Circular relationships among AI firms
AI 기업의 투자와 매출은 얼마나 같은 상대에게 의존하는가?
AI 기업에 투자한 회사가 그 기업에 반도체나 클라우드 서비스를 팔기도 한다. BIS가 말하는 순환관계는 투자자와 투자 대상 사이에 상거래도 존재하는 경우다. 자금이 들어간 뒤 공급자에게 돌아올 가능성이 있으므로, 투자금액과 제품 수요를 완전히 독립적인 지표로 읽기 어렵다.
연구는 2021~2025년 투자거래와 공급망 자료를 연결해 같은 기간 금융·상거래가 겹치는지 확인했다. AI 간 투자 중 중복 비중은 건수 기준 16.1%, 공개 거래가치 기준 46.4%였다. 전체 AI 기업 유입투자 중 다른 AI 기업에서 온 비중도 거래가치 기준 55.2%였다. 각 비율은 분모가 다르다. 공급망 중복의 가치 비중이 더 큰 것은 큰 거래에서 중복이 두드러진다는 뜻이다. 다만 전체 투자금 중 각 투자자의 실제 출자액을 나눈 값은 아니며, 하나의 참여자가 중복조건을 충족하면 해당 거래 전체 공개가치를 집계한다.
공급자는 고객의 실제 사용량을 볼 수 있어 외부 투자자보다 성장 가능성을 잘 판단할 수 있고, 고객은 투자로 부족한 핵심 자원을 확보할 수 있다. 반대로 최종 수요가 기대에 미치지 못하면 같은 상대에 대한 지분가치와 미래 매출이 함께 줄어든다. BIS는 기업 수준의 합리적인 협력이 금융시스템에서는 위험의 상관관계를 높일 수 있다고 설명한다.
SCOPE공개 투자금액은 실제 집행금액이나 투자자별 출자액과 다를 수 있다. 공급망 관계의 존재만으로 계약의 수익성이나 부실 확률을 알 수 없다.
Evidence & verification ↓정보가 많은 고객은 위기에도 더 좋은 체결가격을 받는가?
영국 연기금은 장래 지급할 연금과 자산의 금리위험을 맞추기 위해 국채와 파생상품을 함께 사용했다. 부채연계투자 위기 때는 담보를 마련하려는 매도가 집중됐다. 연구진은 이 상황에서 딜러가 모든 고객에게 똑같이 유동성을 줄였는지, 정보를 얻을 만한 고객을 우대했는지 조사한다.
규제 거래자료로 거래 양쪽의 주체를 식별하고, 과거 거래성과가 높은 고객을 정보우위 집단으로 분류해 위기 전후의 비용 차이를 비교했다. 위기 정점에서 이 집단의 비용은 다른 고객보다 평균 15bp 낮았다. bp는 비율의 작은 차이를 나타내는 베이시스포인트 단위다. 위기 전 평균 비용 3bp와 비교하면 큰 격차다. 같은 딜러와 비슷한 시간의 거래를 비교하고 기존 거래관계·재고를 통제해 단골 우대라는 설명을 점검했다.
저자들은 딜러가 정보우위 주문에서 가격 정보를 얻기 위해 유리한 조건을 제공했다고 해석한다. 이후 이런 주문이 많았던 딜러는 비정보 고객의 비용을 높이고 거래를 줄였다. 초기 우대가 후속 주에는 반전된다는 점도 중요하다. 특정 고객의 좋은 체결이 시장 전체의 충분한 유동성을 뜻하지 않는다는 결과다.
SCOPE정보우위는 직접 관측한 비공개정보가 아니라 과거 거래성과에 따른 분류다. 영국 위기의 결과를 국내 딜러의 행동이나 영구적인 비용 우위로 옮길 수 없다.
Evidence & verification ↓중앙청산은 레포의 위험을 어디까지 줄이는가?
레포는 국채를 담보로 현금을 빌리고 나중에 약정가격으로 되사는 거래다. 국채를 보유한 투자자는 이를 통해 단기 자금을 확보하고, 딜러는 현금과 담보를 다른 참가자에게 연결한다. 연준 연구는 이 중개가 국채시장 유동성을 지원하는 과정과 위기 때 자금부족이 전달되는 과정을 기존 문헌으로 함께 살핀다.
