합성 달러 조달의 딜러별 가격을 분리한다
영란은행의 9월 18일 워킹페이퍼는 같은 통화쌍, 같은 30분, 같은 만기의 FX 포워드만 비교해 공통 곡선을 걷어냈다. 그 뒤에도 딜러별 합성 달러 조달가격의 표준편차가 연율 약 4bp 남았고, 달러 선도매수에는 선도매도보다 평균 2.5bp가 더 붙었다. 1개월 미만 만기에서는 방향 간 격차가 11.8bp까지 커졌다.
합성 달러 조달은 FX 포워드를 이용해 다른 통화를 달러처럼 조달하는 거래다. 연구는 자금조달비용 차이가 가격 분산을 거의 설명하지 못하고 고객군과 딜러의 가격결정력이 중요하다고 본다. 따라서 채권 헤지의 비용 입력은 단일 중간값이 아니라 딜러·방향·만기별 실행가능 가격이어야 한다.
국내에서는 원/달러 FX 스왑과 통화스왑 RFQ를 패널로 쌓고, 공통 곡선을 제거한 잔차를 예측한다. 최저 호가만 찾지 말고 응답확률, 한도, 담보비용, 체결 뒤 mark-out을 합친 총비용을 비교해야 한다.
AI 거래모델의 목표함수와 재학습을 기록한다
AFM의 AI 자본시장 보고서는 AI 시장조성 모델이 단기 가격과 주문흐름을 예측해 역선택을 줄이고 더 촘촘한 호가를 낼 수 있다고 설명한다. 동시에 너무 좁은 보상함수는 모델이 스푸핑과 비슷한 행동이나 다른 모델과의 암묵적 동조를 학습하게 할 수 있다고 경고한다.
핵심은 모델 승인 문서가 아니라 살아 있는 변경 이력이다. AFM은 모델 버전, 재학습 이력, 목적함수 변경, 사람의 개입 로그를 남기고 재학습 뒤에도 무결성 제약이 유지되는지 확인할 것을 제안한다. 배포 전 정확도가 좋아도 운영 중 목표가 틀어지면 안전하다고 볼 수 없다는 뜻이다.
국고채·회사채 전자호가 모델에는 비-AI 주문 방화벽을 둔다. 가격 밴드, 수량, DV01, 일손실, 메시지 빈도를 강제로 제한하고 여러 모델이 같은 수급 신호를 볼 때 동시 청산이 시장 깊이에 미치는 영향도 시험한다.
국채 차익거래를 공통 조달제약으로 묶어 본다
연준의 국채 익스포저 분해는 Form PF의 현물, 파생, 레포, 듀레이션 자료를 결합한다. 2025년 9월 대형 헤지펀드의 총 미 국채 익스포저는 4조달러였고, 롱 2.4조달러 가운데 현물–선물 베이시스가 약 8,300억달러, 스왑스프레드 거래가 약 3,050억달러로 추정됐다.
전략 이름은 달라도 공통 병목은 레포와 증거금이다. 2025년 4월 충격에는 스왑스프레드 포지션 약 600억달러가 한 달 만에 줄었고, 상위 50개 펀드가 총 익스포저의 약 90%를 차지했다. 다만 거래별 신고가 아니라 보고자료로 만든 근사치라는 한계도 함께 읽어야 한다.
한국 시장에서는 국고채 현물·선물·IRS·레포를 10년물 환산 DV01로 맞추고 전략 프록시를 만든다. 레포 헤어컷과 선물 증거금이 동시에 오르는 시나리오에서 어느 포지션이 먼저 축소되고 딜러가 얼마나 흡수할 수 있는지를 본다.
AQR이 말하는 인간의 역할은 새로운 검정을 만드는 일이다
AQR의 9월 10일 공식 기고는 AI가 정보처리, 가설검정, 포트폴리오 최적화를 자동화할수록 사람의 역할이 사라지는 것이 아니라 달라진다고 말한다. 문제를 새로 정의하고 반증 가능한 검정을 설계하는 능력이 더 희소해진다는 주장이다.
공개자료로 확인되는 것은 AQR의 연구문화와 역할 분담이며 특정 모델, 라벨, 전략별 수익은 아니다. 공개자료에 기반한 실무 추론은 분명하다. AI가 많은 결과를 빠르게 만들수록 사전 가설과 실패조건을 고정하지 않으면 다중검정과 사후 서사가 성과를 부풀린다.
국내 연구 노트에는 경제적 메커니즘, 예상 부호, 유효기간, 실패조건을 백테스트 전에 적는다. AI는 데이터 매핑과 강건성 검사를 돕되 독립 OOS 생존율과 비용 후 P&L이 통과 여부를 결정하게 한다.
Two Sigma가 경계하는 AI 가설의 백테스트 오염
Two Sigma의 2026 전망 Part II는 LLM을 알파 탐색뿐 아니라 내부 플랫폼, 생산환경, 사고관리, 법무·컴플라이언스에 연결한다고 밝힌다. 원자료를 새로운 예측 특성으로 바꾸는 시간이 수개월에서 수일로 줄 수 있다는 설명은 연구→생산 루프가 어디서 짧아지는지를 보여준다.
속도에는 새로운 함정이 따른다. 회사 연구책임자는 AI 에이전트가 대량의 가설을 만들면 백테스트 과적합이 심해지고, 사전학습 LLM이 팬데믹 같은 과거 사건을 이미 알고 있어 지식 마감 이전 구간이 진정한 미관측 검증이 아닐 수 있다고 지적한다. 구체적 알파와 P&L은 공개하지 않았으므로 수익효과는 확인 가능한 사실이 아니다.
LLM 실험에는 모델 버전, 지식 마감, 프롬프트, 검색자료를 남기고 최종 홀드아웃은 한 번만 연다. 중복 신호를 군집화하고 false discovery rate와 거래비용을 통과한 소수만 shadow 운용으로 보내며, 생산 주문에는 독립 위험한도를 둔다.
읽고 나서 남는 질문
다음 실험은 평균 시장가격 하나 대신 거래상대방·방향·조달조건을 가진 실행가능 가격을 예측하고, 그 위에 독립 주문통제와 순차 홀드아웃을 두는 방식이 적합하다. AI가 더 많은 아이디어를 만드는 만큼 적게 통과시키고, 통과한 모델은 배포 뒤 행동까지 같은 식별자로 추적해야 한다.
편집 전 브리핑 원문 펼치기
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.