금융회사는 AI agent의 자율성을 어디까지 실제로 허용하고 있는가?
AI agent가 리서치 문서를 읽는 것과 주문을 내는 것은 같은 자동화가 아니다. 영란은행과 FCA는 196개 금융회사를 대상으로 현재 AI 시스템, agent의 자율성, 외부 공급자와 통제를 조사했다. 조사비율은 질문에 유효하게 응답한 회사를 분모로 계산했으므로 항목마다 분모가 다를 수 있다.
광범위한 실시간 인간개입 없이 행동하는 broad autonomy를 production에 배치했다고 답한 비중은 2%였다. 더구나 향후 계획까지 포함해 고객결정, 거래 실행·주문 제출, 결제, 한도·threshold 변경을 agent에게 맡길 것으로 예상한 비중은 어느 기능도 9%를 넘지 않았다. 금융사는 agent를 쓰되 손실이 즉시 확정되는 권한은 좁게 열고 있다.
채권 데스크도 정보조회, 주문안 작성, 위험검사, 승인과 실행을 별도 권한으로 나눌 필요가 있다. agent가 만든 제안과 호출도구, 승인자, 실제 주문을 하나의 감사원장에 연결하고 외부모델 업데이트에는 regression test와 rollback plan을 요구해야 한다. 예측 정확도가 좋아도 권한경계와 복구경로가 없으면 production 준비가 끝난 것이 아니다.
SCOPE영국 금융회사 자기보고 설문이며 항목별 유효 응답 수가 다르다. AI agent 사용과 수익성의 인과관계나 개별 거래시스템의 실제 오류율을 측정한 연구는 아니다.
Evidence & verification ↓정상상태에서 잘 학습한 시장조성자는 왜 방향성 주문흐름이 지속되면 무너지는가?
평균 체결강도에 맞춰 호가를 학습하면 왜 체제가 바뀐 뒤 손실이 커질까? 논문은 100개 paired-seed episode에서 각각 100,000개 주문장 사건을 재생했다. 지속적인 buy 또는 sell pressure가 생기면 정적 정책은 같은 방향 체결을 쌓고 재고한도에 붙으면서 spread 수익보다 방향성 손실이 커졌다.
정적 정책의 평균 최종손익은 대칭 흐름 benchmark 대비 약 -46%였지만, Algorithm B는 약 37%로 돌아왔다. 이 정책은 Bayesian change-point filter로 방향성 체제가 바뀌었을 belief를 계산하고 queue-adjusted quote-exposure로 자기호가가 어느 쪽 체결에 더 노출됐는지 본다. 재고와 주문흐름을 따로 보지 않고 같은 상태에 넣은 것이 차이다.
추가 scenario-bandit은 손실이 컸던 체제를 더 자주 뽑아 왼쪽 꼬리를 학습한다. 다만 상대방이 정책에 반응하지 않는 zero-intelligence simulator에서 단위주문과 양쪽 한 개 호가만 시험했다. 실제 채권시장에서는 주문크기, queue position, 시장충격과 상대전략을 넣은 replay에서 robustness가 유지되는지 다시 봐야 한다.
SCOPE모든 결과가 보정된 zero-intelligence 모의 주문장에서 나왔다. 전략적 상대방, 주문크기 선택, 다단계 호가, 실제 지연과 시장충격은 포함하지 않아 실거래 P&L을 입증하지 않는다.
Evidence & verification ↓시장조성의 quoting과 inventory 관리를 두 agent로 나누면 무엇이 보상을 어긋나게 하는가?
quote를 내는 역할과 쌓인 재고를 줄이는 역할을 분리하면 전문화가 자동으로 좋아질까? 연구는 Polymarket 417개 실제 시장의 호가 depth를 개별 주문형식으로 복원하고, recurrent IPPO를 쓰는 quoter와 risk manager를 학습했다. 원자료에는 실제 주문 ID와 queue position이 없으므로 이 부분은 추정된 simulator 상태다.
