FIXED INCOME / FIELD NOTES

공통 모델과 공통 조달이 만드는 시장의 연결

AI의 자율권한을 늘리는 문제와 국채 상대가치를 거래하는 문제는 공통 의존성을 점검할 때 만난다. 같은 모델과 조달조건이 여러 참가자의 행동을 묶는 경로를 살펴보고, 저장방식과 팩터 분해가 연구의 검증을 어떻게 돕는지 설명한다.

01

여러 회사가 같은 AI 모델에 거래권한을 주면 어떤 위험이 생기는가?

AI를 문서작성에 쓰는 일과 투자추천·거래를 자율적으로 맡기는 일은 권한의 범위가 다르다. ECB 연설은 유로지역 주요 은행의 거의 90%가 생성형 AI를 쓰고 EU 증권시장 회사의 70%가 AI 투자를 늘릴 계획이라고 설명한다. 반면 투자추천·거래에 자율·반자율 권한을 준 자산운용사는 5%였다. 서로 다른 업종·활동의 비율이므로 이를 같은 분모의 도입률처럼 비교하면 안 된다.

여러 기관이 소수의 공통 모델에 의존하면 충격을 해석하는 방식이 비슷해질 수 있다. 각 회사가 독립적으로 판단한다고 생각해도 입력과 모델이 겹치면 비슷한 주문이 동시에 나오는 경로가 열린다. 연설은 이런 의존성과 에이전트가 주어진 목표를 잘못 해석하는 정렬 문제를 함께 다룬다.

공유 기술에 대한 사이버공격이나 모델 접근 중단도 여러 기관에 동시에 영향을 줄 수 있다. 이는 특정 모델이 반드시 거래사고를 일으킨다는 실험결과가 아니라 공통 의존성과 권한이 결합할 때의 감독상 위험평가다. 자율권한이 커질수록 사용기관 수만 세는 점검에서 행동과 중단조건까지 보는 점검으로 범위를 넓혀야 한다.

SCOPE연설의 위험평가이며 사고확률이나 손익을 추정한 연구가 아니다. 공통 모델을 쓰는 모든 기관이 같은 주문을 낸다고 단정하지 않는다.

Evidence & verification ↓
02

국채 상대가치 거래는 가격차가 좁아지기 전 어떤 현금이 필요한가?

현물 국채가 스왑보다 싸면 국채를 사고 반대 금리노출을 파생상품으로 만들 수 있다. BIS는 미국·영국·유로지역·일본에서 이 상대가격을 비교했다. 네 시장의 국채 저평가 공통변동 중 83%를 하나의 요인이 설명해 국가별 거래도 공통 위험에 크게 연결돼 있음을 보였다. 가격차의 축소를 보장하는 결과는 아니다.

이 거래의 규모도 중요하다. 미국 현물·선물 베이시스 거래는 2025년 3분기 약 8,300억달러로 추정됐고, 스왑스프레드 거래는 최근 1년 약 1,000억달러에서 3,000억달러로 늘었다. 서로 다른 전략의 추정치이며 전체를 같은 거래로 합칠 수 없다. 현물은 레포로 조달하고 파생상품에는 증거금을 내므로, 가격차가 줄 때까지 포지션을 유지할 현금이 필요하다.

레포금리와 담보차감률, 파생상품 변동성과 증거금이 함께 상승하면 양쪽 거래가 모두 압박받는다. BIS 분석은 가격의 상대적 저평가와 자금의 지속가능성을 함께 보게 한다. 관측된 거래규모나 공통변동이 향후 가격수렴의 속도 또는 무위험 수익을 보장하는 것은 아니다.

SCOPE거래규모는 추정치이며 모든 레버리지 포지션을 직접 관측한 것은 아니다. 가격차의 설명을 수익 보장으로 읽지 않는다.

Evidence & verification ↓
03

AI의 정보처리가 좋아지면 정보우위는 누구에게 모이는가?

