Weekend Crypto Volatility and Monday Market Risk
전통시장이 닫힌 주말의 암호자산 변동성은 월요일 채권위험을 얼마나 앞서 보여주는가?
주말에 닫힌 채권시장은 암호자산에 먼저 반영된 정보를 월요일에 따라가는가? 연구는 BTC·ETH·XRP의 토·일 변동성에서 공통요인을 만들고, IEF를 포함한 전통자산의 HAR 변동성 모형에 더했다. 최근 약 두 해의 자산별 103~104개 월요일을 expanding window로 예측해 과거 전체 적합의 착시를 줄였다.
주말요인을 더하면 QLIKE가 S&P 500 22%, 금 11%, IEF 17% 낮아졌다. 동시에 일반 random forest와 gradient boosting은 IEF에서 단순 HAR보다 손실이 컸다. 이 비교는 복잡한 비선형모형보다 거래달력에 맞춘 변수 하나가 더 유용할 수 있음을 보여준다. 다만 ETF flow 상호작용은 가설을 지지하지 않아 정보가 어떤 딜러·헤지 경로로 전달됐는지는 남아 있다.
IEF는 미국 중기 국채 ETF이고 on-the-run 현물이나 선물이 아니다. 표본도 최근 월요일에 집중돼 구조변화가 재현될지는 미확인이다. 국내에서는 암호자산 주말변동성뿐 아니라 원달러 NDF와 글로벌 금리선물의 일요일 재개 정보를 분리하고, 휴일로 화요일에 열리는 주는 별도 holdout으로 두어야 한다.
SCOPEIEF ETF와 일별 range 변동성을 사용한 관측연구다. 최근 표본의 예측관계는 인과적 전파를 뜻하지 않으며 ETF flow 결과도 구체 메커니즘을 확인하지 못했다.
Evidence & verification ↓장기기억 주문흐름을 시장조성 RL의 상태로 어떻게 압축할 수 있는가?
자기흥분 주문흐름은 최근 체결 하나만으로 다음 도착확률을 설명할 수 없다. HSN은 과거 event를 여러 감쇠속도의 지수필터로 누적해 작은 상태벡터를 만들고, 그 감쇠율과 호가정책을 reward에서 end-to-end로 학습한다. 주문도착 kernel과 fill probability를 먼저 추정한 뒤 제어문제를 푸는 두 단계 오차를 피하려는 설계다.
평가는 단일·다중자산, 지수·power-law·regime-switching Hawkes를 포함한 일곱 설정에서 이뤄졌다. intensity 정보가 정책에 중요한 다섯 설정에서 HSN은 가장 강한 비교모형보다 평균 누적보상이 5~32% 높았고, greedy policy는 고정 episode와 30개 random seed로 비교됐다. 반면 단순 지수형 통제에서는 frame-stack MLP와 통계적으로 비슷했다.
보상차이는 simulator가 만든 spread, inventory penalty와 주문도착에 의존한다. 실제 국고채의 queue position, hidden liquidity, venue rule과 market impact는 들어 있지 않다. 따라서 국내 적용은 intensity 복원정확도보다 regime별 inventory tail, adverse-selection markout과 kill-switch 빈도를 먼저 통과시킨 뒤 shadow quoting으로 좁혀야 한다.
SCOPEHawkes 합성 주문장과 모형이 정의한 reward의 결과다. 실제 호가큐, 수수료, 지연, 시장충격과 비정상 참여자 반응을 검증하지 않았고 공개된 실거래 성과도 없다.
Evidence & verification ↓점예측이 멀쩡한 수익률곡선 생성모형이 왜 위험시나리오에서는 폭발하는가?
수익률곡선의 평균예측이 정상인데 Monte Carlo 가치가 비정상적으로 흔들리는 이유는 무엇일까? 연구는 과거 변화 예순 개를 LSTM으로 요약하고 residual normalizing flow가 열한 개 만기의 다음날 공동분포를 생성하게 했다. Student-t base와 넓은 coupling scale은 밀도평가가 좋아도 inverse transform에서 드문 극단값을 크게 증폭할 수 있었다.
