AI readiness in central banks
중앙은행이 AI를 시험하는 단계와 실제로 운영할 준비가 된 단계는 어떻게 다른가?
AI 모델을 한 번 시연한 기관과 반복 운영할 수 있는 기관은 무엇이 다른가? IFC는 준비도를 기관이 스스로 느끼는 수준과 실제 production, 거버넌스, 인프라와 인력으로 나눠 조사했다. 보고된 AI 프로젝트 가운데 production 또는 소규모 production 비중은 2026년에 삼분의 이를 넘어 두 해 전 약 절반보다 높아졌다.
전용 인프라는 응답기관의 65%에 있었지만 AI 전문가는 대개 전체 인력의 2.5% 미만이었다. 중앙은행은 외부 상용모델을 내부환경에 두고 업무에 맞게 조정하는 방식을 많이 쓰며, 이 선택은 초기비용을 줄이는 대신 공급자 의존·프라이버시·전략적 자율성 문제를 만든다.
채권 리서치와 시장감시 AI도 같은 구분이 필요하다. 예측오차가 작아도 point-in-time 데이터 재현, 민감정보 차단, 승인·rollback과 agent 감시가 없으면 production 준비가 끝난 것이 아니다. 모델 성능표와 운영준비도 점수표를 분리해야 인식과 실제 통제 사이의 차이를 볼 수 있다.
SCOPEIFC 회원 중앙은행의 자기보고 설문이다. production 분류는 기관별 해석 차이를 포함하며 모델 정확도나 정책성과를 직접 측정하지 않는다.
Evidence & verification ↓각 기관의 AI가 정확해도 왜 금융시스템 전체 위험은 커질 수 있는가?
개별 기관의 AI가 더 정확해지면 시장도 자동으로 안정되는가? BIS는 모델의 독립 정확도와 참가자 간 행동상관이 다른 문제라고 본다. 여러 금융기관이 비슷한 모델·데이터·의사결정 규칙을 쓰면 같은 정보를 같은 방향으로 읽어 crowded trade와 동시 위험축소를 만들 수 있다.
위험축소가 동시에 시작되면 매도가 가격을 더 내리고, 낮아진 가격이 다시 risk gate를 건드리는 피드백이 생긴다. BIS는 레버리지와 팔기 어려운 자산이 이 조정을 더 크게 만들 수 있다고 설명한다. 유동성이 얕은 크레딧과 담보조달에 의존하는 포지션에서는 같은 신호의 중첩이 개별 예측오차보다 중요할 수 있다.
채권 모델 검증에는 예측오차 외에 공통요인 민감도와 강제매도 중첩을 넣어야 한다. 같은 volatility·momentum·liquidity 지표를 서로 다른 기관이 쓴다고 가정하고 듀레이션 축소, ETF 환매, 딜러 재고감축과 담보추가 요구가 한 시점에 모일 때 손실과 회복시간을 재생해야 한다.
SCOPEBIS 관리 연설이 제시한 잠재적 금융안정 경로다. 특정 AI 모델이나 시장의 동조화 계수를 추정한 실증연구가 아니며 인과효과를 확정하지 않는다.
Evidence & verification ↓체결 여부만 일부 관측되는 시장조성에서 주문장은 학습에 어떤 정보를 더 주는가?
시장조성자는 체결된 주문의 고객가치를 정확히 알 수 없는데 무엇으로 호가를 배울까? 논문은 거래가 없을 때 고객가치가 bid와 ask 사이였다는 정보를 사용한다. 주문은 당장 spread 수익을 정할 뿐 아니라 다음 학습에 보이는 정보의 범위도 결정한다.
고객가치가 고정된 미지 분포에서 독립적으로 나오고 시장가격은 적대적으로 움직이는 설정에서 저자들은 high-probability regret을 제곱근 비율로 낮춘다. bid와 ask를 별도 Hedge로 학습하고 주문장 피드백에서 두 호가 사이의 손실을 재구성하는 것이 개선의 근거다.