문서·뉴스·대체데이터에서 가격에 필요한 정보를 추출하려면 자료를 확보하고 정제하며 계산을 반복해야 한다. ECB 논의문은 AI가 이 과정을 바꿔 의사결정과 가격발견을 개선할 가능성을 설명한다. 동시에 자료와 계산자원을 더 많이 가진 기관이 그 변화를 먼저 활용할 수 있다고 본다.

정보생산에는 처음 구축할 때 드는 고정비가 크고 자료가 많을수록 활용범위가 넓어지는 규모의 경제가 있다. 연구는 이 비용구조 때문에 AI가 정보격차를 줄이는 효과만 갖지 않을 수 있다고 정리한다. 정보처리 효율이 좋아져도 그 기반을 보유한 소수 기관으로 우위가 집중될 가능성이 남는다.

비슷한 자료와 모델이 널리 쓰이면 새 정보가 가격에 빨리 반영될 수 있다. 스트레스에서는 같은 해석에 따라 행동이 몰릴 가능성도 생긴다. 문헌과 정책 쟁점을 종합한 논의이므로 특정 모델의 초과수익이나 시장집중의 크기를 새로 추정한 것은 아니다. 정보효율과 행동다양성을 별도로 측정해야 하는 이유를 제시한다.

SCOPE문헌 종합의 가능성 논의다. AI가 특정 시장의 유동성이나 수익률을 얼마나 바꿨는지 식별한 추정치는 아니다.

Evidence & verification ↓
04

필요한 특징만 읽는 저장방식은 어떻게 연구시간을 줄이는가?

많은 특징을 저장했어도 한 실험에서 쓰는 특징은 일부일 수 있다. 모든 열을 매번 읽으면 계산 전 데이터 이동에 시간을 쓴다. G-Research의 Parquet 글은 열을 별도로 저장해 필요한 특징만 조회하는 구조를 설명한다. 금융자료가 커질수록 저장형식이 연구비용과 조회성능에 영향을 준다는 문제다.

Parquet은 행 묶음을 병렬처리 단위로, 각 열의 묶음을 선택적 읽기 단위로 사용한다. 더 작은 페이지에서는 인코딩과 압축을 적용한다. 필요 없는 열을 제외하는 컬럼 가지치기와 필터에 맞지 않는 구간을 읽기 전에 거르는 조건 푸시다운을 통해 데이터 이동을 줄인다.

같은 값이 반복되거나 값의 차이가 작을 때 적합한 인코딩은 저장량을 줄일 수 있다. 다만 압축을 풀고 값을 복원하는 CPU 작업이 늘 수 있어 파일 크기만으로 우열을 판단하면 안 된다. 공개 글은 이런 절충을 설명하며 실제 거래신호나 손익효과는 공개하지 않는다. 자료의 모양과 조회패턴에 맞춘 비교가 필요하다.

SCOPE저장구조의 공개 기술 설명이다. 특정 압축설정이 모든 채권자료에 가장 빠르거나 모델 성능을 높인다고 일반화하지 않는다.

Evidence & verification ↓
05

좋은 예상수익은 시장위험 노출과 어떻게 구분하는가?

여러 종목의 가격이 같은 방향으로 움직이면 각각의 종목 위험을 독립적으로 더할 수 없다. HRT 글은 공통 움직임을 소수 팩터로 표현하고 남은 부분을 개별 위험으로 나누는 모형을 설명한다. 모든 종목쌍의 공분산을 직접 추정하는 부담을 줄이고 위험추정을 안정화하려는 접근이다.

예상수익에도 공통 팩터에 기울어진 부분이 섞일 수 있다. 이를 팩터 방향 노출과 팩터로 설명되지 않는 나머지 예측수익인 직교 알파로 분리하면 어떤 위험을 늘리며 수익을 기대하는지 확인할 수 있다. 가격예측을 포트폴리오로 옮길 때 수익전망과 위험제약을 연결하는 과정이다.

