비용모형을 바꾸자 달라진 강화학습
거래비용을 현실화하면 강화학습 순위도 바뀌는가?
매매비용을 작거나 고정된 값으로 주면 자주 거래하는 정책이 유리해질 수 있다. 연구는 Almgren–Chriss 비용구조와 제곱근 시장충격 법칙을 반영한 환경을 만든다. 주문량에 따라 달라지는 충격과 이후 감쇠, 거래별 기록을 포함해 평가조건을 바꾼다.
NASDAQ-100 환경에서 A2C·PPO·DDPG·SAC·TD3를 비교하자 절대성과와 상대순위, 회전율이 변했다. 특정 설정의 일일 비용은 20만달러에서 8천달러, 회전율은 19%에서 1%로 낮아졌다. 숫자는 같은 알고리즘의 모든 시장 성능이 아닌 논문의 설정별 사례다.
정책은 주어진 보상과 비용에 맞춰 행동하므로 비용모형을 바꾸면 최적 거래빈도도 달라진다. 모형 이름만 비교해 순위를 고르면 학습환경의 영향을 놓친다. 실제 체결과 시장충격은 시뮬레이션과 다를 수 있어 국내 적용은 비용 민감도와 표본외 집행시험을 추가해야 한다.
SCOPE공개 주식 시뮬레이션이다. 비용모형의 설정별 감소를 실거래 성과로 일반화하지 않는다.
Evidence & verification ↓학습 밖에서 주문을 막는 제약
주문규칙은 강화학습의 보상 밖에서도 지켜지는가?
규칙위반에 벌점을 주어도 학습정책이 실제로 위반하지 않는다는 보장은 없다. 논문은 집행을 제약이 있는 순차 의사결정으로 정의하고 참여율·가격밴드·자전거래 방지를 외부 제약으로 둔다. 행동을 낸 뒤 실행 전에 허용범위를 확인하는 구조다.
고수준 계획기와 PPO 실행 에이전트 사이의 실행 전 보호계층인 action shield가 금지 주문을 실행 가능한 영역으로 투영한다. ABIDES 다중시장 시뮬레이터에서 시간·거래량 기준 집행인 TWAP·VWAP과 비교하고 지연 증가와 부분체결의 스트레스도 시험했다.
감사 계층에 영지식 증명을 붙여 규칙을 지켰는지 확인하는 접근도 제시한다. 이는 시뮬레이션과 프리프린트의 결과이지 실제 브로커·거래소 검증이 아니다. 국내 활용에는 제약의 완전성과 실패 때 중단, 보호계층이 체결비용에 미치는 영향을 별도로 시험해야 한다.
SCOPE시뮬레이터의 프리프린트다. 실제 규정준수와 거래소 실행의 독립 검증은 없다.
Evidence & verification ↓같은 발행사 신채권에 붙은 높은 스프레드
같은 발행사 신채권이 경과물보다 더 싸게 거래될 수 있는가?
같은 발행사와 만기·상환순위라면 신용위험이 비슷해 가격도 가까울 것으로 기대한다. Reuters는 최근 대규모 하이퍼스케일러 발행이 이 비교에 어떤 차이를 만드는지 살폈다. 보관 기록은 최근 1년 발행을 약 2,200억달러로 집계한다.
Oracle의 같은 만기·선순위 채권 쌍에서 더 크고 최근 발행된 종목의 수익률이 19bp, 스프레드가 22bp 높았다. bp는 비율의 작은 차이를 나타내는 단위다. 다른 대형 기술회사 쌍에도 15~22bp 높은 사례가 관측됐다. 신용조건을 맞춰도 공급부담이 가격에 남을 수 있다.
분석은 기존 동일위험 비교보다 새 공급을 받아내는 부담이 우세한 현상으로 해석한다. 거래쌍의 사례이며 전체 시장의 인과계수는 아니다. 국내 상대가치에서도 발행량과 보유한도·유동성을 확인하고 가격차가 줄기 전 보유비용을 함께 평가해야 한다.
SCOPE시장 사례와 해석이다. 모든 신채권의 할인이나 가격수렴을 보장하지 않는다.
Evidence & verification ↓외부자료를 신뢰할 수 있는 행으로 만드는 일
외부자료는 어떤 과정을 거쳐 연구 입력이 되는가?
위성사진이나 카드 패널을 받았다고 바로 거래모델에 넣을 수는 없다. Jane Street 팟캐스트는 지저분한 외부정보를 일관된 연구자료로 만드는 작업을 설명한다. 회사가 어떤 법적·경제적 개체인지 정의하고 서로 다른 자료의 행을 맞추는 문제가 포함된다.
원유선물이 음수가 된 날의 시스템 문제 같은 예도 다룬다. 정상 가격만 가정한 처리는 드문 시장상황에서 깨질 수 있다. 좋은 머신러닝일수록 입력을 세심하게 만드는 가치가 커진다는 회사 설명은 자료의 정의와 예외처리를 연구의 일부로 본다는 뜻이다.
