RMATS의 성과는 반복 토론보다 위험 중단에서 나왔다
다중에이전트 구조가 지정학 위험 운용을 개선했는가?
RMATS는 감성·보고·분석·위험 역할을 나누지만 실제 실험은 지정학 지수, 모멘텀과 정량 필터를 사용한다. FinBERT와 LLM은 향후 확장으로 제시된다. 다중에이전트라는 이름만으로 언어모형들이 자율 토론해 성과를 냈다고 해석하면 구현 범위를 잘못 읽게 된다.
2023년 1월부터 2026년 3월의 812거래일에서 샤프 0.953, 최대낙폭 8.48%를 기록했다. 스트레스 300일은 샤프 1.571, 낙폭 7.52%였다. 지정학 지수가 임계치를 넘으면 채권·금 등 방어자산을 늘리는 중단 규칙은 스트레스 낙폭을 0.84%p 줄였다고 한다.
반복 의사소통은 현 구현에서 거의 개선을 만들지 못했다는 비교도 포함된다. 성과를 다중 역할 전체의 효과로 뭉뚱그리기보다 중단 규칙을 제거한 실험의 차이를 읽어야 한다. 낙폭 개선은 이 표본과 임계치·자산 조합의 결과이며 위기 손실을 보장해 줄이는 수치는 아니다. 독립 위험 규칙을 국내에서 시험할 근거가 된다.
SCOPE정량 신호 기반 배분의 표본 실험이며 LLM 토론의 성공이나 모든 위기의 낙폭 개선을 입증하지 않는다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓과거값 유지 기준과 분수차분의 추가 정보
채권지수 수준을 잘 맞힌 모델은 실제로 예측 능력이 있는가?
오늘과 비슷한 내일 지수를 예측하는 기준은 지속성이 높은 자료에서 강하다. 연구는 2018년부터 2026년 2월의 미국 종합채권지수로 일반적인 층형 신경망 MLP와 시계열을 이미지로 바꿔 학습하는 CNN을 비교한다. 지수 수준을 맞춘 결과가 강한 기준을 넘는지 먼저 질문한다.
기록은 수준에서 MLP도 과거값 유지 기준을 크게 이기지 못하고 로그수익을 예측하면 값이 거의 영으로 모였다고 소개한다. 분수차분은 추세의 지속성을 줄이되 과거 기억을 일부 남기는 변환이다. 이 입력의 MLP가 가장 큰 추가 예측력을 냈고 CNN-GAF는 모든 표현에서 표본외 설명력이 음수였다.
이미지 인코딩은 시간관계를 다른 형태로 표시할 뿐 새 정보를 자동으로 만들지 않는다. 음수 설명력은 남겨 둔 미래 구간에서 기준보다 오차가 컸다는 의미다. 비교의 교훈은 데이터 변환과 기준을 통일해야 모델이 추가한 정보를 볼 수 있다는 것이다. 예측 개선을 실제 배분 손익으로 바꾸는 거래 평가도 따로 남는다.
SCOPE단기 지수의 특정 변환 비교이며 이미지 모형 전반이나 국내 투자성과에 대한 판정은 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓회사채 변화를 국채 상태와 신용보상으로 분해하다
회사채 금리 변화를 모두 신용 악화로 읽어도 되는가?
회사채 금리가 변해도 국채 할인금리와 신용보상이 동시에 움직였을 수 있다. 연구는 국채의 보이지 않는 상태를 먼저 추정하고 그 상태에 연결된 등급별 신용·부도 요인을 둔다. 전체 금리 변화의 구성 성분을 하나의 무차익 구조 안에서 다루려 한다.
2014~2025년 중국의 주간 자료로 국채 블록과 신용 블록을 Unscented Kalman Filter에서 순차 추정한다. 필터는 관측금리로 잠재 상태를 갱신한다. 기록은 수준과 변동성이 뚜렷이 다른 두 상태를 찾았고 단일 레짐보다 곡선 적합도가 좋아졌다고 소개한다.
무위험 할인 변화와 신용보상을 분리하면 예측모형의 입력을 경제적으로 정리할 수 있다. 그러나 모형이 분리한 요인과 현실의 독립 원인은 같지 않다. 국내에서 유동성과 발행사 잔여를 추가한다는 데스크 제안도 이 논문의 직접 실험이 아니다. 구조 적합과 미래 예측의 개선을 구분해 검증해야 한다.