사후 손익도 공통 팩터와 개별 부분, 각각의 방향과 시점 선택으로 나눠 해석한다. 시장 전체가 유리했던 기간의 수익과 종목선택의 기여를 구별할 수 있다는 뜻이다. 공개된 주식 기본모형이 HRT의 실제 전략을 그대로 보여주는 것은 아니며, 채권에서는 금리곡선·신용·유동성에 맞는 요인 정의가 추가로 필요하다.

SCOPE공개 예시는 주식용 기본모형이다. 실제 HRT의 신호·딥러닝 모형·거래비용·손익을 확인한 자료는 아니다.

Evidence & verification ↓
AFTER READING

정보가 빨리 가격에 반영되는 것과 충격 때 거래가 몰리는 것은 함께 나타날 수 있다. 시장 분석에서는 공통 모델·공통 조달을, 모델 검증에서는 필요한 데이터와 실제 위험노출을 각각 확인해야 한다.

Sources & evidence

Original passages appear only when checked against the publication. Earlier briefing records are identified separately.

자율권한과 공통모델이 만날 때0 primary · 1 archived +
EARLIER BRIEFING RECORD

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 ↓
Publication links ↑
국채 상대가치의 두 현금 부담0 primary · 1 archived +
EARLIER BRIEFING RECORD

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 ↓
Publication links ↑
정보를 빨리 읽는 비용과 집중0 primary · 1 archived +
EARLIER BRIEFING RECORD

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 ↓
Publication links ↑
필요한 열만 읽는 금융데이터0 primary · 1 archived +
EARLIER BRIEFING RECORD

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 ↓
Publication links ↑
예상수익 안에 섞인 팩터 노출0 primary · 1 archived +
EARLIER BRIEFING RECORD

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 ↓
Publication links ↑
Show the original briefing text

채권시장 AI 연구 브리핑

2026년 10월 3일

조사 마감: 2026년 10월 3일 15:25 (Asia/Seoul)
원문 열람일: 2026년 10월 3일
중복 점검: 기존 59개 브리핑과 295개 연구의 제목·URL을 대조했다. 9월 30일~10월 2일은 원문이 없어 소급 생성하지 않았다. 1~3번은 최근 ECB·BIS 1차 자료, 4~5번은 채용공고가 아닌 퀀트회사 공식 기술 글이다. 공개되지 않은 전략·라벨·P&L은 확인 가능한 사실과 구분했다.

1. ECB: 에이전트형 AI의 자율성과 공통모델 의존이 한 위험으로 만난다

구분: 중앙은행·금융안정 및 AI 에이전트
발표일: 2026년 10월 1일

핵심 요약

ECB 총재의 ESRB 연설은 유로지역 주요 은행의 거의 90%가 생성형 AI를 사용하고, EU 증권시장 회사의 70%가 AI 투자를 늘릴 계획이라고 설명한다. 자율·반자율 권한을 투자추천이나 거래에 부여한 자산운용사는 아직 5%에 그치지만, 소수의 공통 프런티어 모델에 경쟁적으로 의존하면 충격을 비슷하게 해석하고 같은 방향으로 거래할 수 있다. 에이전트가 목표를 잘못 해석하거나 인간에게 이유를 숨기는 정렬 실패, 공유 기술에 대한 사이버공격과 모델 접근 중단이 서로 결합될 수 있다는 것이 핵심 경고다. 이는 감독당국의 위험평가이며 특정 거래전략의 손익이나 사고발생률을 예측한 수치는 아니다.

실무 시사점

채권 AI는 모델별 손실한도만으로 통제하기 어렵다. 공통 기초모델·데이터·클라우드 의존도를 지도화하고, 여러 모델이 동시에 듀레이션을 줄일 때 예상 매도 DV01과 호가깊이 소진을 스트레스 지표로 관리해야 한다.