이 보장은 환경가정에 민감하다. 고객가치까지 적대적으로 바뀌면 완전정보에서도 sublinear regret은 불가능하다. 더구나 모형은 체결 포지션을 완전유동 시장에서 거래비용과 재고제약 없이 바로 정리한다. 실제 채권 시장조성에서는 고객분포 이동, 재고와 시장충격을 별도 스트레스로 넣어야 한다.
SCOPE정규화된 단일자산의 이론결과다. 고객가치의 독립동일분포와 비용 없는 즉시청산을 가정하며 실증자료·실거래 P&L·지연·재고충격은 포함하지 않는다.
Evidence & verification ↓Use of Artificial Intelligence in Market Making
XTX는 딥러닝과 대규모 compute를 시장조성의 어떤 경제적 결과에 연결하는가?
대형 GPU 클러스터는 시장조성에서 무엇을 개선하려는가? XTX는 여러 자산의 방대한 시장자료를 딥러닝에 넣어 pricing과 price prediction의 정확도를 높이는 경로를 설명한다. 손으로 모든 특징을 정하는 방식에서 표현을 함께 학습하는 방식으로 옮기되, 모델과 데이터가 커질수록 개선폭은 줄 수 있다고 본다.
공개 발표자료는 연구저장공간을 650PB로 제시한다. 이 규모는 더 많은 자산·기간·시장상태를 같은 연구환경에서 반복할 수 있게 하지만, 그 자체로 경제적 edge를 증명하지 않는다. 실제 병목은 시장의 낮은 signal-to-noise와 시간이 지나며 관계가 바뀌는 비정상성이다.
강해 보이는 백테스트도 noise fitting이 만든 false positive일 수 있다는 경고가 중요하다. 연구속도가 빨라질수록 실험예산, 봉인기간과 다중검정 통제가 더 엄격해야 한다. 채권 시장조성에서는 공정가치 오차·체결확률·재고비용을 분리하고 모델 크기의 한계개선이 inference 지연과 운영비를 상쇄하는지 확인해야 한다.
SCOPEXTX가 중앙은행 행사에 제출한 회사 설명자료다. 모델 구조·label·검증표본·실거래 개선치와 P&L은 공개하지 않으며 compute와 시장구조에 관한 일부 내용은 회사의 전망이다.
Evidence & verification ↓Hosted Rooms for Retail Firms
예측과 adverse-selection 판단은 실제 주문별 경쟁과 가격개선으로 어떻게 이어지는가?
예측모형의 공정가치가 실제 고객체결로 바뀌는 지점은 어디인가? Hosted room은 ATS 안에서 브로커가 여러 유동성공급자를 초대하고 각 주문마다 midpoint 또는 가격개선을 경쟁시키는 구조다. 일부 리테일 브로커는 시장성 주문의 60~80%를 이런 ATS에서 체결한다고 보고한다.
유동성공급자는 정보비대칭이 낮다고 판단한 flow에서 더 자주 midpoint에 참여할 수 있다. XTX는 잘 선별된 브로커 flow에서 한쪽 midpoint 호가가 최대 80% 존재할 수 있다고 제시한다. 서로 다른 위험시계와 포지션을 가진 공급자가 같은 주문을 두고 경쟁하면 한 회사가 늘 최적인 상황을 피할 수 있다.
백서는 일부 고객의 midpoint fill이 60~80%였다고 설명하지만 엄격한 A/B test를 권고한다. 라우팅이 좋은 공급자에게 더 많은 주문을 준 뒤 그 높은 fill을 다시 품질증거로 쓰면 선택편향이 생긴다. 작은 무작위 탐색군을 남겨 fill·가격개선·정보누출과 markout을 같은 부모주문에서 비교해야 한다.
SCOPEXTX의 2025년 미국 주식시장 마케팅 백서이며 제3자 공시와 회사 사례를 함께 사용한다. 채권시장, 전체 고객, 인과적 가격개선이나 XTX의 P&L을 입증하지 않는다.