재설계한 단일 agent의 held-out end-of-episode 값은 -9.6 tick으로 재학습 기준모형 -46.1 tick보다 손실이 작았다. 그러나 관측공간, 행동공간과 inventory control을 함께 바꿨기 때문에 어느 부품의 기여인지는 분리되지 않는다. 평균가치가 음수라는 점도 개선률을 production 수익으로 읽지 못하게 한다.
다중 agent에서는 quoter가 spread capture를 받고 risk manager가 나중의 재고손실을 떠안으면 나쁜 fill의 비용이 엉뚱한 역할에 간다. fill 뒤 가격이동인 markout을 quoter 보상에 넣자 목표정렬이 개선됐다. 그래도 각 구성은 한 seed만 학습했으므로 seed 분산과 실제 queue를 포함한 재현시험이 필요하다.
SCOPE단일 거래소·상품군의 며칠 자료를 주문단위로 복원한 simulator 결과다. queue 위치는 합성이며 한 seed만 사용했고 어떤 구성도 주기적 held-out 평균가치를 양수로 만들지 못했다.
Evidence & verification ↓Intern Spotlight: 2023 HRT AI Labs Summer Projects
연구 자동화가 서로 다른 신호를 만들고 비싼 백테스트를 아끼려면 목적함수를 어떻게 바꿔야 하는가?
자동 탐색이 최고점수 하나만 좇으면 왜 연구 포트폴리오는 좁아질까? HRT의 기술글은 후보 signal과 목표수익의 상관을 높이는 동시에 후보 signal끼리의 상관을 낮추는 fitness를 사용했다. 단일 최고 신호가 아니라 함께 쓸 때 중복이 적은 집합을 만들기 위한 목적함수다.
두 번째 문제는 백테스트 한 번의 비용이다. 전체기간 손익만 돌려주는 blackbox와 달리 일별 손익을 각각 볼 수 있다면 날짜 간 상관과 부분평가로 아직 계산하지 않은 총점을 추정할 수 있다. HRT는 이런 graybox Bayesian optimization이 다양한 compute budget에서 더 일찍 좋은 파라미터를 찾았다고 설명한다.
이 과정이 공개하는 것은 비밀 signal이 아니라 research loop의 형태다. 후보생성에서 중복을 벌점으로 주고, 평가에서는 날짜·상품별 결과를 버리지 않으며, 마지막 holdout은 탐색에 재사용하지 않아야 한다. 회사 글은 실제 전략수익과 효과크기를 공개하지 않으므로 production 개선은 별도 검증대상이다.
SCOPEHRT의 공식 인턴 기술프로젝트 설명이며 구체적인 거래전략, 표본기간, 효과크기와 실제 P&L은 공개하지 않았다. 개인 프로젝트 결과의 외부 독립검증도 제한적이다.
Evidence & verification ↓Performance engineering at Jane Street
시장데이터 처리와 ML 추론이 마이크로초 단위라면 성능검증의 범위는 어디까지 넓어져야 하는가?
예측모형이 빨라도 market data부터 주문전송까지 이어진 경로가 느리면 어떤 일이 생길까? Jane Street는 단일 CPU core에서 초당 수백만 multicast message를 처리하는 입력단과 ML 추론을 같은 performance engineering 문제로 다룬다. 시장이 움직인 뒤 나온 정확한 예측은 주문결정에 쓸 수 없기 때문이다.
학습단에서는 GPU만 보지 않고 storage, network와 host를 포함한 전체 training run을 profiling한다. 실거래 추론은 사람 응답시간의 throughput 문제가 아니라 microsecond-scale latency 문제라서 optimized CUDA, custom hardware와 compiler까지 설계범위가 넓어진다. 평균 처리량보다 각 단계의 tail과 동기화 비용이 중요해진다.
채권 자동집행은 feed 수신, feature 계산, inference, risk gate와 주문전송을 공통 trace ID로 연결해야 한다. 한 단계를 빠르게 한 뒤 병목이 다른 단계로 이동하는지, 극단꼬리 지연에서 의사결정이 stale해지는지를 함께 봐야 한다. 공개자료는 특정 전략의 개선폭이나 수익효과를 제시하지 않는다.