한국 시장 복제 아이디어

국고채·회사채·IRS 모델마다 기초모델, 데이터 공급자와 실행권한을 등록하고 행동 상관계수를 정기 산출한다. 독립 가격밴드·수량·DV01 한도와 외부 kill switch를 두고, 모델 접근 중단 시 수동호가 전환과 주문취소·포지션 복구를 훈련한다.

2. BIS: 국채–스왑 상대가치는 레포와 증거금 충격에 동시에 노출된다

구분: 국제기구 Quarterly Review·국채 시장미시구조
발표일: 2026년 9월 14일

핵심 요약

BIS의 국채 상대가치 분석은 미국·영국·유로지역·일본에서 현물 국채가 금리스왑보다 싸지면서 레버리지 투자자가 국채의 한계 매수자로 부상했다고 설명한다. 미국 현물–선물 베이시스 거래는 2025년 3분기 약 8,300억달러로 추정됐고, 스왑스프레드 거래는 최근 1년 동안 약 1,000억달러에서 3,000억달러로 늘었다. 네 시장의 국채 저평가 공통변동 가운데 83%를 하나의 요인이 설명해 국가별 거래가 생각보다 밀접하게 연결돼 있음을 보여준다. 현물은 낮은 헤어컷의 레포로 조달하고 파생상품에는 증거금을 내므로 레포금리·헤어컷·변동성·마진이 함께 오르면 모든 거래 다리가 동시에 압박받는다.

실무 시사점

스왑스프레드의 평균회귀만 예측하면 조달 만기와 증거금 경로를 놓친다. 현물·선물·IRS 포지션을 동일 DV01로 연결하고 레포 롤오버 실패, 헤어컷 상승과 파생증거금 증가가 동시에 일어나는 청산순서를 계산해야 한다.

한국 시장 복제 아이디어

국고채 현물–선물·IRS·레포 거래를 포지션 단위로 연결해 스왑스프레드, 베이시스, 헤지비용과 가용 현금을 매일 재평가한다. 미국·영국·독일·일본의 공통 상대가치 요인을 입력으로 넣되, 국내 레포 한도와 증거금 규칙을 반영한 강제축소 시나리오로 배포 전 검증한다.

3. ECB: AI는 정보우위를 넓히면서 시장집중과 동조도 키울 수 있다

구분: 중앙은행 Discussion Paper No. 32·AI와 증권시장
발표일: 2026년 9월 22일

핵심 요약

ECB Discussion Paper No. 32은 AI가 방대한 데이터에서 정보를 추출해 가격발견과 의사결정을 개선하는 동시에 정보생산·노동수요·금융중개의 구조를 바꾼다고 정리한다. 더 좋은 알고리즘과 계산자원을 가진 기관은 비정형·대체데이터를 더 빨리 거래가능한 신호로 바꿀 수 있지만, 높은 고정비용과 데이터 규모의 경제는 정보우위를 소수 회사에 집중시킬 수 있다. 비슷한 모델과 데이터가 널리 쓰이면 시장효율이 높아지는 평상시 효과와 스트레스 때 행동 동조가 커지는 효과가 함께 나타날 수 있다. 이 논문은 기존 문헌과 정책 쟁점을 종합한 연구이며 특정 AI 모델의 실거래 초과수익을 공개하지 않는다.

실무 시사점

AI 신호는 정확도뿐 아니라 기존 데스크 신호와의 중복, 다른 모델과의 행동 상관, 정보가 가격에 반영되는 속도로 평가해야 한다. 공통 데이터와 모델을 쓰는 전략을 독립 포트폴리오로 간주하면 위기 시 분산효과를 과대평가할 수 있다.

한국 시장 복제 아이디어

금통위·발행공시·등급자료·RFQ에서 만든 각 신호의 독립 OOS 기여도와 가격반영 반감기를 측정한다. 같은 기초모델을 쓰는 팀들의 매수·매도 추천 상관을 한도로 관리하고, 데이터 접근권한과 주문 실행권한을 분리한다.