레포의 헤어컷은 담보가치를 일부 차감해 대출한도를 정하는 장치다. 검토된 선행 연구에서는 미국 비중앙청산 양자간 국채 레포 거래량의 74%가 헤어컷 없이 거래됐다. 포트폴리오 전체의 상계와 특정 담보를 구하려는 수요가 조건에 영향을 주므로, 개별 거래의 차감률만으로 전체 레버리지를 읽기 어렵다. 짧은 조달만기와 담보재사용도 거래를 연결해 자금회수나 추가담보 요구가 국채매도와 포지션 축소로 전달될 수 있다.
중앙청산에서는 청산기관이 거래 상대가 되고, 서로 반대인 채권·채무를 상계한다. 이는 딜러의 총잔액과 자본부담을 줄일 수 있다. 그러나 주로 현금을 빌려주거나 빌리기만 하는 투자자는 상계할 잔액이 적다. 청산기관의 증거금 요구도 위기 때 커질 수 있어 신용위험 감소와 현금부담 감소를 같은 효과로 취급하면 안 된다.
SCOPE문헌 종합이므로 특정 시장의 청산효과를 새로 추정한 결과가 아니다. 편익은 참가자 범위와 반대 포지션의 양에 달려 있다.
Evidence & verification ↓연구 파이프라인을 여러 계산환경에서 어떻게 실행하는가?
모델에 넣을 특징을 만들고 학습·시뮬레이션을 반복하는 시간도 연구의 제약이다. Optiver는 하루 자료의 특징생성에 한 시간이 걸리면 1,000거래일을 순서대로 처리하는 데 약 여섯 주가 걸린다는 예를 든다. 날짜별로 나누면 경과시간은 한 시간 수준으로 줄지만 총 계산량은 같다. 종목을 100개로 늘리면 작업이 100,000개를 넘어, 사람이 실행 순서와 위치를 일일이 정하기 어려워진다.
전통적인 스케줄러는 계산 전체의 선후관계를 받아 특정 서버 집합에서 실행한다. GraphRunner는 그 관계를 연구코드와 같은 Python 프로세스 안에서 관리한다. 앞선 작업이 끝나 실행 가능한 작업이 생기면 이를 사내 배치 스케줄러, 클라우드 스케줄러 또는 로컬 실행에 보낸다.
이 구조는 파이프라인 전체를 한 환경에 배치하는 부담을 줄이고 작업별로 적절한 자원을 선택하게 한다. 연구자가 실행장소마다 코드를 나누지 않아도 되는 점이 공개된 장점이다. 다만 데이터의 위치와 복제본 일관성을 관리해야 한다는 문제는 남으며, 병렬화 자체가 예측모델의 정확성이나 실거래 성과를 높였다는 결과는 제시하지 않는다.
SCOPE회사가 공개한 연구플랫폼 설계다. 개별 예측신호, 학습자료, 보유기간, 실거래 손익은 이 글의 검증 범위에 없다.
Evidence & verification ↓FastTrackML: The fastest ML experiment tracker yet
많은 실험의 결과를 어떻게 다시 찾아 검증하는가?
실험 점수만 남기면 어떤 설정과 산출물로 그 결과를 얻었는지 다시 찾기 어렵다. FastTrackML은 많은 실험을 다루는 연구자를 위해 평가값, 모델 설정, 저장파일, 버전을 함께 추적하는 서버다. G-Research는 기존 도구가 자사의 복잡한 실험규모를 충분히 지원하지 못한 배경에서 이를 공개했다고 설명한다.
기록은 여러 머신러닝 도구에 연동된 MLflow를 통해 수집하고, 결과를 비교하는 화면에는 Aim의 분석 기능을 활용한다. 데이터와 실험 수가 커져도 연구자가 필요한 기록을 빨리 조회하고 문제를 찾게 하는 구조다. 전체 플랫폼을 함께 도입해야만 기록 기능을 쓸 수 있는 방식도 피했다.
