채권시장 AI·Quant Intelligence — 2026년 8월 29일

오늘은 전일의 Fed AI-credit, RL multi-agent stability, GNN credit rating, Citadel Securities quote sizing, XTX foundation model/TernFS는 제외했다.

오늘 자료에서 가장 중요한 두 가지는 ① Foundation Model을 가격예측기가 아니라 ‘시장 시뮬레이터’로 쓰는 흐름, ② 탑티어 퀀트사의 AI 경쟁력이 GPU FLOPS 자체보다 research iteration speed + production reliability로 이동하고 있다는 점이다.

---

1. M3: A State-Event Generative Foundation Model for Market Microstructure Dynamics

구분: AI·시장미시구조 연구 / Generative Foundation Model
공개일: 2026년 7월 29일
선정 이유: 최신성이 아주 높지는 않지만, 최근 fixed-income AI에서 가장 중요한 방향 중 하나인 counterfactual market simulator와 직접 연결된다.

핵심 요약

기존 LOB 생성모델은 보통 주문 이벤트(order event) 또는 호가창 상태(state) 중 한쪽을 별도로 모델링하는데, M3는 두 개를 함께 학습하는 state-event generative foundation model을 제안한다. 모델은 실제 대규모 order-level 주식시장 데이터에서 학습되어 미래 order-flow trajectory와 그에 따라 변화하는 limit-order-book liquidity를 동시에 생성한다. 저자들은 모델이 시장의 주요 stylized fact를 재현하고, forecasting뿐 아니라 stress testing과 market-impact analysis를 위한 counterfactual simulation에 사용할 수 있다고 보고한다. arXiv 원문

여기서 핵심은 다음 가격 하나를 예측하는 것이 아니다. 모델은

현재 호가창 + 주문흐름 → 앞으로 발생할 수 있는 여러 시장경로

를 생성한다.

채권 트레이딩 시사점

이 방향은 특히 국채선물 execution/RL에서 중요하다.

현재 전략을 보통 historical replay로 백테스트하면:

“내 주문이 시장에 영향을 주지 않았다”

는 비현실적인 가정을 하게 된다.

M3식 simulator라면:

현재 LOB

• 우리 주문 → 다음 주문 flow → depth 변화 → price impact → 다음 시장상태

처럼 행동 때문에 미래 시장이 바뀌는 환경을 만들 수 있다.

그러면 다음과 같은 질문을 simulation할 수 있다.

• 10선 300계약을 한 번에 때리는 것과 50계약씩 나누는 것의 차이
• passive order를 3초 더 기다렸을 때 fill/mark-out
• 금통위 직후 depth collapse 시 hedge execution
• 우리 agent와 다른 agent가 동시에 inventory를 줄일 때 liquidity spiral

한국 시장 복제 아이디어

처음부터 foundation model을 만들 필요는 없다.

우선:

State

• top-5 depth
• bid/ask imbalance
• spread
• 최근 체결
• cancel rate

Event

• 신규 bid/ask
• cancel
• trade
• marketable order

를 event-time으로 구축하고,

State_t + Event_t → State_{t+1}, Event_{t+1}

generator부터 만들면 된다.

최종 목적은 Prediction Model이 아니라 Bond Market Simulator다.

데스크 적용 우선순위: ★★★★★

---

2. Information Risk in the Corporate Bond Market

구분: 회사채 시장미시구조 연구
상태: 2026년 8월 Accepted/In Press
출처: Advances in Pacific Basin Business, Economics and Finance

핵심 요약

이 연구는 회사채의 information risk를 시장미시구조 기반의 PIN(Probability of Information-Based Trading)으로 측정하고, 그 정보위험이 회사채 기대수익률에 가격되는지를 분석한다. 다른 liquidity 및 bond characteristic을 통제한 뒤에도 information risk와 기대 회사채수익률 사이에 유의한 양의 관계가 나타난다고 보고한다. PolyU 연구 페이지

이 자료는 ML 논문 자체는 아니다. 오늘 포함한 이유는 dealer AI가 예측해야 할 target이 무엇인지에 상당히 중요한 힌트를 주기 때문이다.