SCOPEJane Street의 공식 기술설명으로 구체적인 모델, latency 개선수치, 장애율과 전략 P&L은 공개하지 않았다. 페이지의 최초 발표일도 확인되지 않았다.
Evidence & verification ↓AI를 실제 채권 workflow에 넣는 기준은 자율성의 크기가 아니다. 주문권한을 좁게 열고, 체결 뒤 손실을 만든 역할에 보상이 돌아가며, 전체 경로의 tail latency와 holdout 손익을 함께 통과해야 한다. 이 조건을 기록할 수 있어야 연구가 production 피드백으로 이어진다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Artificial intelligence in UK financial services – 20263 primary · 0 archived +
2026년 조사는 영국 금융회사 196곳의 응답을 받았다.
ORIGINAL PASSAGEThe survey received 196 responsesArtificial intelligence in UK financial services – 2026, section 1.2 Methodology, accessed 2026-11-01응답자의 2%만 broad autonomy agent를 배치했다고 보고했다.
ORIGINAL PASSAGEOnly 2% reported deploying agents with broad autonomy.Artificial intelligence in UK financial services – 2026, Executive summary, Agents, accessed 2026-11-01향후 계획까지 포함해 거래·주문·결제·한도 변경 등 고위험 기능에 agent를 쓸 것으로 예상한 응답은 어느 기능도 9%를 넘지 않았다.
ORIGINAL PASSAGEno more than 9% of respondents expected agents toArtificial intelligence in UK financial services – 2026, section 3.2 Degree of autonomy, accessed 2026-11-01Deep Learning of Robust Market Making under Regime-Switching Order Flow3 primary · 0 archived +
평가는 100개 paired-seed episode와 episode당 100,000개 LOB 사건으로 수행됐다.
ORIGINAL PASSAGE100 paired-seed episodes of 100,000 LOB eventsDeep Learning of Robust Market Making under Regime-Switching Order Flow, arXiv:2609.11614, section 6 Monte-Carlo simulations, accessed 2026-11-01정적 정책의 상대 평균 최종손익은 약 -46%였고 체제신호 정책은 약 37%였다.
ORIGINAL PASSAGEroughly -46%, while the Algorithm B controller ends around 37%Deep Learning of Robust Market Making under Regime-Switching Order Flow, arXiv:2609.11614, section 6 Monte-Carlo simulations, accessed 2026-11-01모든 평가는 실거래가 아니라 모의자료를 사용했다.
ORIGINAL PASSAGEAll evaluations are based on simulated dataDeep Learning of Robust Market Making under Regime-Switching Order Flow, arXiv:2609.11614, section 10 Limitations, accessed 2026-11-01Cooperative Multi-Agent Reinforcement Learning for Market Making on Prediction-Market Order Books4 primary · 0 archived +
연구는 Polymarket 417개 실제 시장의 자료로 agent를 학습했다.
ORIGINAL PASSAGE417 real marketsCooperative Multi-Agent Reinforcement Learning for Market Making on Prediction-Market Order Books, arXiv:2610.26789, abstract, accessed 2026-11-01재설계한 단일 agent의 held-out episode 가치는 -9.6 tick, 기준모형은 -46.1 tick이었다.
ORIGINAL PASSAGEfinishing at -9.6 ticks per episode against -46.1Cooperative Multi-Agent Reinforcement Learning for Market Making on Prediction-Market Order Books, arXiv:2610.26789, section 6.1, accessed 2026-11-01각 구성은 한 seed만 학습했다.
ORIGINAL PASSAGEeach configuration was trained with one seedCooperative Multi-Agent Reinforcement Learning for Market Making on Prediction-Market Order Books, arXiv:2610.26789, abstract and section 6.4, accessed 2026-11-01어떤 구성도 주기적 held-out 평가에서 평균 portfolio value를 양수로 만들지 못했다.
