채권시장 AI·Quant Intelligence 브리핑 — 2026년 8월 15일

전일의 Flow Traders, Tower Research, Macro-Panic, EU-Bond curve, 회사채 ensemble은 제외했다. 오늘은 최근 공개·개정된 자료 가운데 ① ML 수익률곡선 예측의 실제 tradable 구간, ② AI 확산이 알파 자체를 소멸시키는 메커니즘, ③ ML로 liquidity-supplying/demanding flow를 구분하는 시장미시구조 연구와, 퀀트 회사 쪽에서는 ④ Akuna Capital의 ML→predictive model→strategy portfolio 구조, ⑤ Optiver의 ‘AI-first live trading floor’ 운영 방식을 선정했다.

1. Yield Curve Prediction with Machine Learning: Forecasting Approaches and the Role of Macroeconomic Predictors

구분: 논문 · arXiv / 금리·ML
발표일: 2026년 7월 27일
원문: arXiv 원문

핵심 요약

미국 Treasury zero-coupon curve를 대상으로 만기별 금리를 직접 예측하는 direct-yield 방식과 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 집중됐다. 특히 거시변수를 추가했을 때 slope 예측력이 가장 뚜렷하게 향상됐고, 단기 horizon에서는 direct-yield 방식, longer horizon 및 belly/long end에서는 factor 방식의 상대적 경쟁력이 높았다. 통계적 RMSE와 실제 trading value도 반드시 일치하지 않아, 저자는 duration·slope trading simulation을 별도로 평가했다.

실무 시사점

이 연구에서 가장 중요한 부분은 “커브 전체를 잘 맞히는 모델”보다 “내가 실제 거래하는 spread를 잘 맞히는 모델”이 더 가치 있을 수 있다는 점이다. 특히 3/10·10/30 같은 slope trade를 한다면 전체 국고채 curve를 하나의 loss로 학습하기보다 3Y, 10Y, 30Y, 3-10, 10-30을 별도 target으로 두고 경제적 loss를 적용할 가치가 있다.

또 하나 중요한 결과는 Nelson-Siegel/Svensson을 더 정교하게 calibration해 in-sample fit을 개선해도 OOS 예측력은 오히려 좋아지지 않았다는 것이다. 즉 커브 모델에서는 매일 cross-section을 완벽하게 맞히는 것보다 factor definition이 안정적인 편이 forecasting에 유리할 수 있다.

한국 적용: 국고 3/5/10/20/30Y → PCA/DNS baseline과 3Y/10Y/30Y direct LightGBM을 동시에 구축한 뒤, RMSE가 아니라 DV01-neutral 3/10·10/30 P&L로 비교하는 실험을 추천한다.

데스크 적용 우선순위: ★★★★★

2. AI-Driven Alpha Decay: Algorithmic Homogenization, Reflexive Signal Erosion, and the Paradox of Intelligent Markets

구분: 논문 · arXiv / AI·시장미시구조·Crowding
최신 논문일: 2026년 8월 11일
원문: arXiv 원문

핵심 요약

이 연구는 “AI가 알파를 더 많이 발견한다”는 문제의 반대편인 AI가 널리 사용되면서 알파를 얼마나 빨리 없애는가를 모델링한다. 저자들은 signal crowding, 자신의 거래로 학습환경을 바꾸는 performative signal erosion, 그리고 경쟁사가 더 좋은 AI를 쓰면 나도 투자해야 하는 Red Queen competition이라는 세 채널을 제시한다. 모델상 AI 사용자가 많고 모델·데이터가 유사할수록 alpha 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.

연구는 또 SEC 13F의 약 9,950만 건 보유자료를 이용해 기관 포트폴리오 수렴 현상을 분석하고, AI가 가격발견을 개선할 수 있는 동시에 동일한 데이터와 모델이 확산될수록 correlated trading과 tail fragility를 키울 수 있다고 주장한다.

실무 시사점

이 논문은 “어떤 모델이 가장 좋나?”보다 “얼마나 남들과 다른 신호인가?”를 KPI에 넣어야 한다는 메시지를 준다.

예를 들어 우리 모델이

가격 + 이동평균 + imbalance + US Treasury + 뉴스 sentiment

를 쓰는데 시장 참가자 대부분도 같은 데이터를 사용한다면 OOS IC가 높더라도 실제 monetizable half-life는 짧을 수 있다.

따라서 신규 신호를 평가할 때 저는 최소한 다음 세 가지를 같이 보겠다.

IC / Sharpe뿐 아니라
Signal decay: 신호 발생 후 1초·10초·1분·30분 P&L 감쇠
Crowding proxy: 공개 factor·컨센서스와의 correlation
Capacity: size를 키웠을 때 market impact로 얼마가 사라지는지

특히 한국 국고채에서는 모델이 찾은 3/10·현선 basis anomaly가 며칠짜리 구조적 알파인지, 30초 안에 사라지는 crowding alpha인지를 분류하는 것이 중요하다.