미사용 예순 날 창에서 동결한 원모형의 절대 표준화 좌표는 3.43×10^7까지 갔다. Gaussian base와 더 좁은 scale bound를 둔 안정화 모형은 14.72였지만, 단순 historical simulation이 분포점수와 명목 coverage에 더 가까웠다. 폭발방지 조치가 tail fit이나 예측우위를 자동으로 만들지 않는다는 결과다.
데이터는 Fed curve parameter에서 복원한 fitted zero-coupon yield이고 일부 단기·장기 만기는 외삽 신뢰도가 낮다. 또 원학습의 초기화 순서 문제 때문에 두 모형 차이를 architecture 하나의 인과효과로 볼 수 없다. 국내에서는 finite check, 최대좌표, scenario mean drift, quantile coverage와 curve arbitrage를 각각 release gate로 두어야 한다.
SCOPEFed 곡선모수에서 복원한 fitted yield와 저장 checkpoint의 비교다. 실제 포지션 손익이나 한국 곡선을 검증하지 않았고 초기화 순서 문제 때문에 구조변경의 순수효과를 분리하지 못했다.
Evidence & verification ↓퀀트회사는 LLM을 금융텍스트에서 거래검증 가능한 변수를 만드는 데 어떻게 연결하는가?
LLM의 금융 활용을 요약문 생성에서 거래연구로 옮기려면 무엇이 더 필요한가? Two Sigma의 공개 예시는 과거 Fed 연설을 수집하고 문장에서 특징을 뽑아 이후 금리변화와 연결되는지 묻는다. 즉 문서검색, 발표시점 정렬, feature extraction, 시장반응 label과 반복실험이 이어져야 하며 답변 문장 자체가 주문신호는 아니다.
회사 설명에 따르면 과학자들은 생성형 AI를 5년 넘게, NLP를 십 년 넘게 사용했다. LLM의 즉시효과는 더 많은 자료를 빨리 처리하고 더 많은 실험을 돌리는 데 있으며, 복잡한 금융문제에는 사람의 domain expertise와 scientific common sense가 남는다. 이는 연구회전의 메커니즘을 밝히지만 어떤 feature가 실거래 수익을 냈는지는 말하지 않는다.
거래일 표본은 제한돼 있어 prompt와 feature 정의를 반복할수록 같은 시장반응에 과적합할 수 있다. 국내 복제에서는 문서 snapshot, 발표·수정시각, prompt·model version과 lineage를 함께 저장해야 한다. 사전등록한 label과 봉인기간에서 dictionary·encoder·LLM을 비교해야 생산성 향상과 예측우위를 구분할 수 있다.
SCOPE회사 공식 인터뷰의 사례와 설명이며 학술 실증이나 공개 백테스트가 아니다. 모델, 라벨, 데이터선정, 효과크기와 P&L이 공개되지 않아 수익성은 추론할 수 없다.
Evidence & verification ↓How Jane Street Does Code Review
AI 모델·한도·배포코드의 변경을 실제 거래 전에 어떻게 같은 승인경로에 묶을 수 있는가?
모델은 검증됐는데 한도파일이나 배포코드가 따로 바뀌면 누가 전체 위험을 승인할까? Iron은 commit 하나가 아니라 branch 전체의 review 상태를 추적하고 merge 뒤에도 이미 읽은 부분과 새 변경을 구분한다. production-critical 코드의 모든 변경을 주의 깊게 보도록 reviewer obligation과 release management를 결합한다.
