숨은 금리체제를 추정한 뒤 언제 포지션과 위험한도를 바꿔야 하는가?
체제확률이 정해둔 문턱을 넘으면 헤지한다는 규칙은 왜 충분하지 않은가? 잘못 경보를 내면 불필요한 거래비용이 생기고, 실제 전환 뒤 기다리면 손실이 누적되며, 비정상 체제를 틀리게 분류하면 잘못된 헤지를 선택한다. 논문은 측정잡음이 섞인 채권가격의 잠재 단기금리와 숨은 Vasicek 체제를 추정한 뒤 이 세 비용을 함께 최소화하는 최적정지 문제로 바꾼다.
posterior probability만 계산해 고정문턱에 넣는 대신, 입자필터가 만든 조건부분포 전체를 상태로 쓰고 Monte Carlo dynamic programming으로 지금 멈출 가치와 더 관측할 가치를 비교한다. Heston 모의실험은 입자 500개, 학습 8000경로, 시험 5000경로를 사용했다. 같은 필터 출력을 쓴 plug-in 규칙보다 직접최적화의 평균손실이 0.008813 낮았고 차이의 p값은 0.007319였다.
이 차이는 모형의 체제확률이 더 정확해서가 아니라 같은 posterior를 행동비용에 맞게 사용한 데서 나왔다. 다만 결과는 스타일화한 모의실험이며 실제 국채 손익을 입증하지 않는다. 국내 데스크는 체제분류 AUC와 별도로 오경보 거래비용, 전환 후 탐지지연, 헤지 뒤 듀레이션손실과 계산지연을 같은 목적함수에서 비교해야 한다.
SCOPEVasicek·Heston을 이용한 스타일화한 수치실험이다. 실제 채권 데이터에 보정한 체제라벨이나 실거래 성과가 아니며, 보고된 통계는 적합된 규칙에 조건부이고 학습 변동성은 포함하지 않는다.
Evidence & verification ↓생성 주문장이 역사분포만 닮으면 RL 집행정책의 world model로 충분한가?
주문장 생성기가 spread와 잔량분포를 잘 흉내 내면 집행정책을 학습시켜도 될까? 실제 정책은 구경만 하지 않고 주문을 넣어 시장 상태를 바꾼다. 논문은 다음 메시지를 예측하도록 학습한 다섯 자기회귀 모형과 NASDAQ 다섯 종목에 parent order를 잘게 나눈 metaorder를 주입하고, 모형이 그 주문을 볼 때와 보지 못하는 blind control을 비교했다.
평가는 세 단계다. 먼저 자유생성에서 주문흐름 지속성과 가격 확산을 보고, 실행구간에서 누적 참여율에 따른 충격의 크기와 곡률을 재며, 종료 뒤에는 가격이 얼마나 되돌아오는지 본다. 모든 모형·종목에서 시장충격은 생겼지만 지수는 0.63에서 1.21로 측정돼 전통적 경험값보다 높았다. 이 계수는 더 큰 주문을 넣을수록 비용이 얼마나 비선형으로 커지는지를 결정한다.
더 큰 결함은 종료 뒤 충격완화가 관측되지 않았다는 점이다. 저자들은 짧은 context window를 잠정 원인으로 보지만 확인된 인과는 아니다. 채권용 world model은 free-running 적합도와 별도로 visible·blind 주문의 차이, 참여율별 impact, 단기·중기 완화와 비용차감 shortfall을 통과해야 실제 정책학습에 쓸 수 있다.
SCOPENASDAQ 5종목과 특정 5개 자기회귀 생성모형의 holdout 모의실험이다. 충격완화 부재의 원인이 context window라는 설명은 잠정적이며 채권시장으로 직접 일반화할 수 없다.
Evidence & verification ↓LLM이 반복 백테스트로 만든 신호는 봉인 표본외 포트폴리오에서도 살아남는가?
LLM이 특징을 만들고 코드를 고치면 연구속도는 빨라지지만 반복 백테스트가 과최적화를 가릴 수 있다. Quant-Arena는 A주 3,042종목의 일별 자료와 Level-Two 주문·체결·호가를 주고, 모형이 특징과 종목점수 함수를 직접 작성하게 했다. 연구기간은 2022–2023년이며 다음 해 자료는 에이전트에게 보이지 않는다.