채권 트레이딩 시사점

Dealer 입장에서 fill은 동일하지 않다.

예를 들어 고객이 내 ask를 hit했을 때:

Case A

• 10분 뒤 가격 변화 없음
• good flow

Case B

• 체결 직후 시장이 3bp adverse move
• informed flow

이다.

따라서 단순한

P(fill)

만 예측해서는 안 되고,

P(fill) × Expected Mark-out

을 같이 봐야 한다.

더 나아가:

P(informed | counterparty, size, bond, state)

라는 latent variable을 만들 수 있다.

한국 시장 복제 아이디어

브로커·상대별로 체결 후:

• 10초 mark-out
• 1분 mark-out
• 5분 mark-out
• 30분 mark-out

을 저장한다.

그 뒤:

Broker / client

• size
• side
• bond liquidity
• market regime → Expected Adverse Selection

모델을 만든다.

결국 quote engine은:

Fair Value → Fill Probability → Adverse Selection → Inventory Cost → Optimal Quote

로 가야 한다.

회사채·장외채권에서는 이것이 단순 방향예측보다 훨씬 직접적인 P&L 모델이 될 가능성이 높다.

데스크 적용 우선순위: ★★★★★

---

3. Bond Market May Be Pricing AI Productivity Gains as Yields Rise — J.P. Morgan Private Bank

구분: 주요 금융기관 시장분석 / Reuters 인터뷰
발표일: 2026년 8월 28일 — 어제 나온 자료

핵심 요약

J.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 가능성을 제기했다. Reuters 원문

동시에 AI 데이터센터·hyperscaler 투자로 인한 AI 관련 기업의 채권발행은 2026년 이미 2,200억달러 이상으로 늘어났고, 이런 대규모 민간 duration 공급 역시 장기 자본을 놓고 Treasury와 경쟁하고 있다.

J.P. Morgan Asset Management의 공식 자료에서도 hyperscaler가 2025년 1,210억달러의 채권을 발행했고 2026년에는 2,500억달러 수준까지 증가할 것으로 전망하면서 AI CAPEX가 점차 내부현금흐름에서 채권·private credit 등 외부금융으로 이동하고 있다고 분석한다. J.P. Morgan Asset Management AI 자료

채권 트레이딩 시사점

여기서 중요한 것은 AI가 금리에 서로 반대 방향의 두 경로를 만든다는 점이다.

경로 A — 생산성

AI productivity ↑
→ 잠재성장률 ↑
→ 중립금리 (r^*) ↑
→ long-end yield ↑

경로 B — 공급

AI CAPEX ↑
→ 회사채 발행 ↑
→ 장기 duration supply ↑
→ 투자자 자금 Treasury와 경쟁
→ term premium ↑

즉 현재의 AI theme은 단순 credit sector story가 아니라 Treasury term structure factor가 되고 있다.

한국 시장 복제 아이디어

앞으로 10년·30년 금리 모델에 새로운 factor를 추가할 가치가 있다.

AI Duration Supply Factor

예:

Hyperscaler issuance

• US IG gross issuance
• data-center financing
• UST net issuance
• foreign duration demand

→ UST 10/30 또는 term premium

그리고 한국에서는:

UST long-end
→ 원달러
→ 외국인 국채선물
→ 10/30년 KTB

전파를 측정한다.

특히 이 factor는 10/30 curve에 더 직접적으로 작용할 가능성이 있다.

데스크 적용 우선순위: ★★★★☆

---

Quant Firm Intelligence

4. Optiver × NVIDIA — “It’s Not the FLOPS. It’s the Researcher Time.”

구분: Optiver 공식 기술문서 / Head of Quant Engineering·NVIDIA 인터뷰
발표일: 2026년 8월 24일

오늘 퀀트자료 중 가장 추천한다.