파일별 책임자는 자신이 맡은 파일의 변경을 반드시 보고, feature reviewer는 branch 전체를 명시적으로 second한다. 같은 도구로 거래한도도 검토하며 승인권자의 명시적 승인 없이는 변경을 release할 수 없다. 이 설계는 코드, 설정과 위험한도를 서로 다른 티켓으로 흩뜨리지 않고 배포가능 상태를 하나의 감사흐름으로 만든다.
공개강연은 특정 AI 모델, 장애율이나 승인효과를 계량하지 않는다. 따라서 한국 데스크에서는 Iron을 복제하기보다 model artifact, feature schema, limit, kill switch와 rollback plan을 같은 change set으로 묶는 원칙을 시험해야 한다. hash가 일치한 backtest와 shadow 결과, QR·trader·risk·production 승인 전부가 있어야 canary로 나가게 하면 된다.
SCOPE2017년 공식 기술강연의 운영설명으로 최신 시스템 구성이나 성과지표는 공개하지 않는다. 위험통제의 존재는 확인되지만 그것이 수익이나 사고감소에 미친 효과는 독립 검증할 수 없다.
Evidence & verification ↓공통점은 성능지표 하나가 운영가능성을 대신하지 못한다는 데 있다. 단순 HAR와 역사적 모의가 더 복잡한 모형을 이길 수 있고, 구조화한 RL도 simulator 밖에서는 다시 검증해야 한다. 한국 데스크의 다음 실험은 예측정확도와 함께 시점누출, tail failure, regime별 안정성, 승인 없는 변경의 차단을 같은 평가표에 올리는 편이 맞다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Weekend Crypto Volatility and Monday Market Risk2 primary · 0 archived +
평가기간은 2024년 4월부터 2026년 6월까지이며 자산별 103~104개 월요일을 썼다.
ORIGINAL PASSAGE103-104 Monday observations per assetarXiv 2610.35702v1, Section 5.3.2, 26 October 2026, accessed 2026-10-28주말요인 추가 시 QLIKE는 S&P 500 22%, IEF 17%, 금 11% 낮아졌다.
ORIGINAL PASSAGE22% for the S&P 500, 17% for Treasury and 11% for goldarXiv 2610.35702v1, Section 5.3.2, 26 October 2026, accessed 2026-10-28Reinforcement Learning with Hawkes-Structured Networks for Market Making3 primary · 0 archived +
실험은 일곱 설정과 네 시장조성 환경을 비교했다.
ORIGINAL PASSAGEacross seven configurations in four settingsarXiv 2610.16524v1, Section 5, 12 October 2026, accessed 2026-10-28intensity-sensitive 설정에서 HSN의 평균 누적보상 우위는 5~32%였다.
ORIGINAL PASSAGEhighest mean cumulative reward by +5–32%arXiv 2610.16524v1, Section 5, 12 October 2026, accessed 2026-10-28평가결과는 30개 random seed의 평균이다.
ORIGINAL PASSAGEaveraged over 30 random seedsarXiv 2610.16524v1, Section 5.1, 12 October 2026, accessed 2026-10-28Tail Instability and Scale Control in Conditional Normalizing Flows for Treasury Yield-Curve Scenarios4 primary · 0 archived +
모형은 미국 국채 수익률 11개 만기의 일별 변화를 생성했다.
ORIGINAL PASSAGEdaily Treasury yield changes at eleven maturitiesarXiv 2610.14584v1, Abstract, 10 October 2026, accessed 2026-10-28Student-t 모형의 최대 절대 표준화 좌표는 3.43×10^7이었다.
ORIGINAL PASSAGEabsolute standardized coordinate of 3.43×10^7arXiv 2610.14584v1, Abstract and Section 5.4, 10 October 2026, accessed 2026-10-28안정화 모형의 최대 절대 표준화 좌표는 14.72였다.
ORIGINAL PASSAGEreached 14.72arXiv 2610.14584v1, Abstract, 10 October 2026, accessed 2026-10-28새 창에서는 historical simulation의 분포점수와 coverage가 더 좋았다.