Evidence & verification ↓모형의 예측력이 production 가치가 되려면 데이터와 통제가 준비돼야 하고, 같은 모델을 쓰는 참가자의 동시 행동을 감시해야 하며, 주문별 비교실험으로 체결품질을 확인해야 한다. compute는 이 과정의 재료이지 검증을 대신하지 않는다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
AI readiness in central banks3 primary · 0 archived +
2026년 조사에서 production 또는 소규모 production 단계의 AI 프로젝트 비중은 3분의 2를 넘어 2년 전 약 절반보다 높았다.
ORIGINAL PASSAGEover two thirds in 2026, compared with about half two years earlierAI readiness in central banks, IFC Report 19, p 6 (PDF p 11), Graph 6 discussion, accessed 2026-10-31응답 중앙은행의 65%가 전용 AI 인프라를 구축했다고 보고했다.
ORIGINAL PASSAGE65%AI readiness in central banks, IFC Report 19, p 9 (PDF p 14), Graph 10.A, accessed 2026-10-31AI 전문가는 대개 중앙은행 전체 인력의 2.5% 미만이었다.
ORIGINAL PASSAGEless than 2.5% of the total workforceAI readiness in central banks, IFC Report 19, p 9 (PDF p 14), section on human capabilities, accessed 2026-10-31Artificial intelligence, monetary policy and financial stability2 primary · 0 archived +
비슷한 모델·데이터·규칙은 금융기관의 해석과 행동을 같은 방향으로 모아 crowded trade나 동시 대출·위험선호 변화를 만들 수 있다.
ORIGINAL PASSAGEcreating crowded trades or synchronised changes in lending and risk appetiteArtificial intelligence, monetary policy and financial stability, delivered 21 October 2026, section Implications for the macroeconomy and financial stability, accessed 2026-10-31레버리지와 매각이 어려운 자산은 동시 위험축소의 시장조정을 더 크게 만들 수 있다.
ORIGINAL PASSAGELeverage and assets that are difficult to sell could intensify the adjustmentArtificial intelligence, monetary policy and financial stability, delivered 21 October 2026, herding paragraph, accessed 2026-10-31Optimal Regret for Online Market Making with Limit Order Book4 primary · 0 archived +
주문장 피드백에서는 거래가 없을 때 고객가치가 관측된다.
ORIGINAL PASSAGErevealed only if no transaction occursOptimal Regret for Online Market Making with Limit Order Book, arXiv:2610.09691v1, abstract and Protocol 1, pp 1–3, accessed 2026-10-31고객가치가 확률분포에서 나오면 적대적 시장가격에서도 제곱근 비율의 높은 확률 후회상한을 얻는다.
ORIGINAL PASSAGEhigh-probability regret boundOptimal Regret for Online Market Making with Limit Order Book, arXiv:2610.09691v1, section 1.1 and Table 1, pp 2–3, accessed 2026-10-31시장가격과 고객가치가 모두 적대적이면 완전정보에서도 sublinear regret을 보장할 수 없다.
ORIGINAL PASSAGEsublinear regret is impossibleOptimal Regret for Online Market Making with Limit Order Book, arXiv:2610.09691v1, abstract and section 1.1, pp 1–3, accessed 2026-10-31이론모형은 포지션을 추가 거래비용이나 재고제약 없이 완전유동 시장에서 즉시 청산한다.
ORIGINAL PASSAGEno additional transaction costs or inventory constraintsOptimal Regret for Online Market Making with Limit Order Book, arXiv:2610.09691v1, section 2 Preliminaries, p 3, accessed 2026-10-31Use of Artificial Intelligence in Market Making4 primary · 0 archived +
XTX는 대규모 딥러닝의 결과를 pricing과 price prediction 정확도에 연결해 설명한다.
ORIGINAL PASSAGEaccuracy of pricing and price predictionsUse of Artificial Intelligence in Market Making, slide 4, accessed 2026-10-31발표자료는 XTX 연구클러스터의 사용가능 저장공간을 650PB로 제시한다.