SCOPE중국 곡선 적합 모형으로 유동성·발행사 요인의 독립 식별이나 국내 예측 개선을 보장하지 않는다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓Jump의 실시간 추론과 연구·운영 코드 연결
연구에서 만든 신호가 실거래에서도 같은 값인가?
연구용 데이터에서 계산한 신호와 실시간 데이터에서 계산한 신호가 다르면 백테스트를 재현하기 어렵다. Jump 공식자료는 연구·거래 인프라를 하드웨어부터 주문집행까지 하나의 시스템으로 구축한다고 설명한다. 학습 모형을 실시간으로 계산하는 추론도 운영 범위에 포함된다.
기록은 전략이 연구에서 출발해 실제 시장에서 스트레스 점검을 거쳐 확장 가능한 시스템으로 구현된다고 소개한다. ML 스택이 실시간 추론과 빠른 반복을 구동한다는 설명은 연구 노트에서 끝나지 않는 배포 구조를 보여준다. 비공개 모형의 정확도와 손익은 제시하지 않는다.
지연과 네트워크, 주문 수정의 품질이 같은 예측을 다른 성과로 바꿀 수 있다는 해석은 합리적이지만 공개 성과로 확정할 수 없다. 국내에서는 같은 특성 코드를 공유하고 입력 시각·누락 처리도 맞춰야 한다. 연구와 실거래 값의 차이를 먼저 기록한 뒤 가격오차와 체결 손익의 기여를 평가할 수 있다.
SCOPE회사 아키텍처 설명이며 지연 감소에 따른 실현 알파와 국내 성과의 독립 검증이 아니다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓DRW 채용 역할의 예측과 운영 준비
잡음 자료의 신호를 실제 시스템에 옮기는 업무는 무엇인가?
시장자료에는 잡음과 누락, 시점 차이가 있다. DRW 채용 설명은 이런 고차원 자료를 예측 문제에 적용하고 운영 준비가 된 모델로 배포하는 연구 역할을 소개한다. 구조 자료는 가격·수량처럼 형식이 정해진 정보이며 비정형 자료는 문서나 텍스트다.
공고의 업무에는 최신 모형 구조와 특성 생성, 튜닝 및 확장 가능한 ML 파이프라인이 들어간다. 실시간 운영으로 연구를 옮긴 경험도 요구한다. 회사가 여러 자산을 자기자본으로 거래한다는 설명과 연결되지만 이 공고가 채권 전략의 특정 성과나 실패 확률을 공개하는 것은 아니다.
국내 데스크에서 참고할 가설은 높은 학습 정확도 외에 자료 지연과 새로운 국면에도 동작하는지를 평가하는 것이다. 모형의 통계 성능과 시스템의 입력 신선도, 추론 지연을 나눠야 문제 원인을 찾을 수 있다. 채용 목표를 이미 모든 상황에서 견고한 모델을 갖췄다는 증거로 읽지 않는 범위가 필요하다.
SCOPE공식 채용 역할로 특정 기술의 실제 수익과 운영 견고성, 현재 모집 상태는 확인되지 않았다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓복잡한 에이전트 구조보다 명시적 위험 규칙이 기여한 실험이다. 가격 적합과 예측, 회사의 배포 역할과 투자성과를 구분하면 국내 시험의 목표도 명확해진다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
RMATS의 성과는 반복 토론보다 위험 중단에서 나왔다0 primary · 6 archived +
These 6 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 ↓과거값 유지 기준과 분수차분의 추가 정보0 primary · 4 archived +
These 4 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 ↓회사채 변화를 국채 상태와 신용보상으로 분해하다0 primary · 5 archived +
These 5 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 ↓Jump의 실시간 추론과 연구·운영 코드 연결0 primary · 8 archived +
These 8 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 ↓DRW 채용 역할의 예측과 운영 준비0 primary · 6 archived +
These 6 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
채권시장 AI·Quant Intelligence 브리핑 — 2026년 8월 13일
오늘 오전 기준 1차 자료를 다시 확인했다. 전일의 Treasury regime detection, Automated Black-Litterman, Chronos-2, SIG, Two Sigma는 제외했다. 오늘은 새로 소개하는 자료 중 ① 멀티에이전트 포트폴리오와 리스크 오버라이드, ② 채권지수 딥러닝에서 데이터 변환의 중요성, ③ 회사채 커브의 레짐 분리, 그리고 ④ Jump Trading의 live-inference ML 구조, ⑤ DRW의 production ML 연구 체계를 골랐다.