에피소드는 구체적 알파·라벨·수익률을 공개하지 않는다. 외부자료 정제의 중요성을 특정 데이터의 예측력으로 바꿀 수 없다. 국내 검증에서는 기업식별·시점·단위·예외처리의 오류를 추적하고, 정제 전후 모델의 추가효과와 입력 오류를 각각 비교해야 한다.
SCOPE공식 팟캐스트의 작업방식 설명이다. 비공개 알파와 수익률은 확인할 수 없다.
Evidence & verification ↓쓰기를 멈추지 않고 연구하는 데이터베이스
새 자료가 계속 들어와도 큰 분석을 어떻게 실행하는가?
거래자료가 계속 기록되는 동안 연구자는 과거의 넓은 범위를 읽어 분석한다. Jane Street는 빠른 쓰기와 큰 분석조회라는 다른 요구를 지원하려고 Superstore를 구축했다고 설명한다. 필요한 열을 읽는 분산 컬럼형 데이터베이스로 기술 스택의 중심에 있다고 소개한다.
공식 에피소드는 첫 설계가 큰 하드웨어 구매로 이어졌고 이후 연구 클러스터 Hive의 계산자원 배분까지 다룬다고 밝힌다. 조회 기반과 계산 배분을 연결해 연구의 대기시간을 줄이려는 운영맥락이다. 투자규모만으로 조회성능이나 예측효과를 알 수는 없다.
구체적 거래모형과 손익 기여는 공개하지 않는다. 국내 도입은 쓰기량이 늘 때 읽기지연과 자료일관성이 어떻게 변하는지 측정하는 비교가 필요하다. 분석을 빨리 돌리는 기능과 최신 자료를 정확히 읽는 조건을 함께 확인해야 연구 생산성의 효과를 판단할 수 있다.
SCOPE회사 데이터베이스의 공개 소개다. 실제 모델과 손익 기여는 공개하지 않는다.
Evidence & verification ↓시뮬레이션의 비용감소는 실제 집행성과와 다르고 채권 쌍의 가격차도 전체 시장의 인과계수는 아니다. 데이터를 만드는 과정과 실행환경을 남겨야 각 결과의 조건을 재검토할 수 있다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
비용모형을 바꾸자 달라진 강화학습0 primary · 2 archived +
These 2 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 ↓학습 밖에서 주문을 막는 제약0 primary · 2 archived +
These 2 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 ↓같은 발행사 신채권에 붙은 높은 스프레드0 primary · 2 archived +
These 2 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 ↓외부자료를 신뢰할 수 있는 행으로 만드는 일0 primary · 3 archived +
These 3 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 ↓쓰기를 멈추지 않고 연구하는 데이터베이스0 primary · 3 archived +
These 3 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 연구 브리핑
2026년 9월 17일
조사 마감: 2026년 9월 17일 15:01 Asia/Seoul
중복 점검: 기존 게시 이력의 최근 브리핑(9월 11일)까지 제목과 원문 링크를 비교했다. 아래 다섯 자료는 기존 항목과 동일하지 않다.
선정 원칙: 퀀트회사 섹션에는 채용공고를 사용하지 않았고, 회사 공식 팟캐스트의 현직자 설명을 우선했다.
1. Realistic Market Impact Modeling for Reinforcement Learning Trading Environments
구분: 연구 논문 · 강화학습 실행 · 시장충격 모형
발표일: 2026년 3월 30일
선정: 최신성보다 실행 시뮬레이션의 기술적 가치 때문에 선정
핵심 요약
이 연구는 많은 공개 강화학습 백테스트가 거래비용을 고정값이나 사실상 0으로 놓아, 현실에서 유지되기 어려운 고회전 정책을 학습시킨다는 문제에서 출발한다. 저자들은 Almgren–Chriss 구조와 제곱근 시장충격 법칙을 반영한 세 가지 Gymnasium 환경을 만들고, 영구적 충격의 감쇠와 거래별 로그를 포함했다. arXiv 원문
A2C·PPO·DDPG·SAC·TD3를 NASDAQ-100 환경에서 비교한 결과, 비용 모형을 바꾸자 절대 성과뿐 아니라 알고리즘의 상대 순위와 회전율도 달라졌다. 논문은 특정 설정에서 일일 비용이 20만달러에서 8천달러로, 회전율이 19%에서 1%로 낮아진 사례를 보고하지만 이는 공개 시뮬레이션 결과이므로 실제 시장 성과로 일반화하면 안 된다. 논문의 실험 요약
실무 시사점
RL 실행 모델의 핵심 라벨은 단순 다음 가격이 아니라 구현손실, 체결률, 재고위험, 영구·일시적 시장충격을 함께 반영한 보상함수다. 비용 모형이 알고리즘 순위까지 바꾼다는 결과는 백테스트 엔진이 모델보다 먼저 검증돼야 한다는 뜻이다.