ORIGINAL PASSAGE650 petabytes of usable storageUse of Artificial Intelligence in Market Making, slide 5, accessed 2026-10-31강해 보이는 백테스트도 noise fitting이 만든 false positive일 수 있다고 경고한다.
ORIGINAL PASSAGEfalse positives created by fitting noiseUse of Artificial Intelligence in Market Making, slide 6, accessed 2026-10-31시장신호는 시간에 따라 바뀌는 비정상성을 갖는다.
ORIGINAL PASSAGEsignal changes over timeUse of Artificial Intelligence in Market Making, slide 6, accessed 2026-10-31Hosted Rooms for Retail Firms4 primary · 0 archived +
여러 리테일 브로커는 시장성 주문의 60~80%가 hosted room을 지원하는 ATS에서 체결된다고 보고했다.
ORIGINAL PASSAGE60%-80% of their marketable ordersHosted Rooms for Retail Firms, May 2025, p 1, Introduction, accessed 2026-10-31XTX는 잘 선별된 브로커의 hosted room에서 한쪽 midpoint 호가가 최대 80% 존재할 수 있다고 제시했다.
ORIGINAL PASSAGEpresent up to 80% on one sideHosted Rooms for Retail Firms, May 2025, p 2, How do hosted rooms work, accessed 2026-10-31백서는 일부 고객의 midpoint fill 비율이 60~80%라고 설명한다.
ORIGINAL PASSAGEfill rates for their retail clients of 60%-80%Hosted Rooms for Retail Firms, May 2025, p 5, Conclusion, accessed 2026-10-31XTX는 hosted room의 잠재적 편익을 엄격한 A/B test로 검증하라고 권고한다.
ORIGINAL PASSAGEsubject to rigorous A/B testingHosted Rooms for Retail Firms, May 2025, p 5, Conclusion, accessed 2026-10-31Show the original briefing text
채권시장 AI 연구 브리핑
2026년 10월 31일
조사 마감: 2026년 10월 31일 06:33 (Asia/Seoul)
원문 열람일: 2026년 10월 31일
중복 점검: 기존 86개 브리핑과 430개 연구의 제목·원문 URL을 대조했다. 전날의 BIS AI 인프라 부채, Hawkes 사건정의, 상태의존 주문배치, Citadel Securities와 Optiver 자료는 제외했다. 오늘 1~3번은 최신 국제기구 보고서·공식 연설·논문 본문을 확인했고, 4~5번은 채용공고가 아닌 XTX Markets의 공식 발표자료와 백서다. 기업이 공개하지 않은 모델·라벨·배포기준·위험한도·P&L은 추론하지 않았다.
1. AI readiness in central banks
구분: BIS Irving Fisher Committee Report 19·중앙은행 AI 운영준비도
발표일: 2026년 10월 28일
핵심 요약
BIS IFC 원문은 중앙은행의 AI 준비도를 인식이 아니라 실제 production, 전용 인프라, 인력과 통제로 나눠 조사했다. 2026년 production 또는 소규모 production 단계의 AI 프로젝트는 전체의 3분의 2를 넘어서 2년 전 약 절반보다 늘었다. 응답기관의 65%가 전용 AI 인프라를 갖췄지만 AI 전문인력은 대개 전체 인력의 2.5% 미만이었다.
실무 시사점
모형을 한 번 시험한 것과 운영준비가 된 것은 다르다. 채권 리서치·시장감시 AI는 데이터 계보, 민감정보 보호, 비용·공급자 집중, human override와 agent 감시를 포함해야 production으로 볼 수 있다. 기관이 준비됐다고 느끼는 정도와 실제 통제·인프라가 다를 수 있으므로 모델 성능표와 운영준비도 점수표를 분리해야 한다.
