로 푸는 연구다. 전통적인 반복형 RL 대신 HJB 방정식을 관측된 데이터 경로 위에서 직접 해결하고, 고정된 과거 데이터만으로 위험민감형 정책을 학습한다.
AI · 모델 / 리스크 · 운용중국 국채와 등급별 회사채 수익률곡선을 함께 추정하는 무차익 레짐전환 모형이다. 국채 금리는 두 개의 지속적인 레짐을 갖는 generalized CIR 과정으로 모델링하고, 회사채는 금리 레짐에 조건부인 등급별 신용요인과 부도강도 구조로 설명한다.
금리 · 커브 / 크레딧AI 운용전략이 보편화될수록 신호 혼잡, 거래에 의한 신호 소멸과 경쟁 가속이 서로 강화돼 알파의 수명이 짧아진다는 이론모형이다. 모델은 AI 채택률과 알고리즘 간 신호 상관도가 높을수록 거래 가능한 신호의 반감기가 비선형적으로 감소한다고 주장한다.
AI · 모델고차원 회사채 특성을 활용하면서도 예측 근거를 사람이 이해할 수 있는 **Explainable Boosting Machine, EBM**을 이용해 회사채 수익률을 예측한다. EBM은 각 변수의 비선형 효과와 변수 간 상호작용을 분리해 보여주는 ‘glass-box’ 계열 모델로, 블랙박스 신경망보다 모델 행동을 감사하기 쉽다.
크레딧 / AI · 모델13개 글로벌 채권지수를 대상으로 Black–Litterman 모형의 투자전망 생성을 자동화한 글로벌 채권배분 프레임워크다. 전통적인 Black–Litterman에서는 운용자가 기대수익률과 전망 신뢰도를 직접 입력하지만, 이 연구는 다중 팩터 신호로 전망과 확신도를 체계적으로 생성한다.
리스크 · 운용사전학습된 시계열 파운데이션 모델 **Chronos-2**를 이용해 미국 국채 3개월부터 30년까지 열 개 만기의 금리를 예측한다. 2000~2025년 데이터를 사용해 단일 금리만 입력하는 단변량 방식과 전체 커브를 함께 입력하는 다변량 방식을 비교했다.
AI · 모델최종 수정된 거시경제 데이터가 아니라, 각 투자시점에 실제로 이용 가능했던 **실시간 데이터 빈티지**와 뉴스 주제별 관심도를 이용해 미국 국채 초과수익을 예측한다. 거시변수의 높은 공선성을 줄이기 위해 성장, 물가, 고용 등 사전 정의된 그룹 구조를 신경망에 반영한 Weighted Group Neural Network를 사용한다.
AI · 모델글로벌 채권 운용사들이 생성형 AI와 머신러닝을 실제 운용 프로세스에 어떻게 적용하는지 취재한 기사다. 채권시장은 이미 퀀트·전자거래 기술을 널리 사용해 왔지만, 최근에는 비정형 리서치 처리, 종목 스크리닝, 가격 비교와 포트폴리오 의사결정 지원으로 AI 활용범위가 확대되고 있다.
AI · 모델BIS가 AI 투자 붐이 성장률, 설비투자, 노동시장, 통화정책과 금융안정에 미치는 영향을 종합한 최신 보고서다. 보고서에 따르면 AI 관련 기업의 채권 발행은 2023년 약 790억 달러에서 2025년 약 2,430억 달러로 크게 늘어, AI 투자 사이클이 주식뿐 아니라 회사채시장과 통화정책 전달경로에도 직접 연결되고 있다.
AI · 모델미국 국채 수익률곡선 예측에서 모델이 놓친 체계적 요인을 **예측오차의 공분산 구조**에서 복원하고, 이를 DV01 기반 듀레이션 의사결정에 다시 반영하는 연구다. Factor-Augmented Dynamic Nelson–Siegel과 Random Forest를 예측모형으로 사용하고, 2006~2025년 미국 제로쿠폰 금리 및 111개의 거시·국채 수급·금융 변수를 분석한다.