회사는 실험데이터 탐색이 기존 해법보다 최대 100배 빠를 수 있다고 소개한다. 이 표현은 제품 발표의 가능성 주장이고 공개 글에는 동일 자료·하드웨어·조회조건의 비교표가 없다. 실험 추적이 좋아졌다는 설명과 예측이 좋아졌다는 결과를 구분해야 하며, 국내 도입에서도 기록의 완전성과 재현 성공률을 별도로 측정해야 한다.
SCOPE제품 발표의 최대 속도 주장은 보장된 성능이 아니다. 실험 기록과 조회를 다루며 모델 예측력이나 실거래 손익은 공개하지 않는다.
Evidence & verification ↓공급자와 투자자의 중복, 딜러의 고객별 가격, 청산 뒤 필요한 현금은 서로 다른 연결을 드러낸다. 국내 검증에서도 기업·거래상대·담보·실험버전을 각각 식별해야 같은 관측치를 다른 위험으로 오해하지 않는다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Circular relationships among AI firms4 primary · 0 archived +
투자자료와 공급망 자료를 연결하고 동일 기간 금융·상거래가 겹친 관계를 순환관계로 정의한다.
ORIGINAL PASSAGEalso share a supplier-customer relationshipBIS Bulletin 137, 2026-10-01, printed pp. 1–3, Defining and measuring circularity, PDF checked 2026-10-05거래 상대를 지원하는 경제적 이유와 금융·상거래 손실이 겹칠 위험을 설명한다.
ORIGINAL PASSAGEfuture product revenuesBIS Bulletin 137, 2026-10-01, printed pp. 4–6, economics and Economic implications, PDF checked 2026-10-05AI 간 투자 중 상거래 관계가 겹친 비중은 건수 기준 16.1%, 공개 거래가치 기준 46.4%다.
ORIGINAL PASSAGEbetween 2021 and 2025, 16.1% (by deal count) and 46.4% (by deal value)BIS Bulletin 137, 2026-10-01, official HTML Key takeaways, second bullet; PDF printed p. 3, Graph 3.B and note 2, checked 2026-10-05AI 기업으로 유입된 투자 중 다른 AI 기업에서 온 비중은 공개 거래가치 기준 55.2%다. AI 간 투자 중 공급망 관계가 겹친 비율과는 분모가 다르다.
ORIGINAL PASSAGE55.2% of incoming investmentsBIS Bulletin 137, 2026-10-01, official HTML Key takeaways, first bullet; PDF printed p. 3, Graph 3.A and first paragraph, checked 2026-10-06Dealers, information, and liquidity crises in safe assets4 primary · 0 archived +
영국 LDI 위기 거래자료로 과거성과별 고객집단의 비용을 비교한다.
ORIGINAL PASSAGEregulatory MiFID II dataSWP 1,113, July 2026, printed pp. 2–4, Introduction, PDF checked 2026-10-05초기 정보우위 고객 우대는 후속 주에 반전된다.
ORIGINAL PASSAGEThe effect then reverses in the following weeks.SWP 1,113, July 2026, printed p. 19, Figure 5 discussion; pp. 4–5 dealer response, PDF checked 2026-10-05위기 정점의 정보우위 고객 비용은 평균 15bp 낮았으며 동일 시간대·기존 거래관계 등을 통제한 보수적 사양에서도 이 격차가 관측됐다.
ORIGINAL PASSAGE15bps lower trade costsSWP 1,113, July 2026, printed p. 4, Introduction; pp. 18–20 pricing estimates, PDF checked 2026-10-05위기 전 평균 체결비용은 3bp였으므로 위기 정점의 집단 간 15bp 차이는 평시 비용에 비해 크다.
ORIGINAL PASSAGEpre-crisis trade costs averaged only 3bpsSWP 1,113, July 2026, printed p. 4, Introduction, paragraph comparing peak-crisis costs with pre-crisis costs; PDF checked 2026-10-06Government bond-backed repo markets: between resilience and vulnerability4 primary · 0 archived +
단기조달·담보재사용·딜러중개는 유동성과 스트레스 전파의 공통 경로다.
ORIGINAL PASSAGEextensive collateral reuseFEDS 2026-057, August 2026, Abstract and Introduction, printed pp. 1–4, PDF checked 2026-10-05중앙청산 상계편익은 반대 포지션에 달리고 위기 증거금은 현금부담을 늘린다.