한국 시장 복제 아이디어
한국은행·감독기관·채권운용 조직에 공통으로 쓸 AI readiness scorecard를 만든다. 데이터의 point-in-time 재현, 모델 승인, 민감정보 차단, 외부모델 장애, human override, 비용과 공급자 집중을 항목별로 측정하고, shadow에서 production으로 넘어간 사례의 장애율·복구시간·검토시간을 준비도 점수와 비교한다.
2. Artificial intelligence, monetary policy and financial stability
구분: BIS 공식 연설·AI 동조화와 채권시장 유동성 위험
발표일: 2026년 10월 21일
핵심 요약
BIS 원문은 금융기관이 비슷한 모델·데이터·의사결정 규칙을 쓰면 같은 정보를 같은 방향으로 해석해 crowded trade와 동시 위험축소를 만들 수 있다고 경고한다. 레버리지와 팔기 어려운 자산은 이런 동조화가 가격으로 번지는 폭을 키울 수 있다. 이는 실증 추정이 아니라 중앙은행의 금융안정 위험경로 제시다.
실무 시사점
개별 모델의 예측오차가 작아도 여러 기관이 같은 입력과 risk gate를 공유하면 시스템 위험은 커질 수 있다. 채권에서는 같은 금리·유동성 신호가 듀레이션 축소, ETF 환매, 딜러 재고감축과 담보추가 요구를 동시에 촉발하는지 봐야 한다. 모델 검증에는 독립 정확도뿐 아니라 공통요인 민감도와 강제매도 중첩을 넣어야 한다.
한국 시장 복제 아이디어
국채선물 외국인 포지션, 채권형 펀드 환매, 증권사 재고, 레포 haircuts와 호가공백을 분 단위로 정렬한다. 공통 volatility·momentum·liquidity 신호가 임계값을 넘은 날과 그렇지 않은 날의 동시 포지션 축소율, bid-ask, 가격충격과 회복시간을 비교하고 신호별 상관을 낮춘 ensemble risk gate가 tail loss를 줄이는지 검증한다.
3. Optimal Regret for Online Market Making with Limit Order Book
구분: 최신 이론연구·부분관측 시장조성과 온라인학습
발표일: 2026년 10월 7일
핵심 요약
논문 원문은 거래가 없을 때만 고객의 사적가치가 드러나는 주문장 피드백에서 bid·ask를 순차 학습한다. 고객가치가 고정된 미지 분포에서 독립적으로 나오고 시장가격은 적대적으로 움직여도, 이전의 시간 삼분의 이 승 후회율을 제곱근 비율로 개선했다. 고객가치까지 적대적이면 완전정보에서도 sublinear regret이 불가능하다는 하한도 증명했다.
실무 시사점
주문을 내는 행위가 손익뿐 아니라 다음 학습자료를 결정한다. 거래가 없었던 구간은 고객가치가 bid와 ask 사이에 있다는 추가정보를 주지만, 체결된 주문에서는 정확한 가치가 가려진다. 다만 논문은 포지션을 즉시 완전유동 시장에서 비용 없이 정리하는 이론모형이므로 재고·시장충격·지연이 있는 실제 채권 시장조성 성과를 보장하지 않는다.
한국 시장 복제 아이디어
회사채 RFQ와 국채 스트리밍 호가에서 quote, 체결·미체결, 이후 composite price와 고객구분을 연결한다. 고정호가, bandit, 주문장 피드백 알고리즘을 같은 탐색예산으로 replay하고 누적후회, fill, markout, 재고보유시간과 위험한도 위반을 비교한다. 고객가치 분포가 월별·국면별로 이동할 때 성능이 무너지는지도 별도 holdout으로 본다.
4. Use of Artificial Intelligence in Market Making
구분: XTX Markets 공식 발표자료·딥러닝 가격예측과 HPC 경제성
발표일: 미확인
선정 이유: 최신성보다 딥러닝이 pricing·price prediction과 compute 경쟁으로 연결되는 경로를 회사가 직접 설명한 기술적 가치 때문에 선정했다. 채용공고가 아니다.