ORIGINAL PASSAGEhistorical simulation had better distributional scoresarXiv 2610.14584v1, Abstract, 10 October 2026, accessed 2026-10-28AI Core Team Lead Mike Schuster on How to Get the Most From LLMs3 primary · 0 archived +
Two Sigma 과학자들은 생성형 AI를 5년 넘게 사용했다고 밝혔다.
ORIGINAL PASSAGEgenerative AI for well over 5 yearsTwo Sigma, How to Get the Most From LLMs, 4 February 2025, accessed 2026-10-28공개된 금융활용 역할 중 하나는 feature extraction이다.
ORIGINAL PASSAGEfeature extractionTwo Sigma, How to Get the Most From LLMs, 4 February 2025, accessed 2026-10-28공개 예시는 earnings call과 Fed 연설을 입력자료로 든다.
ORIGINAL PASSAGEearnings calls or Fed speechesTwo Sigma, How to Get the Most From LLMs, 4 February 2025, accessed 2026-10-28How Jane Street Does Code Review3 primary · 0 archived +
Iron은 production-critical 코드의 모든 변경을 세심하게 검토하는 것을 목표로 한다.
ORIGINAL PASSAGEall changes to production-critical code receive careful attentionJane Street Tech Talk, How Jane Street Does Code Review, talk held 15 November 2017, accessed 2026-10-28Iron에는 파일별 검토강도를 통제하는 기능이 있다.
ORIGINAL PASSAGEper-file scrutiny controlsJane Street Tech Talk, How Jane Street Does Code Review, talk held 15 November 2017, accessed 2026-10-28거래한도 변경은 명시적 승인 없이는 release할 수 없다.
ORIGINAL PASSAGEwithout the explicit approval, you can’t release those changesJane Street Tech Talk transcript, How Jane Street Does Code Review, talk held 15 November 2017, accessed 2026-10-28Show the original briefing text
채권시장 AI 연구 브리핑
2026년 10월 28일
조사 마감: 2026년 10월 28일 06:31 (Asia/Seoul)
원문 열람일: 2026년 10월 28일
중복 점검: 기존 84개 브리핑·420개 연구의 제목과 원문 URL을 대조했다. 전날의 CARL, 합성 주문장 foundation model, AlphaRLM, Optiver 연구 오케스트레이션, Jane Street 분산시스템 검증 자료는 제외했다. 1~3번은 논문 본문·표·평가조건을 확인했고 4~5번은 채용공고가 아닌 회사 공식 기술 자료다. 공개되지 않은 비밀전략·모델·위험한도·P&L은 추론하지 않았다.
1. Weekend Crypto Volatility and Monday Market Risk
구분: 최신 연구·주말 암호자산 변동성과 월요일 채권위험
발표일: 2026년 10월 26일
핵심 요약
논문 원문은 주말 암호자산 변동성이 전통시장이 다시 여는 월요일의 주식·금·채권 ETF 변동성을 예측하는지 검증한다. 2024년 4월부터 2026년 6월까지 자산별 103~104개 월요일의 walk-forward 평가에서 주말 공통요인을 HAR에 더하면 QLIKE가 S&P 500 22%, 금 11%, IEF 17% 낮아졌다. IEF의 개선은 단측 Diebold–Mariano 검정 p=0.042였지만, IEF는 현물 국채가 아니라 7~10년 국채 ETF다.
실무 시사점
전통시장이 닫힌 동안 계속 거래되는 시장을 주말 정보계기로 볼 수 있다는 결과다. 반면 random forest와 gradient boosting은 IEF에서 HAR보다 QLIKE가 각각 약 40%, 25% 높아 복잡한 모형 자체가 예측력을 보장하지 않았다. ETF flow 상호작용도 전파경로를 지지하지 않아 공통 투자자, 딜러 헤지, 거시정보 반영 중 어느 경로인지 아직 식별되지 않았다.