각 실행은 후보전략을 최대 다섯 개만 평가하고 마지막 코드·환경·특징목록을 동결한다. 공통 현금계정 evaluator가 거래단위와 주문의존 비용·시장충격을 적용해 봉인된 다음 해에 한 번 실행한다. 이 제한은 더 많은 시도가 우연히 좋은 과거 패턴을 고르는 selection bias를 줄이고, 예측신호와 실제 포트폴리오 성과를 같은 규칙으로 연결한다.
반복연구는 평가한 모든 모형의 종합점수를 높였지만 봉인기간 수익률이 좋아진 모형은 일부뿐이었다. 어느 모형도 2024년 동일가중 시장을 이기지 못했고, 상위로 고른 종목이 중간순위보다 낮은 수익을 내는 경우가 많았다. 국내 채권 에이전트도 후보예산을 고정하고 듀레이션·등급·현금·시장충격을 공통 evaluator에서 강제한 뒤 미공개 기간에 단 한 번 판정해야 한다.
SCOPE중국 A주 long-only 종목선정과 모의 체결의 공개 benchmark다. 채권 상대가치·파생헤지나 실거래 성과를 직접 검증하지 않으며, proprietary Kepler-1의 내부 구현은 공개되지 않았다.
Evidence & verification ↓저지연 거래에서 복잡한 계산과 빠른 주문경로를 어떻게 나누는가?
모든 채권전략을 가장 빠른 장비에 올리는 것이 최선일까? DRW는 저지연 거래에서 기술이 의사결정과 실행을 빠르게 만든다고 설명한다. 자체 플랫폼은 거래와 관련된 데이터를 받고 독점 전략으로 처리한 뒤 주문을 거래소로 보낸다. 확인되는 production 경로는 데이터수집→판단→주문이며 구체 모델과 라벨은 공개되지 않았다.
회사는 계산자원이 많은 컴퓨터는 복잡성을 처리하는 데, 더 제한적인 하드웨어는 특정 거래를 가속하는 데 유리할 수 있다고 구분한다. 모든 거래가 같은 수준의 속도를 요구하지 않으므로 소프트웨어·하드웨어·네트워크·트레이딩이 함께 경로를 정한다. 이는 최고속도 하나보다 업무별 복잡도와 지연예산을 맞추는 설계다.
국내 채권 데스크에서는 fair value·재고·시장충격 특징을 비동기로 계산하고 주문 직전 경로에는 작고 검증된 신호와 가격·수량·포지션 gate만 둘 수 있다. 다만 DRW 글은 내부 지연수치·장애정책·성과를 제시하지 않으므로 경제적 우위를 확인할 수 없다. shadow replay에서 꼬리지연과 stale-feature, markout, failover를 함께 재야 한다.
SCOPEDRW 공식 인터뷰가 공개한 시스템 설계 원칙이다. 게시일·모델·라벨·지연수치·장애한도·P&L이 공개되지 않아 실제 우위나 인과효과를 검증할 수 없다.
Evidence & verification ↓LLM이 특징연구를 빠르게 만들수록 어떤 데이터 통제가 먼저 필요한가?
특징을 수분 만에 만들 수 있다면 연구의 병목은 어디로 옮겨가는가? Two Sigma는 연구자가 즉시 탐색할 raw data와 품질·역사깊이를 갖춘 curated data를 함께 제공한다고 설명한다. 원천을 기다리느라 연구가 멈추지 않게 하면서도, 같은 변환을 코드와 CI/CD로 승격해 production에서 재현하는 구조다.
LLM은 영상·문서 같은 비정형 자료의 특징공학을 수개월에서 수분으로 줄일 잠재력이 있다. 그러나 과거 인터뷰를 분석하는 모형이 나중에 나온 정보로 학습됐다면 미래를 미리 아는 temporal leakage가 생긴다. 회사는 point-in-time data로 학습한 오픈소스 모형을 이용해 당시 이용 가능 정보만 보게 하는 통제를 강조한다.