ORIGINAL PASSAGEnetting of positionsFEDS 2026-057, August 2026, §3.5 Central clearing, printed pp. 18–19, PDF checked 2026-10-05상계편익은 반대 포지션에 달리며 일방향 투자자에는 제한적이고 증거금은 위기 유동성을 압박할 수 있다.
ORIGINAL PASSAGEhave few offsetting positionsFEDS 2026-057, August 2026, §3.5 Central clearing, printed p. 19, including following margin-procyclicality discussion, PDF checked 2026-10-05검토된 미국 비중앙청산 양자간 시장의 선행 연구에서는 국채 레포 거래량의 74%가 헤어컷 없이 거래됐다. 포트폴리오 상계와 담보희소성 때문에 거래별 헤어컷을 전체 위험과 동일시할 수 없다.
ORIGINAL PASSAGE74 percent of Treasury repo volume transacts at zero haircutFEDS 2026-057, August 2026, §3.4 Haircuts, PDF page 15, paragraph citing Hempel et al. (2023a) and following portfolio-netting discussion; checked 2026-10-06Research at scale: Orchestrating ML for systematic trading5 primary · 0 archived +
Optiver는 체계적 거래 연구플랫폼의 운영목표를 아이디어에서 검증된 결과까지의 시간을 줄이는 것으로 두고 비용·용량·기능·정확성을 그 목표 아래 둔다.
ORIGINAL PASSAGEvalidated resultResearch at scale, What a Research Platform Must Optimize, 2025-12-18, accessed 2026-10-05GraphRunner는 한 Python 프로세스 안에서 계산그래프를 관리하고 각 노드를 온프레미스 배치 스케줄러·클라우드 스케줄러·로컬 실행 중 하나로 보낸다.
ORIGINAL PASSAGEthe same Python processResearch at scale, From Scheduler-Owned DAGs to In-Process Orchestration, 2025-12-18, accessed 2026-10-05하루 자료의 특징생성에 한 시간이 걸리는 예시에서 1,000거래일을 직렬 처리하면 약 여섯 주가 걸린다. 날짜별 분할은 경과시간을 줄이지만 총 계산량 자체를 줄이지 않는다.
ORIGINAL PASSAGEabout 1,000 trading days will take roughly six weeksResearch at scale, 2025-12-18, When Pipelines Scale Up, first paragraph; official article checked 2026-10-06예시를 종목 100개로 확대하면 계산 작업이 급증해 병렬화가 필요해진다.
ORIGINAL PASSAGE100 instrumentsResearch at scale, 2025-12-18, When Pipelines Scale Up, second paragraph; official article checked 2026-10-06같은 예시에서 특징생성 작업은 100,000개를 넘어 계산 그래프와 자원 배치가 운영 문제가 된다.
ORIGINAL PASSAGE100,000+ feature generation jobsResearch at scale, 2025-12-18, When Pipelines Scale Up, second paragraph; official article checked 2026-10-06FastTrackML: The fastest ML experiment tracker yet2 primary · 0 archived +
FastTrackML은 MLflow 연동과 Aim UI를 결합해 대규모 실험의 메트릭·파라미터·아티팩트·버전을 추적하도록 설계된 오픈소스 실험추적 서버다.
ORIGINAL PASSAGEmetrics, parameters, artifacts, and versioning.FastTrackML announcement, Highly performant tracker, 2023-07-26, accessed 2026-10-05G-Research는 실험데이터 탐색이 기존 해법보다 최대 100배 빠를 수 있다고 발표했지만 해당 페이지에 벤치마크 조건이나 거래성과는 제시하지 않았다.
ORIGINAL PASSAGEpossibly as much as 100 times faster than existing solutionsFastTrackML announcement, How FastTrackML can help, 2023-07-26, accessed 2026-10-05Show the original briefing text
채권시장 AI 연구 브리핑
2026년 10월 5일
조사 마감: 2026년 10월 5일 06:37 (Asia/Seoul)
원문 열람일: 2026년 10월 5일
중복 점검: 기존 61개 브리핑·305개 연구와 URL 296개를 대조했음. 전날 영란은행 FPC·연준 레포·경과물 국채·Jane Street·Two Sigma 자료는 제외했음. 1~3번은 BIS·영란은행·연준 원문이고 4~5번은 채용공고가 아닌 퀀트회사 공식 기술자료임. 공개되지 않은 모델·라벨·보유기간·P&L은 추론하지 않았음.