ORIGINAL PASSAGENone establishes positive average portfolio valueCooperative Multi-Agent Reinforcement Learning for Market Making on Prediction-Market Order Books, arXiv:2610.26789, abstract, accessed 2026-11-01Intern Spotlight: 2023 HRT AI Labs Summer Projects4 primary · 0 archived +
fitness는 signal과 목표수익의 상관을 높이도록 설계됐다.
ORIGINAL PASSAGEmaximize the signal’s correlation with the target returnsIntern Spotlight: 2023 HRT AI Labs Summer Projects, signal diversity section, accessed 2026-11-01동시에 후보 signal끼리의 상관을 낮추도록 설계됐다.
ORIGINAL PASSAGEminimizing correlation with other signalsIntern Spotlight: 2023 HRT AI Labs Summer Projects, signal diversity section, accessed 2026-11-01graybox Bayesian optimization은 blackbox보다 더 일찍 좋은 해를 찾았다고 보고됐다.
ORIGINAL PASSAGEgraybox Bayesian optimization gets us to better solutions earlierIntern Spotlight: 2023 HRT AI Labs Summer Projects, graybox optimization section, accessed 2026-11-01HRT는 이 공식 기술글을 2023년 9월 21일 게시했다.
ORIGINAL PASSAGESep 21, 2023Intern Spotlight: 2023 HRT AI Labs Summer Projects, page header, accessed 2026-11-01Performance engineering at Jane Street3 primary · 0 archived +
단일 CPU core에서 초당 수백만 multicast message를 처리하는 시스템을 운영한다고 설명한다.
ORIGINAL PASSAGEmillions of multicast messages per second on a single corePerformance engineering at Jane Street, Keeping up with the market, accessed 2026-11-01거래를 구동하는 모델은 microsecond-scale 추론지연을 요구한다.
ORIGINAL PASSAGEour models drive microsecond-scale tradingPerformance engineering at Jane Street, Accelerating machine learning, accessed 2026-11-01GPU 학습성능은 storage·network·host를 포함한 전체 stack을 profiling하고 최적화한다.
ORIGINAL PASSAGEprofiling and optimization of our training runsPerformance engineering at Jane Street, Accelerating machine learning, accessed 2026-11-01Show the original briefing text
채권시장 AI 연구 브리핑
2026년 11월 1일
조사 마감: 2026년 11월 1일 06:28 (Asia/Seoul)
원문 열람일: 2026년 11월 1일
중복 점검: 기존 87개 브리핑과 435개 연구의 제목·원문 URL을 대조했다. 전날의 BIS 중앙은행 준비도, AI 동조화, 부분관측 시장조성, XTX 딥러닝·hosted room 자료는 제외했다. 오늘 1~3번은 영란은행·FCA 보고서와 논문 본문·표·한계를 확인했고, 4~5번은 채용공고가 아닌 HRT와 Jane Street의 공식 기술자료다. 회사가 공개하지 않은 모델·라벨·위험한도·배포기준·P&L은 추론하지 않았다.
1. Artificial intelligence in UK financial services – 2026
구분: Bank of England·FCA 공동 조사·금융권 AI agent 통제
발표일: 2026년 10월 26일
핵심 요약
영란은행·FCA 원문은 영국 금융회사 196곳의 AI 이용과 통제를 조사했다. AI agent를 널리 도입했지만 광범위한 자율성을 허용한 응답자는 2%였고, 향후 계획까지 포함해 거래 실행·주문 제출·한도 변경 같은 고위험 기능을 맡길 것으로 예상한 비중은 9%를 넘지 않았다. 현재의 실무 경계는 자율 트레이더보다 인간이 결정하는 decision support에 가깝다.
실무 시사점
채권 데스크의 agent는 리서치 요약, 시나리오 생성과 주문안 제안에서 시작하되, 실제 주문·한도 변경은 별도 승인과 결정론적 통제가 필요하다. 모델 성능만 보지 말고 agent가 호출한 데이터, 도구, 제안, 승인자와 실행 결과를 한 원장으로 남겨야 사후 재현이 가능하다. 외부모델 업데이트에는 regression test와 rollback plan이 필요하다.