한국 시장 복제 아이디어
국채선물과 현물의 주문장 재생 환경에 주문 크기별 충격, 부분체결, 호가잔량 회복속도, 장중 유동성 구간을 넣는다. TWAP·수동 집행·PPO 정책을 같은 체결 시뮬레이터에서 비교하고, 평균 P&L보다 비용 후 구현손실과 꼬리손실을 운영 기준으로 삼는다.
2. Safe and Compliant Cross-Market Trade Execution via Constrained RL and Zero-Knowledge Audits
구분: 연구 논문 · 제약 강화학습 · 실행 통제
발표일: 2025년 10월 6일
선정: 최신성보다 리스크 한도와 감사 가능성을 실행 에이전트에 결합한 기술적 가치 때문에 선정
핵심 요약
이 논문은 주문집행을 제약 마르코프 의사결정과정으로 정의하고, 참여율 한도·가격 밴드·자전거래 방지 같은 규칙을 학습 외부의 실행 제약으로 둔다. 고수준 계획기와 PPO 실행 에이전트 사이에 action shield를 놓아 허용되지 않는 주문을 실행 가능한 영역으로 투영하는 구조다. arXiv 원문
저자들은 ABIDES 기반 다중시장 시뮬레이터에서 TWAP·VWAP과 비교하고, 지연 증가와 부분체결 등 스트레스 상황을 평가했다. 영지식 증명까지 붙인 감사 계층은 흥미롭지만, 공개 프리프린트의 시뮬레이션 결과이며 실제 거래소·브로커 환경에서 독립 검증됐다고 볼 수는 없다. 논문 원문과 한계
실무 시사점
수익 모델과 통제 모델을 한 신경망에 맡기지 않고, 예측→주문 제안→규칙 투영→감사 로그로 분리하면 kill switch와 사후 설명이 쉬워진다. 특히 손실한도나 참여율은 보상함수의 약한 패널티보다 실행 불가능한 hard constraint로 두는 편이 운영상 명확하다.
한국 시장 복제 아이디어
채권 딜러용 추천 시스템의 첫 단계에서 action shield를 독립 모듈로 구현한다. 종목별 순포지션, DV01, 호가단위, 일손실, 주문 빈도, 상대방 한도를 주문 직전에 검사하고, 거절·축소된 이유와 당시 모델 점수까지 immutable decision log로 남긴다.
3. AI 설비투자 채권 공급이 흔드는 회사채 상대가치
구분: 신뢰도 높은 시장 분석 · AI 인프라 부채 · 회사채 상대가치
발표일: 2026년 9월 10일
핵심 요약
Reuters Open Interest 분석은 최근 1년간 미국 하이퍼스케일러의 채권 발행이 약 2,200억달러에 달했다고 집계하고, 거대한 신규 공급이 기존 회사채 상대가치 규칙을 흔드는 사례를 제시한다. Reuters 원문
Oracle의 동일 만기·동일 선순위 채권 쌍에서는 더 크고 최근 발행된 종목이 오히려 19bp 높은 수익률과 22bp 넓은 스프레드로 거래됐고, Alphabet·Meta·Nvidia의 비교 가능한 쌍에서도 신규 대형물이 15~22bp 높은 사례가 관찰됐다. 분석은 이를 동일 위험의 채권은 비슷하게 가격화된다는 규칙보다 공급 흡수 부담이 우위에 선 현상으로 해석한다. 채권별 비교 수치
실무 시사점
신규 발행 프리미엄은 발행사 신용도만으로 설명되지 않으며, 발행 규모·딜러 재고·섹터 집중도·지수 편입 수요가 상대가치 라벨에 들어가야 한다. AI 테마를 방향성 전망으로만 쓰기보다 동일 발행사의 구채권과 신규채권 사이 잔차 스프레드로 보는 편이 더 거래 가능한 문제다.
한국 시장 복제 아이디어
회사채 종목쌍마다 민평 대비 스프레드 차이, 발행잔액, 신규 발행 후 경과일, 동일 그룹 공급량, 거래량을 묶은 matched-bond 패널을 만든다. 타깃은 5~20영업일 동안의 신규물-구물 스프레드 수렴폭으로 두고, 단순 신용등급 모형과 공급·유동성 변수를 추가한 모형의 OOS 성과를 비교한다.
