회사채의 마지막 체결 이후 bid와 offer가 어디로 움직일지를 어떻게 예측할까?
거래가 드문 회사채에서 마지막 체결가격을 그대로 공정가치로 쓰면 왜 문제가 생길까? 시간이 지나고 시장방향이 바뀌며 매수와 매도의 유동성도 다르기 때문이다. Tradeweb은 직전 체결 이후 bid·offer 변화분의 분포를 따로 모델링하고 신경망이 그 평균과 표준편차를 내도록 설계했다. point price뿐 아니라 불확실성까지 얻는 구조다.
평가는 January 2025부터 June 2026까지 50k달러를 넘는 dealer-to-client 체결을 대상으로 다음 TRACE 체결과 비교했다. 이전 TRACE 체결을 예측값으로 쓰는 기준보다 투자등급과 하이일드의 유동성구간 가중평균 오차가 약 30% 작았다고 회사는 보고한다. 유동성구간은 거래건수로 가중했으므로 종목별 동일가중 결과와는 다르다.
가격오차 감소는 자동집행의 입력을 개선하지만 RFQ 승률이나 위험조정 P&L을 직접 증명하지 않는다. 다음 체결은 선택된 거래의 가격이고 체결되지 않은 주문은 관측되지 않기 때문이다. 실제 배포에서는 예측분포의 coverage, 주문크기별 slippage와 체결 후 mark-out을 별도 gate로 두어야 한다.
SCOPETradeweb의 자체 분석이며 표본 구성과 유동성가중 방식은 공개됐지만 독립 검증, 실거래 P&L, 주문선택 편향의 효과는 제시되지 않았다.
Evidence & verification ↓RFQ를 보내기 전에 어떤 dealer가 가장 경쟁적인 가격을 낼지 추정할 수 있을까?
RFQ를 여러 dealer에게 동시에 보내면 경쟁은 늘지만 거래의도도 넓게 노출된다. ICE Compass는 주문을 보내기 전에 상대방별 예상가격과 경쟁력을 추정해 소수의 유력 dealer를 고르는 문제로 바꾼다. 입력에는 고객의 RFQ 응답·IOI·axes·거래이력과 TRACE, 평가가격, ETF와 유동성 정보가 들어간다.
상대방 프로필은 70개가 넘는 특징으로 구성된다. RFQ 가격을 같은 dealer의 IOI와 point-in-time 평가가격에 비교하고 hit ratio와 상위권 응답 여부를 누적한다. 그 결과는 주문특성과 고객 자신의 과거 상호작용에 맞춘 경쟁력 순위가 된다. 단순한 시장평균보다 특정 고객에게 실제로 보인 행동을 학습하는 구조다.
장중 갱신은 빠른 적응을 돕지만 feedback loop도 만든다. 모형이 선택한 dealer만 새 관측을 쌓으면 다른 상대방의 경쟁력을 과소평가할 수 있다. ICE도 분석값이 실제 결과와 일치하지 않을 수 있다고 밝힌다. 따라서 작은 무작위 탐색군과 dealer 집중도 한도를 유지해야 선택편향을 감시할 수 있다.
SCOPEICE의 제품 설명과 사례이며 모델계수, 독립 benchmark 성능, 실제 거래비용 개선치와 전략 P&L은 공개되지 않았다.
Evidence & verification ↓Trumid FVMP™
거래가 거의 없는 회사채와 대형 주문에도 같은 공정가격을 쓸 수 있을까?
회사채의 긴 꼬리는 체결이 드물어 같은 학습방식을 모든 종목에 적용하기 어렵다. FVMP는 활발한 채권은 실시간 거래자료로 학습하고 비유동 채권은 spread와 yield curve로 보완한다. mid와 bid·offer뿐 아니라 machine-learned confidence를 함께 제공해 자동화가 가격의 확실성을 구분하도록 한다.
공식 페이지가 제시한 범위는 미국 회사채 30,000개 이상이다. 주문크기는 $100K부터 $5M+까지 여섯 유동성 구간으로 나누며 각 구간의 bid·offer를 다르게 낸다. 소액 체결에서 관찰한 스프레드를 대형 주문에 그대로 적용할 때 생기는 시장충격 과소평가를 줄이려는 설계다.
같은 가격기반은 RFQ 자동응답, 포트폴리오 가격과 TCA에 연결된다. 이 일관성은 사전가격과 사후평가의 정의를 맞추지만, 회사가 공개하지 않은 confidence calibration과 outlier 처리성능은 별도 검증이 필요하다. 비유동 종목에서는 curve 오차와 stale data가 confidence에 제대로 반영되는지가 배포조건이다.