여러 LLM이 서로 다른 신호를 만들고 수천 개 에이전트가 조합연구를 하는 모습은 공개 글의 전망이지 확인된 알파가 아니다. 국내 채권에서는 event-time과 ingest-time, schema hash, revision ID를 원천부터 남기고 raw·curated 특징을 같은 테스트로 검증해야 한다. 생성속도보다 봉인기간 재현률과 데이터결손·수정에 대한 민감도가 production 전환기준이 되어야 한다.
SCOPETwo Sigma의 공식 요약은 플랫폼 원칙과 미래상을 설명한다. 특징생성 모델·검증표본·수익성과 수천 에이전트 시스템의 실제 배포 여부는 공개하지 않았다.
Evidence & verification ↓서로 다른 연구가 가리키는 실패지점은 같다. 추정과 생성이 정교해져도 행동규칙, 시장반응, 시점누출과 계산경로를 따로 검증하지 않으면 백테스트의 우위가 주문 단계에서 사라진다. 국내 데스크의 다음 실험은 이 네 원장을 같은 거래 ID로 연결하는 일이다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Regime Detection in Latent Factor Models – A Bayesian Decision-Theoretic Approach4 primary · 0 archived +
논문은 측정잡음이 섞인 채권가격을 쓰는 regime-switching Vasicek 실험을 포함한다.
ORIGINAL PASSAGEregime-switching Vasicek model with measurement-noise-contaminated bond pricesarXiv 2610.20366v1, Sections 1 and 5.1, 14 October 2026, accessed 2026-10-26Heston 실험은 입자 500개, 8000개 학습경로와 5000개 시험경로를 사용했다.
ORIGINAL PASSAGEM=500 particles and a training/testing split of 8000/5000arXiv 2610.20366v1, Section 5.2, 14 October 2026, accessed 2026-10-26직접최적화와 같은 필터의 plug-in 규칙 간 paired loss 차이의 평균은 -0.008813였다.
ORIGINAL PASSAGEthe estimated mean is -0.008813arXiv 2610.20366v1, Section 5.2, 14 October 2026, accessed 2026-10-26paired loss 차이의 통계적 검정 p값은 0.007319였다.
ORIGINAL PASSAGEp=0.007319Regime Detection in Latent Factor Models – A Bayesian Decision-Theoretic Approach, Section 6.2, paired test paragraph; accessed 2026-10-26LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models3 primary · 0 archived +
실험은 5개 자기회귀 생성모형과 NASDAQ 5종목을 사용했다.
ORIGINAL PASSAGEfive autoregressive models across five NASDAQ stocksarXiv 2610.27100v1, Abstract and Section 2, 19 October 2026, accessed 2026-10-26생성모형의 시장충격 지수는 0.63~1.21 범위였다.
ORIGINAL PASSAGEexponents in the range of 0.63 to 1.21arXiv 2610.27100v1, Abstract and Section 3.2, 19 October 2026, accessed 2026-10-26시험한 모형군에서는 주문종료 뒤 충격완화를 관측하지 못했다.
ORIGINAL PASSAGEunable to observe impact decay during relaxationarXiv 2610.27100v1, Abstract and Section 3.3, 19 October 2026, accessed 2026-10-26Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research4 primary · 0 archived +
benchmark의 주식 유니버스는 3,042종목이다.
ORIGINAL PASSAGESelected universe of 3,042 stocksarXiv 2610.30113v1, Table 1, 21 October 2026, accessed 2026-10-26각 실행은 연구기간 후보전략을 최대 5개까지 평가할 수 있다.
ORIGINAL PASSAGEEach run may evaluate at most five candidatesarXiv 2610.30113v1, Section 2.3, 21 October 2026, accessed 2026-10-26평가한 9개 모형 중 2024년 동일가중 시장을 이긴 모형은 없었다.
ORIGINAL PASSAGEno model beats the equal-weight market in 2024arXiv 2610.30113v1, Contributions and Conclusion, 21 October 2026, accessed 2026-10-26연구기간은 2022–2023년이었다.