주의: 흥미로운 최신 연구지만 아직 동료평가 논문이 아니고, 일부 실증결론은 calibrated simulation이므로 숫자 자체보다 메커니즘을 참고하는 것이 적절하다.

데스크 적용 우선순위: ★★★★★

3. Data-Driven Measures of High-Frequency Trading

구분: 논문 · arXiv / ML·시장미시구조
발표일: 2026년 8월 1일
원문: arXiv 원문

핵심 요약

HFT를 단순 메시지 수나 quote-to-trade ratio 같은 proxy로 측정하지 않고, 실제 HFT 여부가 관측되는 proprietary dataset에서 ML을 학습한 뒤 공개 intraday data에 적용한 연구다. 더 중요한 점은 HFT를 하나로 묶지 않고 liquidity-supplying HFT와 liquidity-demanding HFT를 분리했다는 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.

결과적으로 liquidity-supplying HFT는 earnings announcement 주변의 가격 정보성을 개선하는 반면, liquidity-demanding HFT는 반대 방향의 효과를 나타냈다. 즉 “알고리즘 거래가 많다”보다 알고리즘 주문이 liquidity를 공급하는지 소비하는지를 식별하는 것이 시장 상태를 이해하는 데 더 중요하다는 결과다.

실무 시사점

이를 채권시장으로 가져오면 단순히

외국인 순매수 +5천 계약

보다

누가 liquidity를 때리고 있는지 / 누가 받아주고 있는지

가 중요해진다.

예를 들어 10년 국채선물이 5틱 하락했더라도,

• aggressive sell이 지속되는데 passive bid가 계속 replenishment되는 상황
• passive bid가 사라지고 모든 참가자가 offer를 내려가는 상황

은 이후 가격분포가 다를 가능성이 크다.

직접 HFT ID를 알 수 없더라도 event-time data로

cancel rate / aggressive trade ratio / quote replenishment / queue depletion / price impact

를 feature로 만들어 Liquidity Supplier Probability와 Liquidity Taker Probability를 학습할 수 있다.

그리고 이 변수는 alpha보다 execution engine에 먼저 넣는 것이 좋다.

한국 적용 우선순위: 시장 방향 예측보다 현재 호가를 때려도 되는 상태인가 / passive 주문을 놓는 게 유리한가를 분류하는 execution-state classifier.

데스크 적용 우선순위: ★★★★★

Quant Firm Intelligence

4. Akuna Capital — ML을 “predictive model → signal research → strategy portfolio”로 연결

구분: 회사 공식 채용자료 · Quantitative Research
발표일: 게시일 미표기 / 2026년 8월 15일 현재 공개
원문: Akuna Capital — Quantitative Researcher

공개적으로 확인된 사실

Akuna는 options market-making을 주력으로 하는 proprietary trading firm이며, 자체 low-latency technology, trading strategy와 mathematical model을 개발한다고 공식 설명한다. 현재 Quantitative Researcher 역할에서는 통계·ML 알고리즘을 이용한 trading strategy 개발, predictive model 개선을 위한 signal/feature research, scalable·reproducible ML workflow 구축을 명시하고 있다.

별도의 Quant Strategy 역할은 이 연구가 어디까지 내려가는지 더 명확히 보여준다. Akuna는 pricing model뿐 아니라 execution logic, production code, market signal integration, performance optimization까지 Quant 역할의 업무로 제시한다. 즉 ML 연구와 production execution을 분리된 조직의 산출물로만 두지 않는다.

수익화 메커니즘 — 공개자료 기반 추론

비밀 전략은 공개되지 않았다. 하지만 확인 가능한 조직구조에서 보면 다음과 같은 수익 loop를 추론할 수 있다.

Signal / Feature research
→ Predictive model
→ Pricing / Strategy
→ Execution logic
→ Production trading
→ 실거래 데이터
→ 다시 Signal research

특히 market maker에게 predictive model은 꼭 “S&P가 내일 오를까” 같은 장기 방향예측일 필요가 없다.

오히려 더 경제적 가치가 높은 target은

next fair value
expected adverse selection
fill probability
expected mark-out

일 수 있다.

이 중 하나만 5~10% 개선돼도 더 좋은 quote → 더 많은 flow → 더 좋은 selection → P&L 개선으로 연결될 수 있다. 이는 공개된 업무범위에서 도출한 추론이며 Akuna가 구체적인 모델이나 전략을 공개한 것은 아니다.

한국 채권시장에 복제한다면

Akuna에서 특히 참고할 부분은 research와 execution 사이를 끊지 않는 것이다.