SCOPETrumid의 제품 설명이며 구체적인 학습표본, 모델구조, confidence 산식, 독립적인 out-of-sample 성능과 P&L은 공개되지 않았다.
Evidence & verification ↓수백 PB의 연구자료를 여러 모델학습이 동시에 읽을 때 무엇이 전체 실험을 멈추는가?
알고리즘 연구는 원시 시장자료를 반복해서 읽고 같은 입력에서 아이디어를 비교한다. HRT는 수백 PB 규모에서 기존 저장장치의 비용·확장성과 noisy neighbor 문제가 커지자 append-only 분산파일시스템 Blobby를 만들었다. 목표는 단일 client 최고속도보다 많은 연구자가 동시에 읽을 때의 높은 aggregate throughput이다.
기본 block은 data chunk 6개와 parity chunk 3개로 구성돼 어느 3개 chunk가 사라져도 복구한다. 여러 rack에 분산한 대용량 순차읽기 중심의 선택이므로 작은 임의읽기나 제자리 수정이 많은 workload에는 같은 설계가 최적이라고 볼 수 없다.
분산학습에서는 여러 host의 loader 가운데 하나만 늦어도 나머지가 기다린다. HRT는 noisy host의 영향과 storage 자체 지연을 분리하려고 통제된 prober로 client 체감 꼬리지연을 측정한다. 모델실험의 wall-clock을 줄이려면 평균 대역폭과 함께 가장 느린 loader, 복구와 데이터 버전 일치까지 관리해야 한다.
SCOPEHRT의 공식 인프라 설명이며 Blobby는 글 작성 시 soft-production 단계였다. 전략별 학습속도 개선치, 예측성과와 P&L은 공개되지 않았다.
Evidence & verification ↓How We Verify Custom Hardware
저지연 주문경로를 FPGA로 옮길 때 속도 외에 무엇을 production gate로 둘까?
FPGA는 시장자료 처리와 주문판단을 빠르게 만들지만 많은 동작이 병렬로 일어나 timing 오류가 숨어들 수 있다. HRT는 장치가 의도한 기능을 내는지와 함께 회사의 risk check, 시장규칙과 규제를 따르는지까지 검증목표에 넣는다. 속도측정 전에 주문의 허용·거부 행동이 기준과 같아야 한다.
검증코드를 HDL로 다시 만들면 software와 test가 서로 다른 해석을 가질 수 있다. HRT는 이미 거래시장과 상호작용하는 C++·Python 코드를 재사용하고 HDL simulator와 co-simulation한다. cocotb는 Python에서 내부 signal을 보고 coroutine으로 병렬 hardware 사건을 다루며 simulator가 바뀌어도 test를 옮길 수 있게 한다.
이 구조는 production software를 golden reference로 삼을 수 있지만 reference 자체의 결함까지 잡아주지는 않는다. 정상사건뿐 아니라 burst, 순서변경, packet loss와 clock 경계에서 property와 risk invariant를 따로 검사해야 한다. 공개 글은 검증 방법을 보여줄 뿐 HRT의 실제 한도나 사고율, 수익효과는 말하지 않는다.
SCOPE2021년 HRT 공식 기술 글로 최신성보다 hardware 검증의 기술적 가치 때문에 선정했다. 구체 주문전략·위험한도·실거래 장애율과 P&L은 공개되지 않았다.
Evidence & verification ↓세 가격서비스는 서로 다른 데이터와 workflow를 쓰지만 모두 다음 거래를 실제로 실행할 수 있는 범위로 불확실성을 줄이려 한다. HRT의 두 글은 그 계산이 반복 가능하고 주문경로가 위험규칙을 지킬 때에만 연구가 production으로 넘어갈 수 있음을 보여준다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Tradeweb Ai-Price: Evolving Credit Pricing for Today’s Market3 primary · 0 archived +
Ai-Price는 직전 체결 이후 변화의 평균과 표준편차를 신경망으로 예측한다.
ORIGINAL PASSAGEpredict the mean and standard deviationTradeweb Ai-Price: Evolving Credit Pricing for Today’s Market, Methodology & accuracy, accessed 2026-11-02평가는 2025년 1월부터 2026년 6월까지 5만달러 초과 체결을 사용했다.