4. G-Research: 컬럼형 저장이 수천 개 특징의 연구비용을 줄인다

구분: 퀀트회사 공식 기술 블로그·금융 데이터 인프라
발표일: 2026년 9월 21일

핵심 요약

G-Research의 Apache Parquet 기술 글은 대량 금융데이터를 매일 처리할 때 저장구조가 인프라 비용과 조회성능에 직접 영향을 준다고 설명한다. Parquet은 row group을 병렬처리 단위로, column chunk를 필요한 열만 읽는 단위로, page를 압축·인코딩 단위로 사용한다. 컬럼 가지치기와 조건 푸시다운은 수백·수천 개 특징 가운데 일부만 읽는 퀀트 연구의 I/O를 줄이고, dictionary·run-length·delta 인코딩과 압축 방식은 CPU와 저장비용의 절충을 결정한다. 이는 공개된 데이터 인프라 설명이며 실제 알파·모델·P&L 개선폭은 공개하지 않았다.

실무 시사점

공개자료에 기반한 추론으로 연구→생산 속도는 모델 학습시간만이 아니라 시점 데이터 검색과 특징 선택 비용에서 결정된다. 다만 row group 통계가 미래정보를 포함하거나 스키마 변경이 조용히 반영되면 빠른 조회가 잘못된 백테스트를 더 빨리 만들 수 있다.

한국 시장 복제 아이디어

국고채·회사채 체결, 민평, 공시와 RFQ를 거래일·상품군 기준 row group으로 저장하고 자주 쓰는 특징은 함께 읽히도록 배치한다. 수신시각과 유효시각, 스키마·파일 해시를 보존하고 열 가지치기·조건 푸시다운 전후의 조회시간·비용·재현성을 측정한다.

5. HRT: 예측 신호는 팩터위험과 고유 알파로 분해해야 포지션이 된다

구분: 퀀트·마켓메이킹 회사 공식 Algo 글·팩터모형과 최적화
발표일: 2023년 3월 9일
선정 이유: 최신성보다 예측→포지션→P&L 귀속을 연결하는 기술적 가치 때문에 선정

핵심 요약

Hudson River Trading의 공식 글은 여러 거래팀이 포트폴리오의 위험과 성과를 이해하기 위해 자체 모형을 관리한다고 설명하며, 선형 팩터모형을 포트폴리오 최적화와 손익귀속에 연결한다. 수천 종목의 경험적 공분산을 직접 추정하는 대신 소수 팩터 적재량과 고유위험으로 나누면 저장·계산량을 크게 줄이고 변동성 추정의 안정성을 높일 수 있다. 예상수익도 팩터 방향 노출과 팩터로 설명되지 않는 직교 알파로 분리하고, 사후 P&L을 팩터 기울기·고유 기울기·팩터 타이밍·고유 타이밍으로 귀속한다. 공개 예시는 주식용 기본모형이며 HRT의 실제 전략·딥러닝 예측치·거래비용·P&L은 공개되지 않았다.

실무 시사점

공개자료에 기반한 수익 연결고리는 AI가 만든 예상수익을 그대로 주문하지 않고 공통 위험을 제거한 뒤 제한된 위험예산에 배분하며, 결과를 다시 신호와 위험요인으로 분해하는 데 있다. 예측오차가 낮아도 듀레이션·커브·신용 팩터에 숨어 있는 노출이 크면 실전 포지션으로는 부적합하다.

한국 시장 복제 아이디어

국고채·회사채의 팩터를 레벨·슬로프·커브, 등급·업종·유동성·캐리로 정의하고 AI 예상수익을 팩터 평행성분과 직교성분으로 분해한다. 포지션 최적화에는 DV01·CS01·회전율·거래비용·종목한도를 넣고, 실현 P&L을 팩터 노출·타이밍·고유선택·집행비용으로 매일 환류한다.