ORIGINAL PASSAGEResearch period 2022–2023arXiv 2610.30113v1, Table 1, 21 October 2026, accessed 2026-10-26How we stay ahead of the curve to execute trading strategies2 primary · 0 archived +
DRW는 저지연 맥락에서 기술이 의사결정과 실행을 가속한다고 설명한다.
ORIGINAL PASSAGEtechnology is used to accelerate the decision-making and executionDRW, How we stay ahead of the curve to execute trading strategies, publication date not stated, accessed 2026-10-26자체 플랫폼은 데이터를 독점 전략으로 처리하고 주문을 거래소에 실행한다.
ORIGINAL PASSAGEprocess them based on our proprietary strategies and execute our order to the exchangeDRW, How we stay ahead of the curve to execute trading strategies, publication date not stated, accessed 2026-10-26Platform Thinking: Three Views from Two Sigma Leaders4 primary · 0 archived +
기초 데이터팀은 raw data와 curated data를 함께 제공하는 방식으로 전환했다.
ORIGINAL PASSAGEoffering both raw and curated dataTwo Sigma, Platform Thinking, paragraph on foundational data engineering, 23 October 2025, accessed 2026-10-26Two Sigma는 LLM 특징공학이 수개월짜리 작업을 수분으로 줄일 잠재력을 설명한다.
ORIGINAL PASSAGEtasks from months to minutesTwo Sigma, Platform Thinking, paragraph on feature forecasting, 23 October 2025, accessed 2026-10-26시점누출 통제가 중요하다고 강조한다.
ORIGINAL PASSAGEcontrolling for temporal leakageTwo Sigma, Platform Thinking, paragraph on feature forecasting, 23 October 2025, accessed 2026-10-26글은 잠재적으로 수천 개 AI 에이전트가 신호를 찾는 조합연구를 전망한다.
ORIGINAL PASSAGEpotentially thousands of AI agentsTwo Sigma, Platform Thinking, paragraph on feature forecasting, 23 October 2025, accessed 2026-10-26Show the original briefing text
채권시장 AI 연구 브리핑
2026년 10월 26일
조사 마감: 2026년 10월 26일 06:37 (Asia/Seoul)
원문 열람일: 2026년 10월 26일
중복 점검: 기존 82개 브리핑·410개 연구의 제목과 원문 URL을 대조했다. 전날의 Ginnie Mae 유동성, 다중에이전트 시장조성, TimeGAN 꼬리위험, Jane Street 위험한도, Two Sigma 연구중단 자료는 제외했다. 1~3번은 논문 본문·수치·평가조건을 확인했고, 4~5번은 채용공고가 아닌 회사 공식 기술·엔지니어링 자료다. 공개되지 않은 모델, 라벨, 위험한도와 P&L은 추론하지 않았다.
1. Regime Detection in Latent Factor Models – A Bayesian Decision-Theoretic Approach
구분: 최신 연구·잠재 금리요인과 온라인 체제전환 탐지
발표일: 2026년 10월 14일
핵심 요약
논문 원문은 관측오차가 있는 채권가격 아래 잠재 단기금리와 숨은 체제를 입자필터로 추정한 뒤, 오경보와 탐지지연 비용을 함께 최소화할 행동시점을 구한다. Vasicek 채권 실험에서 입자 수를 250개에서 500개로 늘리자 평균손실이 0.8301에서 0.8202로 낮아졌지만 1,000개까지 늘린 추가 개선은 5% 수준에서 유의하지 않았다. Heston 실험에서는 같은 필터 출력을 단순 경계에 넣는 규칙보다 부분정보 상태에서 직접 최적화한 규칙의 평균손실이 0.008813 낮았고 p=0.007319였지만, 특정 데이터에 맞춘 실증이 아니라 모의실험이다.
실무 시사점
체제확률을 잘 추정하는 것과 언제 포지션·헤지한도를 바꿀지는 다른 문제다. 국고채 커브 모델이 위기체제 확률을 내더라도 오경보 비용, 늦은 대응의 손실, 잘못 분류한 체제의 위험을 한 목적함수에 넣어야 한다. 계산량을 늘릴수록 개선이 둔화된 결과는 실시간 의사결정에서 입자 수와 지연예산을 함께 정해야 함을 보여준다.