ORIGINAL PASSAGEprints greater than 50k from January 2025 to June 2026Tradeweb Ai-Price: Evolving Credit Pricing for Today’s Market, Methodology & accuracy, accessed 2026-11-02이전 TRACE 체결 기준 대비 투자등급·하이일드 가중평균 오차가 약 30% 개선됐다고 회사는 보고했다.
ORIGINAL PASSAGEaround a 30% improvement across IG and HYTradeweb Ai-Price: Evolving Credit Pricing for Today’s Market, Methodology & accuracy, accessed 2026-11-02ICE Compass: extracting trading signals from the bond market4 primary · 0 archived +
Compass의 거래상대방 프로필은 70개가 넘는 특징을 사용한다.
ORIGINAL PASSAGEquantifying more than 70 distinct featuresICE Compass: extracting trading signals from the bond market, Detecting the patterns underpinning bond prices, accessed 2026-11-02입력에는 TRACE 체결과 ICE의 유동성·평가가격·ETF 및 고객 소유 자료가 포함된다.
ORIGINAL PASSAGETRACE printsICE Compass: extracting trading signals from the bond market, Detecting the patterns underpinning bond prices, accessed 2026-11-02모형은 특정 주문에 대한 거래상대방의 예상 경쟁력을 순위화한다.
ORIGINAL PASSAGEranking of trading counterparties by estimated competitivenessICE Compass: extracting trading signals from the bond market, Detecting the patterns underpinning bond prices, accessed 2026-11-02ICE는 평가·분석이 실제 결과와 일치하지 않을 수 있다고 제한한다.
ORIGINAL PASSAGEmay not generate results that correlate to actual outcomesICE Compass: extracting trading signals from the bond market, Limitations, accessed 2026-11-02Trumid FVMP™4 primary · 0 archived +
FVMP의 공식 커버리지는 미국 회사채 3만 개 이상이다.
ORIGINAL PASSAGEmore than 30,000Trumid FVMP, Real-time Predictive Bond Pricing, data as of 2026-08-31, accessed 2026-11-02주문크기별 가격은 여섯 유동성 구간으로 나뉘며 10만달러부터 500만달러 초과까지다.
ORIGINAL PASSAGEsix liquidity buckets, from $100K to $5M+Trumid FVMP, What Makes FVMP Different, accessed 2026-11-02비유동 회사채의 긴 꼬리는 spread와 yield curve로 보완한다.
ORIGINAL PASSAGEderived spread and yield curves for the long tailTrumid FVMP, Machine learning for every liquidity profile, accessed 2026-11-02공정가격과 함께 기계학습 confidence score를 제공한다.
ORIGINAL PASSAGEmachine-learned confidence scoreTrumid FVMP, Transparent confidence-scored pricing, accessed 2026-11-02Building a Distributed Filesystem for Scalable Research4 primary · 0 archived +
HRT는 수백 PB의 데이터를 저장하는 비용과 확장문제를 설명한다.
ORIGINAL PASSAGEhundreds of petabytes of dataBuilding a Distributed Filesystem for Scalable Research, Why?, accessed 2026-11-02Blobby 기본 block은 data chunk 6개와 code chunk 3개로 구성된다.
ORIGINAL PASSAGE6 data chunks and 3 code chunksBuilding a Distributed Filesystem for Scalable Research, Data Layout, accessed 2026-11-02어느 3개 chunk 손실도 견딘다.
ORIGINAL PASSAGEa loss of any 3 chunksBuilding a Distributed Filesystem for Scalable Research, Data Layout, accessed 2026-11-02분산학습은 한 loader의 정체가 전체 job을 멈출 수 있어 꼬리지연 관리가 중요하다.
ORIGINAL PASSAGEvery important to minimize tail latencyBuilding a Distributed Filesystem for Scalable Research, Prober, accessed 2026-11-02How We Verify Custom Hardware4 primary · 0 archived +
HRT FPGA 검증은 회사의 위험검사와 시장규칙 준수를 포함한다.
ORIGINAL PASSAGEabides by HRT’s risk checksHow We Verify Custom Hardware, Environment Goals, accessed 2026-11-02기존 C++·Python 거래코드를 검증에 재사용하는 것을 목표로 한다.
ORIGINAL PASSAGEreuse code whenever possibleHow We Verify Custom Hardware, Environment Goals, accessed 2026-11-02HDL simulator와 외부 언어를 연결하는 co-simulation을 사용한다.