4. Jane Street — 대체데이터를 거래 가능한 행으로 바꾸는 법
구분: 퀀트회사 공식 팟캐스트 · 현직 대체데이터 책임자
발표일: 2026년 9월 2일
채용공고 아님
확인 가능한 사실
Jane Street에서 10년 넘게 근무했고 현재 대체데이터 팀을 공동으로 이끄는 Eric Mannes는 위성사진·카드 패널·날씨처럼 지저분한 외부 정보를 거래전략이 신뢰할 수 있는 데이터셋으로 바꾸는 과정을 설명한다. 회사 공식 팟캐스트는 더 좋은 ML 모델일수록 세심한 데이터 엔지니어링의 가치가 커진다고 명시한다. Jane Street 공식 에피소드
에피소드는 원유선물이 음수가 됐던 날 어떤 시스템이 깨졌는지, 회사라는 법적·경제적 개체를 데이터에서 어떻게 정의하는지, 과거 리스크 시스템이 거대한 Excel 파일이었던 시기까지 다룬다. 공개자료가 밝히는 것은 데이터 신뢰성의 작업방식이며, 구체적인 알파·라벨·수익률은 공개하지 않는다. 공식 소개
공개자료 기반 추론
수익화 메커니즘은 대체데이터 자체보다 시점 정렬, 엔터티 매핑, 결측·수정 이력, 비정상 체제 처리에서 나온다고 추론할 수 있다. 다만 어떤 시장과 horizon에 이 데이터를 쓰는지는 공개되지 않았으므로 특정 전략으로 단정할 수 없다.
한국 시장 복제 아이디어
발행사·그룹·종목을 하나의 entity graph로 관리하고, 뉴스·공시·발행·브로커 문의의 원시 ID를 동일한 채권 유니버스에 매핑한다. 각 feature에 관측시각과 입수시각을 따로 저장해 point-in-time 오류를 차단하고, 음수 유가처럼 분포 밖 사건이 생겼을 때 값 삭제가 아니라 별도 regime flag를 남긴다.
5. Jane Street — 실시간 쓰기와 대규모 연구 조회를 함께 버티는 데이터웨어하우스
구분: 퀀트회사 공식 팟캐스트 · 연구 인프라 · 분산 데이터베이스
발표일: 2026년 6월 24일
채용공고 아님
확인 가능한 사실
Jane Street의 데이터베이스 인프라 엔지니어 Jacob Baskin은 거래 시스템 속도로 쓰기가 계속 들어오는 동안 폭넓은 분석 쿼리를 지원하기 위해 Superstore라는 분산 컬럼형 데이터베이스를 구축했다고 설명한다. 이 시스템은 현재 회사 기술 스택의 중심 구성요소라고 공식 소개돼 있다. Jane Street 공식 에피소드
공식 소개는 첫 설계 문서가 8자리 달러 규모의 하드웨어 구매로 이어졌고, 이후 Baskin이 대규모 연구 클러스터 Hive의 컴퓨팅 자원 배분 방식까지 연구하고 있다고 밝힌다. 이는 Jane Street가 모델뿐 아니라 데이터 쓰기·조회와 연구 컴퓨트 배분을 하나의 연구 생산성 문제로 본다는 사실을 보여주지만, 구체적인 거래모델과 P&L 기여도는 공개되지 않았다. 공식 에피소드 목록
공개자료 기반 추론
연구→production→P&L 피드백을 줄이려면 야간 배치만 빠른 저장소보다 장중 데이터가 들어오는 즉시 동일 스키마로 연구자가 조회할 수 있는 구조가 중요하다. 다만 공개자료만으로 Superstore의 내부 지연시간이나 종목별 사용 방식을 알 수는 없다.
한국 시장 복제 아이디어
호가·체결·포지션·주문결과를 append-only 이벤트로 저장하고, 연구용 컬럼 저장소에는 point-in-time snapshot을 제공한다. 컴퓨트 자원은 사용자별 선착순이 아니라 실험 우선순위·예상시간·GPU 요구량을 기록한 큐로 배분하고, 성공한 실험이 같은 feature 정의로 실시간 추론까지 이어지는지 추적한다.
오늘의 데스크 결론
오늘의 공통점은 모델의 정확도보다 모델이 믿을 수 있는 환경을 먼저 만드는 것이다. 현실적인 시장충격과 hard constraint가 없는 RL은 종이 위 성과에 그칠 수 있고, AI 설비투자발 대규모 채권 공급은 기존 상대가치 규칙 자체를 흔들 수 있다. Jane Street의 공개자료도 edge가 신경망 한 개가 아니라 신뢰 가능한 행 데이터와 연구자가 즉시 조회할 수 있는 인프라에서 시작된다는 점을 보여준다.
한국 채권 AI의 우선순위는 체결 시뮬레이터 → action shield → point-in-time 데이터웨어하우스 → 모델 순서가 적절하다. 모델 판단마다 입력 데이터 버전, 비용 가정, 제약 통과 여부, 실제 체결과 사후 mark-out을 연결하면 연구 결과가 운영 가능한 P&L로 바뀌는 구간을 측정할 수 있다.