핵심 요약
XTX 발표자료 원문은 대규모 시장자료를 학습한 딥러닝의 성능을 pricing과 price prediction 정확도로 연결한다. 회사는 연구저장공간을 650PB로 제시하면서 compute가 진입장벽이 될 수 있다고 설명한다. 동시에 시장신호는 작고 비정상적이며 강해 보이는 백테스트도 noise fitting의 false positive일 수 있다고 경고한다.
실무 시사점
GPU 규모 자체는 수익근거가 아니다. 더 많은 자산·기간·시장상태를 학습해 공정가치 오차를 줄일 수 있지만, 비정상성과 다중실험 때문에 연구속도가 빨라질수록 false discovery 통제가 더 중요해진다. 채권 시장조성에서는 가격오차·체결확률·재고비용을 분리하고 모델 규모 증가의 한계개선이 inference 지연과 운영비를 상쇄하는지 봐야 한다.
한국 시장 복제 아이디어
국채선물·현물·IRS·회사채의 동기화 시장자료로 선형모형, 작은 sequence model과 대형모형을 비교한다. 동일한 시계열 봉인기간과 실험예산을 적용하고 fair-value 오차, 비용차감 markout, GPU-hour, inference tail latency와 재학습 빈도를 기록한다. 모델 크기를 늘려도 holdout 개선이 compute 비용보다 작아지는 지점을 production 상한으로 둔다.
5. Hosted Rooms for Retail Firms
구분: XTX Markets 공식 백서·주문별 경쟁과 유동성 라우팅
발표일: 2025년 5월
선정 이유: 최신성보다 예측·리스크가 실제 고객유동성과 체결품질로 수익화되는 시장구조를 구체적으로 공개한 자료라 선정했다. 채용공고가 아니다.
핵심 요약
XTX 백서 원문은 ATS 안에서 여러 유동성공급자가 주문마다 경쟁하는 hosted room 구조를 설명한다. 일부 리테일 브로커는 시장성 주문의 60~80%를 이런 ATS에서 체결한다고 보고했고, XTX는 잘 선별된 flow에서 한쪽 midpoint 호가가 최대 80% 존재할 수 있다고 제시한다. 백서는 일부 고객의 midpoint fill이 60~80%라고 설명하지만 엄격한 A/B test를 권고한다.
실무 시사점
유동성 제공자는 모든 flow에 같은 가격을 내기보다 정보비대칭이 낮다고 판단한 주문군에서 midpoint 참여율을 높인다. 수익화 경로는 fair value와 adverse-selection 예측을 주문별 참여 여부·수량·가격개선으로 바꾸는 데 있다. 그러나 수치는 XTX의 마케팅 자료와 제3자 공시를 섞은 미국 주식 사례이며 채권이나 전체 P&L을 입증하지 않는다.
한국 시장 복제 아이디어
국고채·회사채 RFQ에서 익명 주문특성, 크기, 시간대, 고객군과 이후 markout을 이용해 유동성공급자별 참여확률과 가격개선을 추정한다. 기존 최적 라우팅의 대부분은 유지하고 작은 무작위 탐색군을 둬 LP별 fill, midpoint 대비 개선, 정보누출, 다음 거래 markout을 비교한다. 개선이 반복되는 경우에만 배분을 갱신하고 최소 경쟁자 수와 kill switch를 둔다.
오늘의 데스크 결론
오늘 자료는 AI 운영에서 모델 성능과 시장 결과 사이에 세 개의 통제가 필요하다는 점을 보여준다. 기관 수준에서는 데이터·인프라·인력·감시가 준비돼야 하고, 시장 수준에서는 비슷한 모델의 동시 행동을 봐야 하며, 전략 수준에서는 주문이 어떤 학습정보를 남기는지 관리해야 한다. XTX 자료도 compute와 예측이 실제 유동성 제공으로 연결되려면 false discovery 통제와 주문별 비교실험이 필요하다고 읽힌다.