ORIGINAL PASSAGEwe use co-simulationHow We Verify Custom Hardware, Different Approaches, accessed 2026-11-02cocotb 기반 test는 simulator가 달라져도 이식할 수 있다.
ORIGINAL PASSAGEtests are portableHow We Verify Custom Hardware, Tools We Use, accessed 2026-11-02Show the original briefing text
채권시장 AI 연구 브리핑
2026년 11월 2일
조사 마감: 2026년 11월 2일 06:33 (Asia/Seoul)
원문 열람일: 2026년 11월 2일
중복 점검: 기존 88개 브리핑과 440개 연구의 제목·원문 URL을 대조했다. 전날의 영국 금융권 agent 조사, 체제전환·다중 agent 시장조성, HRT 탐색 최적화와 Jane Street 성능공학 자료는 제외했다. 오늘 1~3번은 거래소·채권 전자거래 플랫폼의 공식 기술자료이고, 4~5번은 채용공고가 아닌 HRT 공식 기술 글이다. 공개되지 않은 모델 가중치·라벨 세부·위험한도·전략별 P&L은 추론하지 않았다.
1. Tradeweb Ai-Price: Evolving Credit Pricing for Today’s Market
구분: 거래소 공식 기술 글·회사채 공정가치 신경망
발표일: 2026년 10월 8일
핵심 요약
Tradeweb 원문은 투자등급과 하이일드 회사채의 직전 체결 이후 bid·offer 변화를 Gaussian mixture로 놓고, 신경망이 변화의 평균과 표준편차를 예측한다고 설명한다. 2025년 1월부터 2026년 6월까지 5만달러를 넘는 dealer-to-client 체결에서 다음 TRACE 체결과 비교했으며, 이전 TRACE 체결을 그대로 쓰는 기준보다 유동성구간 가중평균 오차가 투자등급·하이일드에서 약 30% 개선됐다고 보고했다. 이는 회사의 자체 분석이며 독립 실거래 수익 검증은 아니다.
실무 시사점
마지막 체결가격 하나보다 매수·매도 방향별 변화분의 조건부 분포를 예측하면 중간가격과 스프레드 불확실성을 함께 얻을 수 있다. 다만 다음 체결 오차가 줄어도 RFQ 승률, 시장충격과 재고위험까지 자동으로 좋아지는 것은 아니므로 가격모형과 집행정책을 분리해서 검증해야 한다.
한국 시장 복제 아이디어
국내 회사채 체결·민평·발행·등급·업종·국고채곡선을 시점 정렬하고, 직전 체결 이후 다음 dealer-to-client 가격변화를 bid와 offer로 나눠 예측한다. 직전체결·민평·선형모형·신경망을 유동성·주문크기 구간별 절대오차, interval coverage, RFQ mark-out과 비용차감으로 비교한다.
2. ICE Compass: extracting trading signals from the bond market
구분: 거래소 공식 기술 글·거래상대방 선택 ML
발표일: 2026년 9월 8일
핵심 요약
ICE 원문은 buy-side의 RFQ 응답·IOI·axes·거래이력에 ICE 평가가격, ETF iNAV, 거래소 피드, TRACE와 유동성 지표를 결합한다. 거래상대방 프로필은 70개가 넘는 특징으로 구성되고, 특정 주문에서 예상 경쟁력이 높은 상대방과 예상가격을 고객별로 산출한다. 결과는 장중 응답과 사후 TCA로 갱신되지만 ICE는 분석값이 실제 결과와 일치하지 않을 수 있다고 명시한다.
실무 시사점
RFQ를 넓게 뿌릴수록 정보가 새고 가격이 불리해질 수 있으므로, 체결확률만이 아니라 dealer별 가격공격성·최근 hit ratio·채권 유사성과 시장상태를 함께 평가해야 한다. 개인화 모형은 상대방 선택을 돕지만 특정 dealer를 과도하게 반복 선택해 경쟁을 줄이는지 별도 감시가 필요하다.
한국 시장 복제 아이디어
국고채·회사채 RFQ의 요청시각, 응답가격, 무응답, IOI, 체결과 사후 mark-out을 dealer·종목·주문크기별로 기록한다. 무작위 탐색군과 ML 순위군을 두고 최우선 가격 적중률, 체결비용, 응답 dealer 수, 정보노출 후 mark-out과 dealer 집중도를 비교한다.
