딜러마다 다른 합성 달러 가격
같은 FX 포워드도 딜러마다 달러 가격이 다른가?
FX 포워드는 미래의 통화교환 가격을 지금 정하는 거래다. 공통 환율과 만기효과를 제거하지 않으면 딜러의 가격차와 시장변화를 섞게 된다. 영란은행은 동일 통화쌍·30분 구간·만기 묶음으로 비교해 딜러 고유 가격을 분리했다.
딜러별 가격의 표준편차는 연율 약 4bp였다. 달러 선도매수는 선도매도보다 평균 2.5bp 더 붙었고 1개월 미만에서는 격차가 11.8bp로 커졌다. bp는 비율의 작은 차이를 나타내는 단위다. 연율 가격차와 계약의 실제 지급액을 구분해야 한다.
공식 요약은 조달비용 차이가 분산을 거의 설명하지 못하고 고객군과 가격결정력이 더 중요하다고 보고한다. 동일 시장조건에서도 상대방의 협상·거래환경이 가격에 남는다는 해석이다. 평균 비교를 개별 견적의 부당성이나 국내 동일 계수로 일반화하기 어렵다.
SCOPE영국 표본의 연율 가격비교다. 국내 시장이나 개별 거래의 확정 가격차가 아니다.
Evidence & verification ↓목표함수까지 남기는 거래모델 감독
거래 AI의 기록에는 목적함수까지 왜 남겨야 하는가?
가격예측이 좋아져도 거래모델이 보상을 얻는 행동이 시장규칙에 맞는지 별도로 확인해야 한다. AFM은 사전거래·집행·사후거래의 AI 활용을 분석한다. 주문흐름과 단기 가격 예측이 역선택을 줄이고 호가를 좁힐 수 있다는 효율 경로를 설명한다.
동시에 좁은 보상함수는 체결 의사 없는 주문으로 시장을 오도하는 스푸핑과 닮은 행동이나 암묵적 공조를 학습할 위험이 있다. 공통 자료·목표는 모델 간 피드백을 키울 수도 있다. 실제 사고를 보고한 것이 아니라 어떤 목표를 학습시키고 제한했는지가 감독상 중요하다는 위험 분석이다.
AFM은 모델버전·재학습 이력·목적함수 변경·사람 개입 로그를 남기라고 제안한다. 배포 뒤에도 무결성 제약이 작동하는지 입증해야 한다. 국내 검증에서도 성과지표와 규칙준수 시험을 나누고 변경 전후 어떤 주문이 달라졌는지 재현할 수 있어야 한다.
SCOPE위험·감독 분석이다. 특정 시장의 조작이나 공조 발생을 입증하지 않는다.
Evidence & verification ↓총 익스포저를 전략으로 나눈 근사치
국채 익스포저를 베이시스 거래량으로 바로 읽어도 되는가?
같은 국채 롱도 금리방향 투자인지 선물·스왑과 맞춘 상대가치인지에 따라 위험이 다르다. 연준은 Form PF의 현물·파생·레포·듀레이션 자료를 결합해 대형 펀드의 롱을 용도별로 나눈다. 거래별 신고를 읽은 것이 아니라 보고합계에서 전략을 근사한 분석이다.
현물·선물 베이시스는 약 8,300억달러로 롱의 35%, 스왑스프레드는 약 3,050억달러로 13%였다. 같은 국채 보유라도 반대쪽 파생과 자금조달이 달라 별도로 분류한다. 추정치는 모형과 보고자료가 맞는 범위이지 모든 실제 주문을 직접 관측한 값은 아니다.
2025년 4월 충격 때 스왑스프레드 포지션 약 600억달러가 한 달에 줄었고 상위 50개 펀드가 총 익스포저 약 90%를 차지했다. 빠른 축소와 높은 집중도는 조달·증거금·동시행동을 함께 보게 한다. 이는 보고자료의 근사치이며 미래 청산량을 확정하지 않는다. 국내에서도 분류오차와 여러 용도를 고려해야 한다.
SCOPE보고자료와 일치하는 근사치다. 전략별 정확한 포지션이나 향후 청산량을 직접 관측하지 않는다.