오늘의 핵심은 **“모델을 더 복잡하게 만드는 것보다 state·target·risk override·production feedback을 어떻게 설계하느냐가 실제 P&L에 더 중요하다”**는 것이다.
1. Recursive Multi-Agent Trading System: Iterative Optimized Portfolio Strategy Under Geopolitical Uncertainty
구분: 논문 · arXiv v2 / Multi-Agent·RL·NLP
최신 개정: 2026년 7월 12일
원문: arXiv 원문
핵심 요약
RMATS는 Sentiment·Report·Analysis·Risk 네 역할을 분리해 포트폴리오 가중치를 조정하는 multi-agent architecture다. 다만 중요한 점은 현재 구현이 LLM 기반 자율 에이전트는 아니라는 것이다. 실제 실험은 지정학적 위험 GPR 지수, momentum, HMM regime, Kalman filtering, CVaR 등 재현 가능한 정량 신호를 사용하며 FinBERT/LLM은 향후 확장방향으로 제시된다.
2023년 1월~2026년 3월 812거래일을 테스트한 결과 전체 기간 Sharpe 0.953, 최대낙폭 8.48%를 기록했고, 지정학적 스트레스 300일에서는 Sharpe 1.571·MDD 7.52%를 보고한다. 특히 GPR가 임계치를 넘으면 fixed income과 gold 같은 방어자산 비중을 높이는 circuit breaker가 스트레스 기간 MDD를 0.84%p 줄인 것이 핵심 실증 결과다. 반대로 agent들의 multi-round recursive communication 자체는 현 버전에서는 거의 성과 개선을 만들지 못했다.
채권 트레이딩·리스크관리 시사점
이 논문에서 가장 가져올 만한 부분은 agent가 아니라 Risk Agent의 override 권한이다. 실제 자동매매에서는 alpha model이 아무리 강한 매수신호를 내도 별도의 regime/risk engine이 포지션을 강제로 줄일 수 있어야 한다.
한국 채권시장이라면 구조를 이렇게 바꿀 수 있다.
Alpha Model
→ 3/10·10/30·현선·본드스왑 포지션 제안
Risk Agent
→ 금통위/지정학/변동성/유동성 state 판단
→ 필요 시 DV01 축소·현금화·선물 강제헤지
특히 논문의 ablation 결과는 흥미롭다. 복잡한 agent debate보다 단순하고 명시적인 circuit breaker가 실제 성과에 더 크게 기여했다. 자동매매를 처음 구축할 때 매우 중요한 우선순위다.
데스크 적용 우선순위: ★★★★★
2. Deep Learning Forecasting of the U.S. Aggregate Bond Index
구분: 논문 · arXiv
발표일: 2026년 5월 27일
원문: arXiv 원문
핵심 요약
2018년~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.
결과는 상당히 현실적이다. 지수 level에서는 MLP조차 강한 naive persistence benchmark를 크게 이기지 못했고, return을 직접 예측하면 예측값이 거의 0으로 수렴했다. 반면 unit root를 제거하되 memory를 최대한 유지한 fractional-differenced series에서 MLP의 추가 예측력이 가장 컸다. 이미지 인코딩을 사용한 CNN-GAF는 모든 representation에서 표본외 (R^2)가 음수였다.
실무 시사점
이 논문은 architecture보다 target engineering이 먼저라는 강한 경고다.
채권에서 우리가 학습시키려는 target이
10년 금리
인지,
10년 금리 변화
인지,
carry 제거 후 residual return
인지,
실제 체결 후 30초 mark-out
인지에 따라 난이도가 완전히 달라진다.
특히 raw price/yield level은 persistence가 너무 강해 모델이 “어제 값 ≈ 오늘 값”만 배워도 RMSE가 훌륭해 보일 수 있다. 그래서 반드시 naive/random-walk benchmark 대비 incremental OOS 성능을 봐야 한다.