우리도 모델을

ML signal.py

로 끝내면 안 되고,

feature → fair value → recommended action → execution price → actual mark-out

까지 동일한 실험 단위로 관리해야 한다.

복제 난이도: ★★★★☆
복제 가치: ★★★★★

5. Optiver — Frontier AI on a Live Trading Floor

구분: 회사 공식 AI 행사·기술자료
발표/행사일: 2026년 7월 22일
원문: Optiver 공식 페이지

공개적으로 확인된 사실

Optiver는 이번 행사의 주제를 아예 **“AI-first thinking on a trading floor”**로 잡고, frontier AI와 foundation model이 실제 research·engineering workflow에 들어가 hard trading questions를 풀고 live system을 개선하는 과정을 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.

이는 이전 브리핑에서 소개한 Optiver의 LLM trader 한계 실험과는 다른 자료다. 그 연구에서는 LLM이 단발성 fair-value 계산은 잘하면서 sequential belief update와 EV-maximizing 행동에서 약점을 보였는데, 이번 공식 행사는 오히려 frontier model을 research/engineering workflow에 embedding하고, 유용성이 검증된 접근만 scale하는 운영 방향을 보여준다.

수익화 메커니즘 — 공개자료 기반 추론

여기서 AI의 돈 버는 경로는 두 층으로 보는 것이 좋다.

첫 번째는 직접 Alpha:

AI/ML → market state / forecast → better trading decision

두 번째는 더 현실적인 Research Alpha:

AI agent → coding/data 작업 가속
→ 하루에 검증하는 hypothesis 증가
→ 더 빠른 backtest/experiment
→ production 전략 업데이트 빈도 증가
→ alpha decay 전에 더 빨리 monetization

즉 최첨단 LLM이 직접 주문 버튼을 누르지 않아도 연구자의 iteration cycle을 5일→1일로 줄이는 것 자체가 trading edge가 된다. Optiver는 연구가 algorithmic strategy로 전환된 뒤 실제 시장 feedback으로 반복 개선되는 구조를 공개적으로 강조한다.

한국 채권시장에 복제한다면

가장 빠른 ROI는 autonomous trader보다 AI Quant Researcher라고 본다.

딜러가 자연어로:

“최근 5년 동안 10년 입찰 전일에 10/30이 1.5bp 이상 steep하고 외국인이 10선을 4천 계약 이상 순매도한 날을 찾아서, 익일 9~11시 10/30 reversal P&L을 DV01 중립으로 계산해줘.”

라고 하면 agent가

SQL → 데이터 정합 → event study → DV01 hedge → cost → OOS → report

까지 자동으로 처리하도록 만드는 것이다.

이 시스템은 자율매매보다 위험이 훨씬 낮으면서도 트레이더 한 명당 검증 가능한 아이디어 수를 크게 늘릴 수 있다.

복제 난이도: ★★★☆☆
복제 가치: ★★★★★

오늘의 데스크 결론

오늘 자료는 서로 굉장히 잘 연결된다.

첫 번째 연구는 ML의 가치가 curve 전체가 아니라 tradable slope에 집중될 수 있음을 보여준다. 두 번째는 그런 알파를 발견해도 경쟁자가 같은 데이터·모델을 쓰면 alpha half-life가 급격히 짧아질 수 있다고 경고한다. 세 번째는 따라서 방향예측뿐 아니라 liquidity supplier/taker를 식별해 execution edge를 확보하는 것이 중요하다는 것을 보여준다.

그리고 Akuna와 Optiver의 공개자료를 같이 보면 최상위 트레이딩 회사들의 방어법 중 하나가 보인다. 단 하나의 완성된 모델을 오래 쓰는 것이 아니라 feature discovery → model → production → feedback → new feature의 iteration 속도를 계속 높이는 것이다.

그래서 오늘 가장 중요한 개발 방향은 모델 architecture보다 다음 네 가지라고 본다.

① Multi-horizon alpha decay 측정 — 내 신호가 몇 초/분 동안 살아 있는가
② Liquidity state 모델 — 지금 aggressive/passive 중 무엇이 유리한가
③ Research-production parity — 백테스트와 실거래에서 동일한 feature 계산
④ AI research agent — 인간이 하루에 검증할 수 있는 hypothesis 수를 늘리기

오늘 한 편만 읽는다면 AI-Driven Alpha Decay를 추천한다. 아직 프리프린트이므로 수치 자체보다 **“AI 시대에는 모델 accuracy보다 signal uniqueness와 decay speed가 중요해진다”**는 관점을 가져오는 데 가치가 크다. 실제 금리전략을 개발한다면 Yield Curve Prediction with Machine Learning을 먼저 보는 편이 더 직접적이다.