Evidence & verification ↓AI 위에 남는 경제적 질문
연구를 자동화해도 사람에게 남는 질문은 무엇인가?
같은 자료에서 정해진 검정을 빨리 돌리는 일과 무엇을 검정해야 하는지 고르는 일은 다르다. AQR 기고는 AI가 정보처리와 가설검정·최적화를 자동화할수록 문제를 다시 정의하는 능력이 차별화된다고 설명한다. 연구속도와 질문의 경제적 타당성을 구분한다.
새 질문에는 틀렸다는 것을 확인할 검정도 필요하다. 이미 좋은 결과를 낸 가설을 반복 확인하는 대신 다른 설명과 구분할 조건을 설계하는 역할이다. 공개 기고는 사람과 AI의 역할분담 및 연구문화에 관한 회사의 관점을 제공한다.
특정 가설의 예측력·비용후 수익이나 모델 라벨은 공개하지 않는다. 창의성에 관한 주장을 알파의 증거로 옮길 수 없다. 국내 자동화에서도 실행시간과 함께 대안가설·반증조건·탈락 결과를 기록해야 많은 아이디어 중 우연한 성공만 남기는 오류를 줄일 수 있다.
SCOPE연구문화의 기고다. 창의적 질문의 수익성이나 특정 모델 우위는 검증하지 않는다.
Evidence & verification ↓과거 사건을 이미 아는 연구 에이전트
과거 데이터만 준 연구 에이전트는 그 사건을 모르는가?
연구 에이전트에 과거 시점까지의 파일만 줘도 모델이 그 이후 사건을 사전학습으로 알 수 있다. Two Sigma 전망은 팬데믹과 AI 붐 같은 사건을 이미 알고 있는 언어모형의 과거 평가 문제를 지적한다. 데이터의 시점통제와 모델 지식의 시점통제는 다르다.
회사 임원은 원자료를 특징으로 바꾸는 시간이 수개월에서 수일로 줄 수 있다고 설명한다. 동시에 많은 가설 생성은 백테스트 과적합을 악화시킬 수 있다. 빨리 찾은 최고 결과가 미관측 시장에서 유지될지는 별도 평가가 필요하다.
전망은 내부 플랫폼·생산·사고관리 등 활용과 배포 후 모니터링도 논의한다. 구체적 알파·모형성과·손익은 공개하지 않는다. 국내 검증에서는 알려진 과거 사건의 재생과 새로 들어오는 미래자료 평가를 구분하고, 생성한 후보 전체를 기록해 선택효과를 점검해야 한다.
SCOPE회사 전망과 가능성 주장이다. 과거정보 제거가 완전하거나 수익효과가 검증됐다고 볼 수 없다.
Evidence & verification ↓가격차의 비교조건과 포지션 추정의 측정방법을 보존해야 위험을 읽을 수 있다. 연구 에이전트에서도 과거 시점의 데이터만 주는 것과 모델이 그 사건을 모르는 것은 다른 조건이다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
딜러마다 다른 합성 달러 가격0 primary · 1 archived +
These 1 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 ↓목표함수까지 남기는 거래모델 감독0 primary · 1 archived +
These 1 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 ↓총 익스포저를 전략으로 나눈 근사치0 primary · 1 archived +
These 1 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 ↓AI 위에 남는 경제적 질문0 primary · 1 archived +
These 1 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 ↓과거 사건을 이미 아는 연구 에이전트0 primary · 1 archived +
These 1 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 19일
조사 마감: 2026년 9월 19일 06:36 (Asia/Seoul)
원문 열람일: 2026년 9월 19일
중복 점검: 기존 48개 브리핑과 2026년 9월 18일 게시물을 대조했으며, 전날의 Banca d’Italia·ECB·G-Research·XTX 자료와 겹치지 않는 원문을 선정했다.
1. Bank of England — 합성 달러 조달에는 딜러마다 다른 가격이 있다
구분: 중앙은행 워킹페이퍼·시장미시구조
발표일: 2026년 9월 18일
핵심 요약
영란은행 Staff Working Paper No. 1,207은 동일 통화쌍·30분 구간·만기 버킷의 FX 포워드를 비교해 공통 포워드 곡선을 제거하고 딜러 고유 가격을 분리했다. 딜러별 가격의 표준편차는 연율 약 4bp였고, 달러 선도매수에는 선도매도보다 평균 2.5bp가 더 붙었으며 1개월 미만 만기에서는 격차가 11.8bp로 확대됐다. 공식 요약은 자금조달비용 차이가 분산을 거의 설명하지 못하고 고객군과 가격결정력이 더 중요하다고 보고한다.