한국 시장 복제 아이디어
금요일 장 마감부터 월요일 개장 전까지 BTC·ETH의 realized variance, 선물 basis, 원화·달러 거래량을 만들고 국채선물 3년·10년과 KTB·IRS의 월요일 첫 30분 변동성을 예측한다. HAR, tree, LSTM에 같은 expanding window를 적용해 QLIKE·RMSE·DM 검정과 휴일연장 주말의 민감도를 비교한다.
2. Reinforcement Learning with Hawkes-Structured Networks for Market Making
구분: 최신 연구·비마르코프 주문흐름과 RL 시장조성
발표일: 2026년 10월 12일
핵심 요약
논문 원문은 자기흥분과 장기기억을 가진 Hawkes 주문흐름에서 모델을 미리 추정하지 않고 호가정책을 학습하는 Hawkes-Structured Network를 제시한다. 학습 가능한 지수혼합 필터가 과거 주문을 압축하고 PPO 보상으로 표현과 호가를 함께 최적화한다. 모의환경 일곱 설정 중 intensity 정보가 중요한 다섯 설정에서 일반 MLP·RNN·Transformer 대비 평균 누적보상이 5~32% 높았지만, 이는 합성 주문장 모의실험이지 실거래 P&L이 아니다.
실무 시사점
주문도착 강도를 먼저 맞추고 정책을 따로 푸는 두 단계 접근은 kernel misspecification과 regime change에 취약하다. HSN은 빠른·느린 주문흐름 기억을 정책목표에 맞춰 함께 학습하며, 30개 seed와 고정 evaluation episode에서 heavy-tail·cross-asset·regime-switching 설정의 이점을 보였다. 다만 단순 지수형 통제환경에서는 가장 강한 frame-stack 기준과 통계적으로 비슷해 구조적 inductive bias가 항상 보상을 높이지는 않았다.
한국 시장 복제 아이디어
국채선물 최우선호가·체결·취소를 event stream으로 만들고 지수혼합 HSN, LSTM, Transformer, frame-stack PPO를 같은 simulator에서 비교한다. 목표는 spread capture에서 inventory penalty와 adverse-selection markout을 뺀 값으로 두고, 정상일·금통위·입찰·roll 구간별 reward, intensity 복원오차, kill-switch 발동률을 측정한다.
3. Tail Instability and Scale Control in Conditional Normalizing Flows for Treasury Yield-Curve Scenarios
구분: 최신 연구·국채 수익률곡선 시나리오의 꼬리 안정성
발표일: 2026년 10월 10일
핵심 요약
논문 원문은 미 재무부 수익률곡선 11개 만기의 일별 변화를 LSTM 조건부 normalizing flow로 생성할 때 점예측이 정상이어도 표본 꼬리가 폭발할 수 있음을 보인다. 미사용 60일 창에서 동결한 Student-t 모형의 절대 표준화 좌표는 3.43×10^7까지 갔지만 Gaussian base와 ±0.5 scale bound를 쓴 모형은 14.72였다. 그러나 historical simulation이 분포점수와 명목 coverage에 더 가까워 수치안정성과 예측우위는 별개였다.
실무 시사점
시나리오 평균·ES·옵션가치는 극소수 폭발표본에 크게 흔들릴 수 있으므로 평균 손실과 likelihood만으로 생성모형을 승인하면 안 된다. 저자는 600,000개 벡터를 같은 동결 checkpoint에서 생성해 location head MSE와 scenario mean MSE의 괴리를 보였다. 안정화 모형도 단순 역사적 모의보다 항상 낫지 않아 tail cap, finite check, quantile coverage, log score를 분리해 점검해야 한다.
한국 시장 복제 아이디어
국고채 1·3·5·10·20·30년, IRS, 국채선물의 일별 DV01-normalized 변화를 공동 생성한다. Student-t·Gaussian base와 scale bound를 바꾸며 최대 표준화 좌표, scenario mean drift, CRPS·energy score, VaR coverage와 curve arbitrage 위반을 평가하고 금융위기·코로나·긴축 창은 완전히 봉인한다.