확인 가능한 사실

Optiver Global Head of Quant Engineering Scott McKenzie, Optiver 엔지니어 Josh Durham, NVIDIA Global Head of Capital Markets Strategy Ioana Boier가 accelerated computing이 trading research를 어떻게 바꾸는지 구체적으로 설명했다. Optiver 공식 기술문서

NVIDIA 측이 관찰하는 금융회사의 GPU 사용처는 아직 production inference보다 research 쪽의 비중이 크다. 핵심 목적도 단순 FLOPS 확대가 아니라 raw data → idea → strategy → production으로 이어지는 전체 research cycle을 줄이는 것이다.

실제로 NVIDIA의 Ioana Boier는 이를 매우 압축해서 표현한다.

“It’s not the FLOPS. It’s the researcher time.”

Optiver의 Josh Durham은 과거 대규모 dataset 준비를 수천 CPU core에 분산하던 workload를, large unified memory를 가진 소수 GPU에서 더 큰 block 단위로 처리하는 구조로 바꾸고 있다고 설명한다.

더 흥미로운 것은 production inference다. Optiver는 market data가 도착한 뒤 GPU task를 시작하는 것이 아니라 GPU software와 model weight를 미리 메모리에 올려 놓고 다음 market event를 기다리는 구조를 이야기한다.

---

공개자료 기반 수익 메커니즘

Optiver의 GPU 투자는:

GPU가 빠르다 → 돈 번다

가 아니다.

훨씬 더 중요한 식은:

Researcher Time ↓ → 하루 실험 수 ↑ → 좋은 feature 발견 확률 ↑ → production iteration ↑ → live edge 개선

이다.

즉:

P&L ∝ Research Quality × Experiment Throughput × Deployment Speed

로 보는 편이 맞다.

그리고 production에서는:

Market event → 이미 memory에 resident한 model → 즉시 inference → pricing/risk/execution decision

구조다.

한국 채권시장 복제 아이디어

GPU부터 사는 것이 첫 단계는 아니다.

먼저 현재 연구 cycle을 측정해야 한다.

예를 들어:

단계	현재
tick 데이터 추출	2시간
feature 생성	3시간
backtest	1시간
결과분석	2시간
총 research loop	8시간

이라면 목표는 GPU 도입 자체가 아니라:

8시간 → 30분

이다.

이를 달성하면 한 연구자가 하루에 1개 가설이 아니라 10~20개를 검증할 수 있다.

따라서 우리가 관리해야 할 핵심 KPI는:

Experiments / Researcher / Day

가 된다.

복제 가치: ★★★★★

---

5. Jane Street — Production Engineering When Trading Billions of Dollars a Day

구분: Jane Street 공식 기술강연 / 현직 Production Engineer
발표: 2026년 공개
선정: 최신성보다 기술적 가치 때문에 선정

이 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

확인 가능한 사실 ①

일반 IT의 99.99% SLA가 trading에서는 충분하지 않다

Jane Street는 live trading system에서 전통적인 SLO 기반 monitoring을 상대적으로 적게 사용한다고 설명한다. 이유는 주문에서 0.01% 실패조차 경제적으로 매우 큰 손실을 만들 수 있기 때문이다. 대신 edge case를 직접 정의하는 event-based alerting 비중이 높다.

즉:

웹서비스:

99.99% request success = excellent

trading:

99.99% correct orders = potentially catastrophic

다.

---

확인 가능한 사실 ②

“너무 돈을 잘 벌어도” alert가 뜬다

Jane Street가 공개한 가장 흥미로운 monitoring 중 하나가 fill-too-good / trade-too-good alert다.

체결에서 평소보다 지나치게 큰 이익이 발생하면 오히려 시스템이 이상하다고 의심한다. 시장데이터 오류, instrument mapping, order engine, strategy bug, fat-finger 등 여러 종류의 문제를 한꺼번에 잡을 수 있는 orthogonal alert로 사용한다고 설명한다.