3. Trumid FVMP™
구분: 채권 전자거래 플랫폼 공식 기술 설명·유동성별 예측가격
발표일: 미확인, 2026년 8월 31일 기준 자료
핵심 요약
Trumid 원문은 3만 개가 넘는 미국 회사채에 실시간 양방향 가격과 ML confidence score를 제공한다고 설명한다. 활발한 채권은 실시간 체결자료로 학습하고 비유동 채권은 spread·yield curve로 보완한다. 주문크기를 10만달러에서 500만달러 초과까지 여섯 유동성 구간으로 나눠 bid·offer를 달리하며, RFQ 자동응답·포트폴리오 가격·TCA에 같은 가격기반을 사용한다.
실무 시사점
희소한 회사채 가격은 단일 point estimate보다 가격, 스프레드와 confidence를 함께 내보내야 사람이 자동화 범위를 제한할 수 있다. 주문크기별 가격을 분리하지 않으면 소액 체결로 대형 주문의 실행비용을 과소평가할 수 있으며, 비유동 종목에서는 curve 보간오차와 stale input을 confidence에 반영해야 한다.
한국 시장 복제 아이디어
회사채를 등급·업종·만기·발행사·거래빈도로 묶어 활발한 종목은 체결 기반, 긴 꼬리는 curve·유사채권 기반으로 가격을 만든다. 주문크기 구간별 bid·offer 오차와 interval coverage, confidence calibration, 실제 RFQ hit ratio와 사후 mark-out을 민평·직전체결 기준과 비교한다.
4. Building a Distributed Filesystem for Scalable Research
구분: Hudson River Trading 공식 기술 글·대규모 연구데이터 인프라
발표일: 2025년 8월 19일
선정 이유: 최신성보다 연구데이터가 모델학습과 거래전략으로 이어지는 기술적 가치 때문에 선정
핵심 요약
HRT 원문은 수백 PB 데이터와 동시 모델학습을 위해 자체 분산파일시스템 Blobby를 구축한 과정을 설명한다. 기본 block은 data chunk 6개와 parity chunk 3개로 나눠 어느 3개 chunk가 사라져도 복구하며, chunk 크기는 8MB다. 여러 학습 job 중 하나의 data loader만 지연돼도 전체가 멈추므로 통제된 prober로 client 체감 꼬리지연을 따로 측정한다. 이 글은 인프라 사례이며 전략별 P&L은 공개하지 않는다.
실무 시사점
퀀트 연구의 병목은 GPU만이 아니라 데이터 내구성, 동시접근과 꼬리지연이다. 평균 처리량이 높아도 한 shard의 지연이 분산학습 전체를 멈추면 research-to-production 시간이 늘어나므로 실제 사용자 traffic과 독립 prober를 분리해 관측해야 한다.
한국 시장 복제 아이디어
국고채·회사채·IRS 원시자료와 feature snapshot을 append-only block으로 보관하고 연구 job별 데이터 버전과 loader 지연을 기록한다. 기존 NFS와 분산저장을 동시 학습완료시간, 꼬리지연, 재실행 일치율, 장애 중 복구시간, 저장비용과 데이터 손실 허용범위로 비교한다.
5. How We Verify Custom Hardware
구분: Hudson River Trading 공식 기술 글·FPGA 거래경로 검증
발표일: 2021년 10월 27일
선정 이유: 최신성보다 저지연 거래장치의 위험통제와 production 승격 기준을 보여주는 기술적 가치 때문에 선정
핵심 요약
HRT 원문은 FPGA가 여러 거래시스템과 시장에 연결되므로 기능정확성뿐 아니라 회사의 risk check와 규칙 준수를 함께 검증한다고 설명한다. HRT는 C++·Python 거래코드를 다시 구현하지 않고 HDL simulator와 co-simulation해 기대행동을 비교하며, cocotb로 내부 signal을 관찰한다. 공개된 내용은 검증환경이며 주문전략·한도수치·P&L은 포함하지 않는다.
실무 시사점
모델 추론이나 risk gate를 FPGA로 옮기면 속도와 함께 병렬 timing 오류의 위험도 커진다. software reference와 hardware output을 같은 시장사건으로 비교하고 가격밴드·수량·포지션 한도·message ordering이 일치해야 production 경로로 승격할 수 있다.
한국 시장 복제 아이디어
국채선물·현물 feed와 주문응답을 기록해 software golden model과 FPGA candidate에 동일하게 재생한다. 정상장·burst·packet loss·clock skew·장애복구에서 출력일치율, risk reject 누락, 순서오류, 꼬리지연과 false halt를 비교하고 승인되지 않은 차이는 자동 중단한다.