실무 시사점
하나의 시장 중간값만 쓰면 실제 거래상대방별 조달비용과 베이시스 위험을 놓친다. 채권·FX 스왑 헤지에서는 딜러, 방향, 만기, 시간대별 실행가능 가격을 별도 상태변수로 두고 RFQ 응답률과 체결 후 mark-out까지 평가해야 한다.
한국 시장 복제 아이디어
원/달러 FX 스왑과 통화스왑 RFQ를 딜러×방향×만기×시간대 패널로 만들고, 공통 곡선을 제거한 잔차를 예측 타깃으로 둔다. 고객관계 변수는 규정에 맞게 집계·익명화하고, 최저 호가 선택보다 체결확률·한도·담보비용을 합친 총조달비용을 최적화한다.
2. AFM — AI 거래모델은 목표함수와 재학습 이력까지 감독해야 한다
구분: 금융감독기관 분석보고서·AI 시장무결성
발표일: 2026년 4월
핵심 요약
네덜란드 금융시장감독청(AFM) 보고서는 AI가 사전거래·집행·사후거래 전 단계에서 가격형성과 효율을 개선할 수 있지만, 공통 데이터와 목표가 모델 간 피드백을 키울 수 있다고 분석한다. 시장조성 모델은 단기 가격과 주문흐름을 예측해 역선택을 줄이고 스프레드를 좁힐 수 있으나, 좁은 보상함수는 스푸핑과 유사한 행동이나 암묵적 공조를 학습할 위험이 있다. AFM은 모델 버전, 재학습 이력, 목적함수 변경, 개입 로그를 남기고 배포 뒤에도 무결성 제약이 작동하는지 입증해야 한다고 제안한다.
실무 시사점
수익·슬리피지 최소화만을 보상으로 두지 말고 주문취소율, 가격충격, 상대방별 불리한 체결, 규칙 위반을 독립 통제층에서 감시해야 한다. 모델 승인 시점의 테스트만으로는 부족하며 재학습마다 동일한 시장남용 시나리오와 kill switch 검증을 반복해야 한다.
한국 시장 복제 아이디어
국고채·회사채 전자호가 에이전트에 비-AI 주문 방화벽을 두고 가격 밴드, 수량, DV01, 일손실, 메시지 빈도를 강제한다. 시뮬레이터에는 여러 에이전트가 같은 외국인 수급·선물 베이시스를 볼 때의 동조 청산을 넣어 개별 P&L과 시장 깊이를 함께 스트레스 테스트한다.
3. Federal Reserve — 헤지펀드 미 국채 익스포저를 일곱 전략으로 분해하다
구분: 중앙은행 FEDS Note·국채시장 리스크
발표일: 2026년 6월 22일
핵심 요약
연준 FEDS Note는 Form PF의 현물·파생·레포·듀레이션 자료를 결합해 대형 헤지펀드의 미 국채 롱 익스포저를 일곱 용도로 분해했다. 2025년 9월 총 익스포저는 4조달러, 롱은 2.4조달러였고 현물–선물 베이시스 거래는 약 8,300억달러(롱의 35%), 스왑스프레드 차익거래는 약 3,050억달러(13%)로 추정됐다. 2025년 4월 충격에는 스왑스프레드 포지션 약 600억달러가 한 달 만에 줄었고, 상위 50개 펀드가 총 익스포저의 약 90%를 차지했다. 저자는 거래별 신고가 아니므로 이 수치를 정확한 포지션이 아니라 보고자료와 일치하는 근사치로 보라고 명시한다.
실무 시사점
베이시스·스왑스프레드·커브 거래는 평상시 상관이 낮아 보여도 레포, 증거금, 딜러 대차대조표라는 공통 제약으로 동시에 축소될 수 있다. AI 리스크 모델은 예상수익뿐 아니라 조달 중단, 마진 상향, 호가 공백을 입력해 전략별 청산압력과 딜러 흡수능력을 계산해야 한다.