한국 시장 복제 아이디어
국채·회사채 주문 workflow를 정보조회, 주문안 작성, 위험검사, 승인, 실행으로 나누고 agent 권한을 단계별로 봉인한다. 사람 승인형과 제한적 자동실행형을 shadow에서 비교해 주문오류율, 승인시간, 한도위반, rollback 시간과 비용차감 execution shortfall을 측정한다.
2. Deep Learning of Robust Market Making under Regime-Switching Order Flow
구분: 시장미시구조 연구·체제전환 주문흐름과 강화학습 시장조성
발표일: 2026년 9월 10일
선정 이유: 최신성보다 비정상 주문흐름, 재고포화와 tail stress를 하나의 학습·검증 파이프라인으로 보여주는 기술적 가치 때문에 선정했다.
핵심 요약
논문 원문은 Rainbow 계열 분포형 DQN 시장조성자를 체제전환 주문흐름에서 시험한다. 100개 paired-seed 모의, 각 100,000개 주문장 사건에서 정적 흐름에 맞춘 정책의 상대 평균 최종손익은 -46%까지 무너졌지만, Bayesian change-point belief와 자기호가 노출 불균형을 넣은 정책은 37%로 회복했다. 모두 zero-intelligence 모의 주문장 결과다.
실무 시사점
평균적인 체결강도에 맞춘 시장조성자는 방향성 주문이 오래 이어질 때 재고한도에 붙어 손실을 키울 수 있다. 논문의 개선은 주문흐름 체제가 바뀌었을 확률과 현재 자기호가가 어느 방향에 더 노출됐는지를 상태에 넣어 호가를 조정한다. scenario-bandit은 손실이 컸던 체제를 더 자주 재생해 평균보상보다 왼쪽 꼬리를 겨냥한다.
한국 시장 복제 아이디어
국채선물과 전자 국고채 replay에서 buy/sell 체결편향의 change-point 확률, queue-adjusted 노출과 DV01 재고를 상태로 만든다. 정적 RL, 체제신호 RL과 adverse-scenario 재가중 정책을 같은 주문열에서 비교하고 비용차감 손익, inventory ES, 한도접촉시간과 최악 체제 손실을 평가한다.
3. Cooperative Multi-Agent Reinforcement Learning for Market Making on Prediction-Market Order Books
구분: 최신 연구·quoter와 risk manager의 보상설계
발표일: 2026년 10월 19일
핵심 요약
논문 원문은 Polymarket 417개 실제 시장의 L2 자료를 주문단위로 복원해 quoter와 risk manager를 분리한 다중 agent 시장조성을 시험한다. 재설계한 단일 agent의 held-out 최종가치는 episode당 -9.6 tick으로 같은 자료에서 재학습한 기준모형 -46.1 tick보다 손실이 작았다. 그러나 어떤 구성도 주기적 held-out 평가의 평균가치를 양수로 만들지 못했고 각 구성은 한 seed만 학습했다.
실무 시사점
역할을 나누는 것만으로는 협업이 생기지 않는다. 체결 스프레드는 quoter가 받고 재고손실은 risk manager가 떠안으면 quoter가 나쁜 체결을 과도하게 만들 수 있다. 체결 뒤 markout을 quoter 보상에 넣자 두 역할의 목표가 더 잘 맞았지만, 결과는 합성 주문 ID와 queue 위치에 의존한다.
한국 시장 복제 아이디어
국고채 RFQ simulator에서 quote agent와 inventory agent를 분리하고 공유손익, 개별손익, 체결후 markout 보상을 비교한다. 날짜 단위 holdout과 여러 seed를 사용해 episode 가치, no-quote 비율, 최악 markout, 재고보유시간과 최대 DV01을 함께 보고, 평균손익이 음수인 정책은 개선률과 무관하게 production 후보에서 제외한다.