1. BIS: Circular relationships among AI firms — AI 생태계의 순환금융
구분: 국제기구 보고서·AI 공급망 및 신용위험
발표일: 2026년 10월 1일
핵심 요약
BIS Bulletin 137은 2021~2025년 AI 기업 투자관계를 자금과 상거래 흐름으로 함께 연결했음. 투자금액 기준으로 AI 기업 유입투자의 55.2%가 다른 AI 기업에서 왔고, AI 기업 간 거래액의 46.4%는 공급망 관계도 겹쳤음. 공급자가 고객을 투자하면 자기 제품 수요가 매출로 돌아오는 구조라 최종수요와 내부 자금순환을 구분하기 어려워짐. 저자들은 충격 때 지분가치와 제품매출이 함께 줄고 사모신용·특수목적기구의 숨은 레버리지가 전염을 키울 수 있다고 봤음.
실무 시사점
AI 관련 회사채는 발행사 등급만 보면 같은 위험을 두 번 셀 수 있음. 지분투자·장기 구매계약·GPU 임대·보증을 공급망 그래프에 얹어 내부수요로 만든 매출과 외부 최종수요를 갈라야 함.
한국 시장 복제 아이디어
국내 반도체·클라우드·데이터센터·전력설비 발행사를 거래관계와 금융관계로 연결함. 최종고객 매출이 줄 때 투자손실·매출감소·차환스프레드가 동시에 번지는 정도를 네트워크 스트레스로 비교해봄.
2. Bank of England: Dealers, information, and liquidity crises in safe assets — 정보추적이 국채 유동성을 나누는 순간
구분: 중앙은행 연구·국채 시장미시구조
발표일: 2025년 1월 24일, 2026년 7월 개정
핵심 요약
영란은행 Staff Working Paper No. 1,113은 2022년 영국 LDI 위기를 거래단위 자료로 분석했음. 위기 정점에 정보우위 투자자의 거래비용은 다른 고객보다 평균 15bp 낮았고 위기 전 평균 비용은 3bp였음. 첫 주에는 딜러가 정보우위 주문에 더 싼 가격을 줬지만 다음 주부터 효과가 뒤집혔음. 저자들은 딜러가 먼저 주문정보를 배우고 뒤에는 비정보 고객의 비용을 높이며 시장 전체 중개량을 줄인 경로로 해석했음.
실무 시사점
스트레스 때 모든 고객에게 같은 유동성 충격을 주는 모형은 딜러의 선택적 가격배분을 놓침. RFQ 응답률·체결비용·거래 후 수익을 고객과 딜러 쌍으로 추적해야 누가 먼저 정보를 받고 누가 나중에 유동성을 잃는지 보임.
한국 시장 복제 아이디어
국고채·회사채 RFQ를 딜러·고객·종목·30분 구간으로 패널화함. 과거 mark-out 상위 고객의 호가할인과 이후 일반 고객 비용·딜러 거래량이 어떻게 바뀌는지 차분의 차분과 사건연구로 비교해봄.
3. Federal Reserve: Government bond-backed repo markets: between resilience and vulnerability — 레포의 효율과 취약성이 같은 구조에서 나옴
구분: 중앙은행 FEDS 연구·국채 레포 및 금융안정
발표일: 2026년 8월
핵심 요약
연준 FEDS 2026-057은 국채 레포의 단기조달·담보재사용·딜러중개가 유동성과 스트레스 전파를 동시에 만든다는 문헌을 종합했음. 미국 비중앙청산 양자간 국채 레포의 74%가 헤어컷 0으로 거래된 선행 실증을 검토했고, 포트폴리오 상계와 담보희소성 때문에 거래별 헤어컷만으로 레버리지를 읽기 어렵다고 설명했음. 중앙청산은 상계로 딜러 잔액을 줄일 수 있지만 방향이 한쪽인 투자자는 편익이 작고 증거금·디폴트펀드 비용이 커질 수 있음. 위기에는 중앙청산 증거금 자체가 유동성 수요를 집중시킬 수 있다는 한계도 함께 적었음.