한국 시장 복제 아이디어
국고채 3·10년 현물과 선물, IRS, 스왑션 변동성, 호가스프레드로 잠재요인 상태를 만들고 금통위 전후·유동성 충격을 체제라벨로 정의한다. 확률 50·70·90% 고정문턱과 비용기반 최적정지 규칙을 날짜 단위 holdout에서 비교해 오경보율, 탐지지연, 헤지 후 DV01 손실과 p99 계산지연을 평가한다.
2. LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models
구분: 최신 연구·생성 주문장 world model과 시장충격 검증
발표일: 2026년 10월 19일
핵심 요약
논문 원문은 다음 주문장 메시지를 예측하도록 학습한 5개 자기회귀 생성모형에 NASDAQ 5종목의 분할주문을 주입해 자기 주문의 가격충격을 재현하는지 시험한다. 모형별 충격지수는 0.63~1.21로 전통적 제곱근 법칙의 0.5보다 높았고, 모든 모형·종목에서 충격은 나타났지만 주문 종료 뒤 완화는 관측되지 않았다. 저자들은 짧은 context window를 잠정 원인으로 보며, 분포가 그럴듯한 simulator가 실행정책 학습에 충분하다는 주장은 하지 않는다.
실무 시사점
spread·잔량·도착간격 분포를 맞춘 생성 주문장도 데스크의 주문을 넣었을 때 반응이 틀리면 RL 집행정책을 잘못 학습시킨다. 채권 simulator에는 free-running 적합도 외에 참여율별 impact exponent·amplitude, blind control 대비 추가충격, 체결 뒤 완화속도를 별도 통과기준으로 둬야 한다. 현물 호가가 얕은 회사채에서는 영구충격을 과대평가하는 모형이 지나치게 작은 주문을 만들 수 있다.
한국 시장 복제 아이디어
국채선물 L2와 전자 국고채 메시지로 상태공간·Transformer 생성기를 학습하고 1·5·10% 참여율의 parent order를 주입한다. 실제 replay, blind injection, 모형이 반응을 보는 visible injection을 나눠 impact exponent, 30초·5분 완화율, 체결률과 비용차감 shortfall을 비교한다.
3. Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research
구분: 최신 연구·LLM 퀀트 연구 자동화와 봉인 표본외 평가
발표일: 2026년 10월 21일
핵심 요약
논문 원문은 중국 A주 3,042종목의 일별·Level-2 주문·체결 자료로 9개 LLM이 특징과 종목점수 코드를 만들고, 2022~2023년에는 후보를 최대 5개까지만 시험한 뒤 2024년 전략을 동결해 평가한다. 반복연구는 9개 모형 모두 총점을 높였지만 봉인기간 수익률을 높인 것은 4개뿐이었고, 어떤 모형도 2024년 동일가중 시장을 이기지 못했다. 예측상관이 있어도 상위 종목의 실제 포트폴리오 수익으로 이어지지 않았다는 결과다.
실무 시사점
LLM 에이전트의 코드 실행성이나 연구기간 IC만으로 research automation을 평가하면 selection bias를 놓친다. 후보 수를 제한하고 최종 코드·환경·특징목록을 동결한 뒤 미공개 기간에 한 번만 돌려야 한다. 채권에서는 종목선정뿐 아니라 현금잔고, 호가단위, 시장충격, DV01·등급한도를 공통 evaluator가 강제해야 모델 간 성과를 비교할 수 있다.
한국 시장 복제 아이디어
국고채·크레딧 상대가치 에이전트에 정규화된 호가·체결·발행·등급이력만 제공하고 연구기간 후보평가를 5회로 제한한다. 다음 연도의 봉인자료에서 비용차감 excess return, IC, turnover, 최대낙폭, DV01 위반, 현금대기 비율을 측정하고 사람 연구자와 같은 예산으로 비교한다.
4. How we stay ahead of the curve to execute trading strategies
구분: DRW 공식 기술 인터뷰·저지연 데이터 처리와 주문집행
발표일: 미확인
선정 이유: 최신성보다 실제 저지연 거래경로를 공개한 기술적 가치 때문에 선정했다. 채용공고가 아니다.