한국 시장 복제 아이디어
국고채 현물·3년/10년 선물·IRS·레포를 펀드 또는 데스크 단위의 10년물 환산 DV01로 맞추고, 현물–선물·스왑스프레드·커브 포지션 프록시를 구축한다. 프록시에는 신뢰구간을 붙이고 레포 헤어컷 상승과 선물 증거금 상향을 동시에 충격으로 주어 강제 축소 순서를 추정한다.
4. AQR — AI 시대의 퀀트 우위는 가설을 새로 만드는 사람에게 남는다
구분: 퀀트회사 공식 기고·AI 연구운영
발표일: 2026년 9월 10일
핵심 요약
AQR 공동창업자 David Kabiller의 공식 기고는 AI가 정보처리, 가설검정, 포트폴리오 최적화를 자동화할수록 문제를 재정의하고 새로운 검정을 설계하는 능력이 차별화된다고 설명한다. AQR이 확인 가능한 범위에서 밝힌 것은 사람과 AI의 역할 분담 및 연구문화이며, 특정 모델·라벨·전략별 수익은 공개하지 않았다. 따라서 창의적 가설이 곧 알파라는 결론은 낼 수 없지만, 표준화된 분석을 빠르게 수행하는 AI 위에 독립적인 경제적 질문과 반증 절차를 두려는 조직 설계는 확인할 수 있다.
실무 시사점
AI가 만든 수백 개 신호를 모두 백테스트하면 다중검정과 사후 서사가 손익을 부풀린다. 가설 제출 전에 경제적 메커니즘, 예상 부호, 유효기간, 실패조건을 고정하고 모델이 만든 코드와 결과는 별도 검토자가 재현해야 한다.
한국 시장 복제 아이디어
연구 노트에 ‘왜 이 신호가 채권 현금흐름·수급·유동성에 영향을 주는가’를 먼저 적고, AI는 데이터 매핑과 강건성 검사를 가속하는 도구로 쓴다. 연구자별 아이디어 수보다 독립 OOS 생존율, 비용 후 P&L, 폐기된 가설의 기록 품질을 KPI로 둔다.
5. Two Sigma — AI 에이전트가 가설을 늘릴수록 백테스트 오염을 더 경계한다
구분: 퀀트회사 공식 전망·연구 및 생산 모니터링
발표일: 2026년 1월 21일
핵심 요약
Two Sigma 공식 2026 전망은 LLM을 알파 탐색뿐 아니라 내부 플랫폼, 생산환경, 사고관리, 법무·컴플라이언스 워크플로에 연결하고 있다고 밝힌다. 회사 임원들은 AI가 원자료를 예측 특성으로 바꾸는 시간을 수개월에서 수일로 줄일 수 있다고 설명하는 동시에, 대량의 가설 생성이 백테스트 과적합을 더 악화시킬 수 있다고 경고한다. 특히 사전학습 LLM이 지식 마감 이전의 팬데믹·AI 붐을 이미 알고 있어 과거 구간 테스트가 진정한 미관측 국면 검증이 아닐 수 있다는 지적과 배포 후 세심한 모니터링 필요성을 함께 제시한다. 공개자료는 구체적인 알파·모델 성과·P&L을 밝히지 않으므로 수익효과는 확인할 수 없다.
실무 시사점
LLM을 쓴 연구는 모델 버전과 지식 마감, 프롬프트, 검색자료를 실험 메타데이터로 저장해야 한다. 가설 생성 속도가 빨라진 만큼 홀드아웃을 한 번만 열고, 현실시간 기준 순차 검증과 배포 뒤 드리프트·사고 로그를 같은 실험 ID로 연결해야 한다.
한국 시장 복제 아이디어
금통위·국발계·신평 보고서에서 LLM이 만든 후보 특성을 격리된 연구 큐에 넣고, 지식 마감 이후 데이터에서만 최종 검증한다. 중복 신호 군집화, false discovery rate, 거래비용 후 성과를 통과한 소수만 shadow 운용으로 보내며 생산 주문에는 독립 위험한도를 유지한다.