한국 국고채에서는 예를 들어 수익률 level을 직접 예측하기보다
실현손익 − carry − roll-down − DV01×market move
같은 residual을 target으로 만드는 편이 실제 알파 발견에 더 적합할 가능성이 높다.
데스크 적용 우선순위: ★★★★★
3. Corporate Bond Yield Curve Modeling: A Rating-Based Regime-Switching Generalized CIR Approach
구분: 논문 · arXiv / 회사채 커브·Regime Model
발표일: 2026년 4월 28일
원문: arXiv 원문
핵심 요약
중국 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/default credit factor로 분해한다. 2014~2025년 주간 데이터를 사용하며 Unscented Kalman Filter로 rate block과 credit block을 순차적으로 추정한다.
연구 결과 level과 volatility가 뚜렷이 다른 두 금리 regime이 식별됐고, single-regime model보다 curve fit이 개선됐다. 더 중요한 것은 회사채 금리 변화를 국채 할인곡선 변화와 credit compensation 변화로 분리할 수 있다는 점이다.
채권 트레이딩·리스크관리 시사점
이건 순수 AI 연구는 아니지만 ML 시스템의 state representation에 매우 유용하다.
회사채 스프레드가 10bp 벌어졌을 때 모델이 단순히
“크레딧 악화”
라고 판단하면 안 된다.
실제로는
국채 regime 이동
유동성 premiumrating/default premiumissuer-specific residual
로 분해해야 한다.
한국 시장에서는 최소한 다음 두 모델을 분리할 가치가 있다.
Rate Model: 국고 3/5/10/30년 + IRS + 선물
Credit Model: 등급·섹터·발행사·유동성·민평 괴리
그 후 ML이 예측해야 할 것은 전체 회사채 금리가 아니라 두 모델로 설명되지 않는 residual spread다.
이는 상대가치 모델의 S/N을 크게 개선할 수 있다.
데스크 적용 우선순위: ★★★★☆
Quant Firm Intelligence
4. Jump Trading — “Our ML stack powers live inference and fast iteration”
구분: 회사 공식 AI/ML·트레이딩 페이지
발표일: 게시일 미표기 / 2026년 8월 13일 현재 공식 공개 확인
원문: Jump Trading 공식 사이트
공개적으로 확인된 사실
Jump Trading은 공식 사이트에서 연구·트레이딩 인프라를 raw silicon부터 order execution까지 하나의 시스템으로 구축한다고 설명한다. 모든 trading strategy는 연구에서 출발해 실제 시장에서 stress test되고, 확장 가능한 production system으로 엔지니어링된다고 명시한다.
AI/ML 부분에서는 더 직접적으로 **“ML stack powers live inference and fast iteration”**이라고 밝힌다. 즉 ML을 offline research notebook에서만 사용하는 것이 아니라 실제 trading system 내부에서 inference하고, 결과를 빠르게 반복 개선하는 구조라는 사실은 공개적으로 확인할 수 있다.
수익 메커니즘 — 추론
Jump의 비밀 전략은 공개되지 않는다. 다만 공개된 architecture에서 추론 가능한 경쟁우위는
Research → fast experiment → live inference → execution → market feedback → 새 연구
의 iteration speed다.
특히 “raw silicon → order execution”이라는 표현은 alpha model뿐 아니라 latency·hardware·network·execution quality까지 하나의 P&L stack으로 본다는 의미로 읽는 것이 합리적이다.
예를 들어 두 회사의 fair-value 모델 오차가 똑같이 0.2bp여도, 한쪽이 5ms 늦거나 주문 수정·취소가 느리면 실현 P&L은 완전히 달라진다.
한국 채권시장에 복제한다면
우리에게 raw silicon 경쟁은 당장 중요하지 않다. 대신 Jump 구조의 핵심을 축소해서 따라갈 수 있다.
연구 DB
→ 동일 feature code
→ backtest
→ paper trading
→ production
→ 실제 mark-out
에서 같은 feature 계산 코드를 공유하는 것이다.