핵심 요약
DRW 원문은 자체 저지연 플랫폼이 거래 관련 데이터를 받아 독점 전략으로 처리하고 주문을 거래소에 내보내는 경로를 설명한다. 복잡한 계산에는 자원이 많은 컴퓨터가 적합하고, 제한된 하드웨어는 특정 거래를 가속하는 데 유리하므로 모든 전략에 같은 속도·장비를 적용하지 않는다고 밝힌다. 확인 가능한 내용은 시스템 배치 원칙까지이며, 모델·라벨·지연수치·성과는 공개하지 않았다.
실무 시사점
채권 전자거래에서도 연구모형 전체를 가장 빠른 경로에 넣을 필요는 없다. 공정가치·재고·시장충격 특징은 비동기 계산하고, 주문 직전에는 작고 검증된 신호와 가격·수량·포지션 한도만 두는 계층이 현실적이다. 하드웨어 선택은 평균속도가 아니라 복잡도, p99 지연, 장애시 우회경로와 거래별 경제가치를 함께 반영해야 한다.
한국 시장 복제 아이디어
국채선물·현물 베이시스 전략을 feature 계산, fair value, risk gate, order gateway 네 단계로 나눈다. CPU 전용, GPU 비동기, FPGA gate 세 구성을 shadow replay에서 비교해 p50·p99 tick-to-order, stale-feature 비율, 비용차감 markout, reject와 failover 시간을 측정한다.
5. Platform Thinking: Three Views from Two Sigma Leaders
구분: Two Sigma 공식 엔지니어링 글·데이터 계약과 LLM 특징연구
발표일: 2025년 10월 23일
선정 이유: 최신성보다 연구→production 데이터 구조와 시점누출 통제를 구체적으로 공개한 기술적 가치 때문에 선정했다. 채용공고가 아니다.
핵심 요약
Two Sigma 원문은 연구자가 즉시 시작할 raw data와 품질을 보장한 curated data를 병행하고, 변환을 코드·CI/CD·재사용 가능한 데이터 계약으로 관리한다고 설명한다. LLM은 특징공학을 수개월에서 수분으로 줄일 잠재력이 있지만, 과거시점에 미래정보를 알지 못하도록 point-in-time 학습자료를 쓴 오픈소스 모형으로 temporal leakage를 통제해야 한다고 밝힌다. 수천 개 AI 에이전트의 조합연구는 전망이며 실제 알파나 성과가 공개된 것은 아니다.
실무 시사점
특징 생성 속도가 빨라질수록 데이터의 시점·버전·계보가 더 중요해진다. 수정된 신용등급, 늦게 들어온 체결, 재작성된 거시자료를 현재값으로 과거에 넣으면 LLM의 아이디어가 좋아 보여도 실거래에서 재현되지 않는다. 연구용 raw view와 production curated view가 같은 계약·코드로 연결돼야 연구 결과를 재생하고 장애를 추적할 수 있다.
한국 시장 복제 아이디어
채권 원천별 event-time·ingest-time 이중시각, schema hash, revision ID를 의무화하고 raw·curated 특징을 같은 테스트로 검증한다. LLM 생성 특징 100개를 point-in-time 모델과 최신값 누출 모델로 나눠 봉인기간 IC, 비용차감 수익, 재현률, 데이터결손 민감도와 production 실패율을 비교한다.
오늘의 데스크 결론
오늘 자료는 체제확률, 생성시장, LLM 연구와 저지연 집행을 하나의 질문으로 묶는다. 모델이 무엇을 예측했는가보다 그 신호가 언제 행동으로 바뀌고, 자기 주문이 시장을 어떻게 움직이며, 어떤 데이터 버전과 계산경로를 거쳤는지를 함께 검증해야 한다. 한국 채권 데스크는 고정문턱·분포적합도·연구기간 점수 대신 비용기반 행동규칙, 반사실적 시장충격, 봉인 표본외 평가와 point-in-time 계보를 공통 통제로 삼을 수 있다.