리스크 · 운용47년간의 미국 국채 수익률곡선 데이터를 이용해 ARIMA 계열, 단순 기준모형, 앙상블 머신러닝, RNN 및 시계열 Transformer를 폭넓게 비교한 연구다. 결과는 복잡한 딥러닝이 항상 우월하지 않으며, 대부분의 평가구간에서 ARIMA와 단순 계량모형이 전체적으로 더 좋은 성능을 보였다는 점을 강조한다.
금리 · 커브 / AI · 모델개별 머신러닝 예측치를 Stacking 방식으로 결합해 미국 회사채 수익률을 예측하는 연구다. 회사채 특성만 사용하는 것이 아니라 국채시장과 주식시장 변수를 함께 투입했을 때 예측력과 경제적 성과가 가장 높았으며, 등급과 만기 구간 전반에서 단일 모델보다 안정적인 결과를 보고한다.
크레딧 / AI · 모델기업 인력구조가 생성형 AI에 얼마나 노출돼 있는지를 측정하고, ChatGPT 공개 이후 미국 회사채 스프레드가 어떻게 반응했는지 분석한다. 생성형 AI 노출이 1표준편차 높은 기업은 평균적으로 회사채 스프레드가 약 8bp 더 확대된 반면, 주가는 상승하는 상반된 반응을 보였다고 보고한다.
크레딧 / AI · 모델 / 리스크 · 운용미국 회사채 수익률을 **예측 가능한 캐리와 잔여 가격수익률**로 분해한 뒤, 머신러닝에는 잔여 가격수익률만 예측하도록 하는 하이브리드 방법을 제안한다. 연구진은 250만 건 이상의 회사채 관측치와 63개 예측변수를 활용해, 전체 수익률을 그대로 학습하는 일반적인 머신러닝보다 경제적 구조를 반영한 접근법이 더 효과적인지 검증한다.
AI · 모델MarketAxess의 AI 기반 회사채 기준가격인 **CP+**가 거래가 드문 OTC 회사채 시장에서 가격발견에 얼마나 기여하는지 분석한 연구다. 연구 결과에 따르면 CP+는 단순 최근 체결가격보다 향후 거래가격에 관한 정보력이 높으며, 채권·주식·옵션시장의 공통 움직임과 개별 RFQ 과정에서 형성되는 종목별 정보를 함께 반영한다.
크레딧 / 거래 · 유동성 / AI · 모델연구는 에이전틱 AI가 유동성 공급, 리스크관리 및 운영 효율성을 높일 수 있는 반면, 목표 오해석, 도구 오사용, 다중 에이전트 간 동조, 규제 책임소재 및 감사 가능성 문제를 새롭게 만든다고 평가한다. 특히 지속학습과 복수 에이전트의 협업은 정적인 모델 검증만으로 통제하기 어렵다는 점을 강조한다.
AI · 모델금리 데이터가 부족하거나 특정 위기국면의 관측치가 희소한 문제를 해결하기 위해 Causal GAN과 강화학습을 이용해 합성 채권수익률 데이터를 생성한다. 대상은 미국 10년 국채, AAA·BAA 회사채, 하이일드 채권수익률이며 12개 거시변수의 인과적 관계를 데이터 생성 과정에 포함한다.
거래 · 유동성 / AI · 모델2024~2025년을 중심으로 생성형 AI가 채권시장의 분석, 거래, 금리모형, 신용평가 및 위험관리에 어떻게 적용되고 있는지 정리한 문헌 리뷰다. 주요 활용영역으로 뉴스·공시 요약, 신용 이벤트 추출, 합성 시계열 생성, 채권가격 및 수익률 예측, 포트폴리오 시나리오 분석을 제시한다.