연구 시 Python에서 계산한 imbalance와 실거래 시스템의 imbalance 정의가 다르면 백테스트 결과는 production에서 재현되지 않는다. 따라서 “모델 개발”보다 research-production parity가 먼저다.
복제 난이도: ★★★★☆
복제 가치: ★★★★★
5. DRW — Machine Learning Researcher: forecasting → noisy data → production
구분: 회사 공식 채용자료 · Quantitative Research / ML
발표일: 현재 모집 중 / 2026년 8월 13일 확인
원문: DRW 공식 채용공고
공개적으로 확인된 사실
DRW의 현재 Machine Learning Researcher 공고는 ML을 forecasting problem에 직접 적용하고, high-dimensional noisy structured/unstructured data에서 signal을 추출하며, production-ready model로 배포하는 역할로 설명한다. 대상 기술에는 transformer 계열을 포함한 최신 ML architecture와 feature engineering, hyperparameter tuning, scalable ML pipeline이 명시돼 있다.
DRW는 fixed income, ETF, equity, FX, commodities, energy 등 여러 자산군을 자기자본으로 거래하며, 해당 ML 역할에서는 연구 결과를 실제 live production으로 가져간 경험을 특히 요구하고 있다. 별도의 공식 AI 페이지에서도 AI와 ML을 trading·investment approach의 핵심 확장영역으로 설명한다.
수익 메커니즘 — 추론
DRW 공개자료를 보면 ML의 수익화 구조는 대략 다음과 같다.
large/noisy data
→ forecasting
→ robust signal
→ scalable pipeline
→ live production
→ capital-at-risk
중요한 단어는 production-ready와 resilient model이다.
금융시장에서는 train accuracy가 높은 모델보다
- regime이 바뀌어도 완전히 붕괴하지 않고,
- 데이터가 하나 늦어져도 작동하고,
- inference latency가 안정적이며,
- 이상값 발생 시 안전하게 fail하는
모델이 경제적으로 더 가치가 있을 수 있다.
한국 채권시장에 복제한다면
모델 평가 항목을 Accuracy/Sharpe에서 끝내지 말고 production KPI까지 확장해야 한다.
예를 들어:
Forecast quality: IC / OOS P&L
Execution quality: Fill / Mark-out
Model stability: regime별 성능
System stability: latency / missing data / stale feed
Risk: max adverse move / DV01 drawdown
으로 모델 scorecard를 만드는 것이 좋다.
복제 난이도: ★★★☆☆
복제 가치: ★★★★★
오늘의 데스크 결론
오늘 5건을 연결하면 실제 채권 AI를 만드는 순서가 더 명확해진다.
첫째, target을 잘 만들어야 한다. U.S. Aggregate Bond 연구는 복잡한 CNN보다 fractional differencing 같은 데이터 표현이 더 중요할 수 있음을 보여준다.
둘째, market state를 분리해야 한다. 회사채 RS-CIR 연구처럼 rate regime과 credit component를 분리한 뒤 residual을 학습해야 모델이 구조변화를 단순 알파로 오인하는 일을 줄일 수 있다.
셋째, risk engine은 alpha engine보다 위에 있어야 한다. RMATS에서는 복잡한 multi-agent recursion보다 명시적 circuit breaker가 실제 drawdown 개선에 더 큰 역할을 했다.
넷째, 최상위 퀀트의 공개자료에서는 공통적으로 research → production → market feedback 사이클이 반복된다. Jump는 이를 live inference와 fast iteration이라고 직접 표현하고, DRW는 forecasting 연구를 production-ready pipeline까지 가져가는 역할을 명시한다.
그래서 지금 가장 중요한 개발 순서를 압축하면:
Event-time DB → Clean Target → Regime State → Alpha/Fair Value → Risk Override → Live Execution → Mark-out Feedback
이다.
오늘 하나만 읽는다면 Deep Learning Forecasting of the U.S. Aggregate Bond Index를 추천한다. 모델을 복잡하게 만들기 전에 **“우리가 정확히 무엇을 예측하고 있는가?”**를 다시 생각하게 만드는 자료다. 자동매매 architecture 관점에서는 RMATS의 circuit-breaker ablation, 글로벌 퀀트 운영 관점에서는 Jump의 live-inference/fast-iteration 구조가 가장 실무적이다.