4. Intern Spotlight: 2023 HRT AI Labs Summer Projects
구분: Hudson River Trading 공식 기술 블로그·신호 다양화와 graybox 최적화
발표일: 2023년 9월 21일
선정 이유: 최신성보다 연구 아이디어를 상관제약·백테스트 예산·GPU 검증으로 바꾸는 과정을 공개한 기술적 가치 때문에 선정했다. 채용공고가 아니다.
핵심 요약
HRT 원문은 유전알고리즘의 fitness를 목표수익과의 상관은 높이고 후보 신호끼리의 상관은 낮추도록 설계한다. 또 일별 손익처럼 부분평가가 가능한 백테스트에서는 전체 점수만 보는 blackbox 대신 구성요소 간 상관을 쓰는 graybox Bayesian optimization이 더 적은 평가로 좋은 해를 찾았다고 설명한다. 실제 전략 P&L과 모델은 공개하지 않았다.
실무 시사점
자동 연구가 단일 최고 신호만 반복해서 찾으면 비슷한 포지션이 쌓인다. 경제적 목적변수와 신호 간 중복을 함께 fitness에 넣으면 후보 집합의 다양성을 통제할 수 있다. 백테스트가 비쌀 때 날짜·상품별 부분점수를 보존하면 전 기간 실행 전에도 불리한 파라미터를 줄일 수 있지만, 이는 검증자료 재사용과 과적합 통제를 대신하지 않는다.
한국 시장 복제 아이디어
국채 carry·curve·basis 후보를 동일 DSL로 생성하고 holdout 수익과 기존 신호 상관을 함께 fitness로 둔다. 날짜·종목별 비용차감 손익을 graybox 구성요소로 저장해 grid search와 같은 compute 예산에서 최종 holdout IR, 최대낙폭, 신호상관과 유효 후보 수를 비교한다.
5. Performance engineering at Jane Street
구분: Jane Street 공식 기술자료·마이크로초 ML 추론과 전구간 프로파일링
발표일: 미확인
선정 이유: 최신성보다 모델학습부터 시장데이터 처리·추론까지 latency budget을 연결하는 production 기술 설명 때문에 선정했다. 채용공고가 아니다.
핵심 요약
Jane Street 원문은 단일 CPU core에서 초당 수백만 multicast message를 처리하는 시장데이터 경로와 microsecond-scale ML 거래 추론을 함께 설명한다. GPU 학습은 storage·network·host 전체를 profiling하고, 추론은 optimized CUDA, custom hardware와 compiler까지 사용한다. 이는 production 제약을 설명한 공식 기술자료이며 전략별 latency 개선치나 P&L은 공개하지 않았다.
실무 시사점
연구환경의 평균 GPU 사용률이 높아도 실거래 경로의 tail latency가 길면 가격예측의 유효시간을 놓친다. 데이터 수신, feature 계산, model inference, risk gate와 주문전송을 하나의 trace로 연결해야 병목이 이동하는 것을 볼 수 있다. 평균보다 p99·p99.9 지연, 결정론적 재현과 장애 직전 trace가 중요하다.
한국 시장 복제 아이디어
국채선물·현물 자동집행 경로에 공통 trace ID를 부여하고 feed 수신부터 주문응답까지 단계별 시간을 기록한다. CPU baseline, GPU batch, kernel fusion과 FPGA 전처리를 같은 예측모형으로 비교해 p50·p99·p99.9 latency, stale-decision 비율, 처리량, 전력과 비용차감 markout을 평가한다.
오늘의 데스크 결론
오늘 자료는 AI를 production에 넣을 때 권한, 보상과 시간예산을 함께 설계해야 한다는 점을 보여준다. 금융회사는 agent의 고위험 행동을 좁게 열고 있으며, 시장조성 연구는 재고손실이 어느 역할의 보상에 귀속되는지에 따라 학습이 달라진다. 연구 자동화와 저지연 인프라도 후보 수나 GPU 규모보다 중복통제, holdout과 end-to-end tail latency로 평가해야 한다.