4. AI Core Team Lead Mike Schuster on How to Get the Most From LLMs
구분: Two Sigma 공식 인터뷰·LLM 피처 추출과 연구 생산성
발표일: 2025년 2월 4일
선정 이유: 최신성보다 금융 텍스트를 연구변수로 바꾸는 실제 작업과 공개 범위가 구체적이어서 선정했다. 채용공고가 아니다.
핵심 요약
Two Sigma 원문에서 AI Core Team 책임자는 사내 과학자들이 생성형 AI를 5년 넘게, NLP를 10년 넘게 사용해 왔다고 설명한다. 공개 예시는 20년치 Fed 연설을 모아 텍스트 특징을 추출하고 이후 금리변화와 연결되는지를 검증하는 과정이다. LLM은 더 많은 자료처리와 실험을 돕지만, 회사는 구체 모델·라벨·효과크기·실거래 P&L을 공개하지 않았다.
실무 시사점
수익화 경로는 LLM의 답변을 그대로 주문으로 보내는 것이 아니라 문서수집→시점고정→feature extraction→시장반응 label→반복실험으로 이어진다. 금융의 거래일 표본은 제한돼 있어 prompt를 많이 바꾸는 과정 자체가 과적합을 만들 수 있다. 사람의 도메인 검토, 문서 발표시점, feature lineage와 봉인기간이 생산성 향상과 신호 유효성을 구분한다.
한국 시장 복제 아이디어
금통위 의사록·통화정책방향·총재 기자회견을 발표시점 snapshot으로 저장하고 정책방향, 불확실성, 물가·성장·환율 문장을 구조화한다. 사전 고정한 label인 발표 후 5분·30분·1일 KTB·IRS 변화에 대해 dictionary, encoder, LLM feature를 비교하고 시점누출·prompt 안정성·비용차감 예측력을 평가한다.
5. How Jane Street Does Code Review
구분: Jane Street 공식 기술 강연·프로덕션 변경과 위험한도 승인
발표일: 2017년 11월 15일(공개 강연일; 기술 페이지 게시일 미표기)
선정 이유: 최신성보다 production-critical 코드와 거래한도 변경을 같은 검토체계에서 통제하는 구체적 사례 때문에 선정했다. 채용공고가 아니다.
핵심 요약
Jane Street 강연 원문은 사내 Iron이 branch 단위 리뷰상태, merge 뒤 검토의무, 파일별 책임자와 release management를 함께 관리한다고 설명한다. 강연자는 production-critical 코드의 모든 변경을 세심히 검토하고, 거래한도 변경은 승인권자의 명시적 승인이 없으면 release할 수 없다고 밝혔다. 공식 예고로 강연일을 교차확인했으며, AI 모델 성과나 비밀 위험한도는 공개하지 않았다.
실무 시사점
모델 registry와 코드 review를 분리하면 feature·호가·한도 변경의 전체 의미가 경계에서 빠질 수 있다. Iron 사례는 파일별 의무검토자, branch 전체 second, 변경맥락을 보존하는 inline comment, 승인 없이는 배포할 수 없는 release gate를 하나의 흐름으로 묶는다. 이는 자동집행의 수익전략이 아니라 변경오류가 시장위험으로 전파되는 경로를 막는 운영통제다.
한국 시장 복제 아이디어
채권 fair-value·체결확률 모델의 코드, feature schema, inventory limit, kill-switch threshold를 하나의 change set으로 만든다. QR·trader·risk·production owner의 파일별 의무승인, 재현 backtest hash, shadow 결과와 rollback plan이 모두 있어야 canary release하도록 하고 무승인 변경 차단률·review latency·rollback 시간을 측정한다.