실무 시사점
레포 위험은 헤어컷 하나가 아니라 순노출·담보재사용 사슬·현금 방향·청산방식을 같이 봐야 함. 현물-선물 베이시스와 스왑스프레드의 조달한도도 거래별 담보가 아니라 포트폴리오 상계 후 현금수요로 잡아야 함.
한국 시장 복제 아이디어
국고채 레포를 담보종목·상대방·현금방향·재사용 여부로 연결함. 헤어컷과 증거금이 함께 오를 때 상계편익이 있는 딜러와 한쪽 방향 MMF·펀드의 현금부담이 얼마나 달라지는지 시나리오로 계산해봄.
4. Optiver: Research at scale: Orchestrating ML for systematic trading — 아이디어를 검증결과로 바꾸는 계산경로
구분: 퀀트·마켓메이킹 회사 공식 기술블로그·ML 연구플랫폼
발표일: 2025년 12월 18일
핵심 요약
Optiver 공식 기술 글은 가설·특징생성·학습·시뮬레이션을 모델·신호·리스크 점검·포지션 한도로 번역하는 연구주기를 공개했음. 하루 특징생성에 1시간이 걸리면 1,000거래일은 직렬로 약 6주지만 날짜별 분할 뒤 약 1시간까지 줄일 수 있다고 예시했음. 종목 100개로 넓히면 작업이 10만개를 넘어서므로 계산 그래프와 데이터 위치를 사람이 매번 나눌 수 없다고 봤음. GraphRunner가 노드별로 온프레미스·클라우드·로컬 실행 위치를 고르게 해 연구자는 하나의 파이프라인을 쓰게 했음.
실무 시사점
공개자료가 보여주는 수익 연결고리는 모델 이름보다 검증 주기의 속도·재현성·배치정책임. 다만 Optiver는 개별 신호·라벨·시장별 손익을 공개하지 않았으므로 계산효율이 곧 P&L 개선이라는 주장은 할 수 없음.
한국 시장 복제 아이디어
국고채·회사채 연구를 날짜·종목·특징군으로 분할하고 데이터 스냅샷과 계산노드 위치를 실험 ID에 남김. 같은 예산에서 표본외 검증을 끝내는 시간과 재현 성공률을 기존 직렬 파이프라인과 비교해봄.
5. G-Research: FastTrackML: The fastest ML experiment tracker yet — 빠른 실험보다 먼저 필요한 기록
구분: 퀀트회사 공식 오픈소스 기술자료·MLOps
발표일: 2023년 7월 26일
선정 이유: 최신성보다 대규모 ML 실험의 메트릭·파라미터·아티팩트·버전 추적을 공개한 기술적 가치 때문에 선정
핵심 요약
G-Research 공식 기술 글은 대규모 ML 워크플로에 필요한 실험추적 서버 FastTrackML을 공개했음. MLflow 연동과 Aim UI를 결합해 메트릭·파라미터·아티팩트·버전을 한 실험에 묶도록 설계했음. 회사는 실험데이터 탐색이 기존 해법보다 최대 100배 빠를 수 있다고 밝혔지만, 구체 벤치마크 조건과 거래 P&L은 페이지에 공개하지 않았음. 따라서 숫자는 제품 발표의 성능 주장으로만 다뤄야 함.
실무 시사점
시장모델은 점수만 저장하면 같은 결과를 다시 만들기 어려움. 데이터 마감시각·특징코드·무작위 시드·모델파일·백테스트 비용가정을 한 실험 ID로 묶어야 연구에서 생산으로 넘어간 뒤 원인을 되짚을 수 있음.
한국 시장 복제 아이디어
국고채 방향·회사채 상대가치·RFQ 체결모델에 공통 실험원장을 붙임. 조회속도보다 먼저 동일 스냅샷 재현률과 실패실험 보존률을 비교하고, 성능 주장은 국내 데이터로 독립 검증해봄.