AI · 모델 / 리스크 · 운용ECB 연구진은 뮤추얼펀드 환매 상황을 모사해 강화학습 기반 Q-learning 투자자와 LLM 투자자의 행동을 비교했다. Q-learning 에이전트는 서로 높은 수준으로 행동을 조정했지만, 펀드 부도위험이 존재할 때 과도한 동시 환매를 일으켜 취약성을 증폭시켰다. 반면 LLM 투자자는 균형구조를 어느 정도 이해했으나, 에이전트별 신념이 분산돼 행동의 일관성과 예측 가능성이 낮았다. 동일한 목적과 환경에서도 **AI 아키텍처 자체가 금융안정 결과를 달라지게 한다**는 것이 핵심 결론이다.
리스크 · 운용2018년부터 2026년 2월까지의 미국 종합채권지수 일별 데이터를 이용해 MLP와 이미지 기반 CNN의 단기 예측력을 비교했다. 지수 수준은 단위근에 가까운 강한 지속성을 보인 반면, 로그수익률은 정상성을 갖지만 선형 예측 신호가 약하고 변동성 군집이 강했다. 연구진은 정상성을 확보하면서 장기기억을 일부 유지하는 분수차분 데이터를 사용했을 때 MLP의 추가 예측력이 가장 높았다고 보고한다. 반면 시계열을 Gramian Angular Field 이미지로 바꾼 CNN은 모든 데이터 표현에서 표본외 \(R^2\)가 음수였으며, 복잡한 아키텍처보다 **데이터 변환 방식이 성능을 좌우했다**.
AI · 모델이 연구는 HJM 금리모형의 무차익 드리프트 제약과 Dynamic Nelson–Siegel 선도금리 표현을 신경망 기반 상태공간모형에 결합했다. Kalman filter, extended Kalman filter, particle filter와 LSTM 계열 신경망을 연결하고, 학습 손실에 명시적인 arbitrage error regularization을 추가했다. 미국 국채와 회사채를 대상으로 1일 및 5일 후 금리·가격을 예측한 결과, 무차익 규제를 적용했을 때 특히 단기구간과 5일 예측에서 시장 정합성과 달러 기준 가격오차가 개선됐다. 평가에는 단순 RMSE뿐 아니라 예측가격이 실제 bid-ask 범위에 들어오는 비율도 사용됐다.
금리 · 커브 / AI · 모델실제 기관투자가 규모의 회사채 장중 거래 이벤트 데이터를 이용해 RFQ·주문 체결확률을 추정한 연구다. 연구진은 IBM Heron 양자 프로세서가 생성한 데이터 변환을 기존 머신러닝 모델의 오프라인 전처리 모듈로 사용하고, 원자료 및 무잡음 양자 시뮬레이션 결과와 비교했다. 실제 양자 하드웨어 변환값을 사용한 모델은 일부 표본외 평가에서 원자료 기반 모델보다 최대 약 34% 높은 점수를 기록했다. 다만 연구진은 성능 개선이 양자적 우위로 확정된 것이 아니라, 현재 하드웨어의 노이즈가 일종의 유용한 정규화로 작용했을 가능성도 제기한다.
AI · 모델미 연준은 금융안정보고서의 별도 박스에서 AI 기반 알고리즘 거래가 시장효율성과 유동성을 개선할 수 있지만, 모델 동질화·복잡성·설명가능성 부족으로 시장충격을 증폭할 가능성도 있다고 평가했다. AI는 대규모 비정형 데이터를 처리하고 시장조성과 감시기능을 향상시킬 수 있지만, 다수 기관이 유사한 데이터와 모델을 사용하면 동일한 신호에 동시에 반응할 수 있다. 당시 미국 회사채시장 유동성은 대체로 양호했으나, 연준은 스트레스 국면에서 알고리즘의 상호작용이 새로운 위험전달 경로가 될 수 있다고 보았다. 이후 연준 인사도 거래소의 머신러닝 기반 시장감시 강화와 함께, 블랙박스 모델의 감사 가능성 문제를 강조했다.