또 정상적으로 시장 거래량의 3% 정도를 차지하던 시스템이 갑자기 60%를 차지한다면, technical service가 멀쩡하더라도 시스템 전체의 이해가 틀렸다는 epistemic-health alert를 발생시키는 사고방식을 소개한다.

---

확인 가능한 사실 ③

Order Engine이 마지막 Risk Firewall

Jane Street에서는 이런 이상체결 alert를 order-engine team까지 전달한다. 이유는 order engine이 거래소로 주문이 나가기 직전의 last line of defense이기 때문이다.

즉 구조가:

Model → Strategy → Position → Order Engine / Safety → Exchange

로 돼 있고,

model이 이상해도 order engine이 독립적으로 주문을 중단할 수 있어야 한다.

---

공개자료 기반 수익 메커니즘

이건 알파모델 이야기가 아니다.

하지만 자동매매에서 굉장히 중요한 P&L 식이 있다.

Net P&L
= Model Alpha
− Trading Cost
− Operational Loss

대부분 AI 연구자는 첫 번째 항만 개선한다.

Jane Street 자료가 보여주는 것은:

Operational Loss를 거의 0에 가깝게 관리하는 것도 하나의 trading edge다.

좋은 모델이 한 달에 1억원을 벌어도 한 번의 잘못된 order serialization으로 10억원을 잃으면 아무 의미가 없다.

---

한국 채권 AI에 그대로 적용할 것

AI 자동매매에 다음 네 개를 model 외부에 만들어야 한다.

① Trade-too-good

평균 mark-out 대비 비정상적으로 큰 이익:

→ market data stale?
→ instrument mapping error?
→ P&L calculation bug?

② Trade-too-bad

극단적 adverse-selection 발생 시:

→ strategy halt

③ Position-too-large

모델 신호와 상관없이:

→ hard DV01 limit

④ Volume-share-too-high

평소보다 우리 체결 비중이 급증:

→ 모델 오류 또는 시장구조 변화 의심

즉 ML 외부에 Deterministic Safety Envelope를 둔다.

이건 향후 실제 주문을 보내기 전에 반드시 필요한 계층이다.

복제 가치: ★★★★★

---

오늘의 데스크 결론

오늘 자료를 하나의 시스템으로 연결하면 아주 좋은 그림이 나온다.

1. M3

시장을 예측하는 것을 넘어 시장을 생성한다.

↓

2. Information Risk

모든 fill이 같은 것이 아니라 누가 정보를 갖고 거래했는지 판단한다.

↓

3. AI Productivity / Bond Supply

AI 자체를 금리·term-premium을 움직이는 macro state variable로 본다.

↓

4. Optiver

이를 연구하는 속도를 GPU + unified research stack으로 극단적으로 줄인다.

↓

5. Jane Street

아무리 좋은 AI라도 사고를 내지 못하도록 독립적인 production safety layer를 만든다.

결국 우리가 지향해야 할 architecture는:

Event-Time Market Data
→ Generative Market Simulator
→ Fair Value / Alpha
→ Fill + Adverse Selection
→ Optimal Size / Execution
→ Deterministic Risk Gateway
→ Live Market
→ Mark-out / P&L
→ Fast Research Loop

다.

오늘 한 편만 읽는다면 M3보다도 오히려 Optiver × NVIDIA 기술문서를 먼저 추천한다. 이유는 현재 단계에서 가장 큰 edge가 최신 Transformer architecture를 하나 더 테스트하는 것보다 아이디어 → 백테스트 → production feedback 시간을 얼마나 줄일 수 있느냐에 있을 가능성이 높기 때문이다.

그리고 실제 자동주문 시스템을 설계하는 시점에는 Jane Street의 Production Engineering 강연을 필독자료로 넣을 가치가 있다. 특히 trade-too-good 같은 경제적 이상징후 기반 alerting은 국내 채권 자동매매 시스템에도 거의 그대로 가져올 수 있다.