AI · 모델딜러가 고객 RFQ에 제시하는 호가를 최적화하면서 일정 수준의 **hit ratio**, 즉 고객 체결률을 유지하는 채권 시장조성 모형을 제안한다. 일반적인 시장조성 모형이 기대손익과 재고위험에 집중하는 것과 달리, 실제 세일즈·트레이딩 데스크에서 중요한 체결률 목표를 명시적인 제약조건으로 포함한다.
거래 · 유동성TD Bank와 TD Securities 연구진이 머신러닝 임베딩을 이용해 특정 채권과 경제적으로 유사한 채권을 검색하는 방법을 제안했다. 기존 유사채 탐색은 듀레이션, 등급, 스프레드처럼 숫자로 표현되는 변수에 치우치기 쉬운데, 이 연구는 발행사 업종과 소재 국가 등 범주형 정보가 스프레드 커브 설명에 상당히 중요하다고 지적한다.
AI · 모델주식 중심의 금융 감성모델을 채권시장에 그대로 적용하면 신호 방향이 잘못될 수 있다는 문제에서 출발한 채권 전용 언어모델 연구다. 경기 호재는 주식에는 긍정적일 수 있지만, 인플레이션과 정책금리 상승을 유발하면 국채에는 부정적일 수 있기 때문이다.
AI · 모델거래 종목이 적고 가격 노이즈가 큰 스웨덴 모기지채권 시장을 대상으로 신경망 기반 수익률곡선 추정법을 제안한다. Nelson–Siegel–Svensson이나 일반적인 부트스트래핑은 관측치가 희소하거나 이상가격이 포함되면 커브가 불안정해질 수 있다.
금리 · 커브AI 관련 기업의 대규모 설비투자가 내부 현금과 주식뿐 아니라 회사채, 은행대출, 사모대출로 빠르게 이동하고 있음을 분석한 BIS 보고서다. AI 관련 기업에 대한 사모대출 잔액은 2,000억 달러를 넘어섰고, 전체 사모대출에서 차지하는 비중도 빠르게 상승한 것으로 나타났다.
크레딧 / AI · 모델미국과 유럽 국채의 제로쿠폰 수익률곡선을 대상으로 Dynamic Nelson-Siegel, PCA 같은 전통적 모형과 다양한 신경망 모형을 비교한 연구다. 단순 예측오차뿐 아니라 실제 듀레이션 운용전략의 성과까지 평가했다는 점이 중요하다.
금리 · 커브 / AI · 모델AI와 알고리즘 트레이딩이 금융시장 미시구조에 미치는 영향을 체계적으로 정리한 최신 문헌 리뷰다. 가격발견, 유동성, 변동성, 시장효율성, 거래비용과 함께 알고리즘 간 상호작용 및 시스템 리스크를 주요 분석축으로 삼는다.
거래 · 유동성글로벌 도매금융시장 실무자들의 의견을 바탕으로 AI가 실제 트레이딩 시스템에서 어떻게 활용되고 통제되는지를 정리한 보고서다. 현재 시장-facing AI는 완전 자율형 매매기계보다는 가격·거래량 예측, 유동성 추정, hit-rate 예측, 거래장소 추천 등 기존 전자거래 시스템의 일부 모듈로 쓰이는 경우가 많다고 평가한다.
AI · 모델여러 AI 에이전트가 시장 정보를 비슷한 방식으로 표현할 때 금융시장이 왜 불안정해질 수 있는지를 구조적 다중에이전트 모형으로 분석한다. 연구는 단순히 최종 전망값이 같은지보다, 각 모델이 시장 상태를 내부적으로 표현하는 입력 변수 space가 얼마나 유사한지를 중요하게 본다.
AI · 모델 / 리스크 · 운용딜러의 AI 활용 가능성이 미국 회사채 시장의 유동성과 미시구조에 어떤 영향을 미치는지를 실증적으로 분석한 연구다. AI를 단순한 투자신호 생성 도구가 아니라 OTC 회사채 시장에서 딜러의 정보처리·가격산정·거래중개 능력을 변화시키는 기술로 본다는 점이 중요하다.
크레딧 / AI · 모델다른 검색어나 기간으로 찾아보세요.