채권시장 AI 연구 브리핑

2026년 11월 11일

조사 마감: 2026년 11월 11일 06:36 (Asia/Seoul)
원문 열람일: 2026년 11월 11일
중복 점검: 원격 저장소의 기존 93개 브리핑과 465개 연구의 제목·원문 URL을 대조했다. 10월 30일 BIS AI credit, 10월 7일 Optiver 주문장 딥러닝, 10월 17일 Jane Street Flex Model, 10월 22일 Optiver adversarial research 등 기존 자료는 제외했다. 1~3번은 논문 본문·표·실험조건·한계를 확인했고, 4~5번은 채용공고가 아닌 회사 공식 AI/ML 및 기술 글이다. 회사가 공개하지 않은 모델 가중치·라벨·위험한도·전략별 P&L은 추론하지 않았다.

1. Does a Trading Policy Need to Know What It Trades? Microstructure Invariance and Zero-Shot Transfer of Execution Policies

구분: 최신 연구·주문집행 정책의 zero-shot 이전과 시장미시구조
발표일: 2026년 11월 5일

핵심 요약

arXiv 원문은 2019년 Nasdaq 954개 종목으로 한 번 학습한 주문집행 정책을 2020~2021년 미관측 1,964개 종목, 2025~2026년 2,629개 종목과 IEX·가상자산에 재학습 없이 적용했다. 정책은 대기열에 남을지 스프레드를 건널지를 결정하며, 종목별 최근 거래율·거래크기·스프레드·틱을 공통 단위로 바꿨을 때 해당 종목 이력을 학습한 정책과의 비용 차이가 주당 0.015스프레드 이내였다. 다만 표현방식 간 평균 비용 차이는 1bp 미만이었고 학습에서 보지 못한 스프레드 국면에는 어떤 표현도 이전되지 않았다.

실무 시사점

종목별 모델을 모두 따로 만들지 않아도 거래활동·틱·스프레드의 규모를 명시하면 신규 종목과 먼 시점으로 정책을 이전할 가능성이 있다. 그러나 작은 transfer gap은 비교정책에서 해당 종목의 데이터 비중이 작아서 생길 수도 있어 정상화가 맞다는 증거가 아니다. 공개 replay는 hidden liquidity·routing·자기 주문의 시장반응을 포함하지 않고, 반대편 최우선 잔량보다 주문이 큰 episode가 Nasdaq 학습표본의 34%여서 crossing 비용이 과대평가될 수 있다.

한국 시장 복제 아이디어

국채선물·전자 국고채에서 거래간격, 평균 체결크기, 스프레드, 틱/DV01로 상태를 정규화한 공통 정책과 종목별 정책을 비교한다. 학습에 없던 만기·입찰주·금통위 구간을 봉인하고 implementation shortfall, 체결률, 1초·10초 mark-out, 최대 DV01를 평가한다. 국내 스프레드 범위를 벗어난 날은 별도 out-of-support 경보로 차단한다.

2. Hard to Fool: A Bounded LLM Research Loop for Quantitative Finance, and What Two Dozen Campaigns Found

구분: 최신 연구·LLM 퀀트연구 agent와 과적합 통제
발표일: 2026년 11월 4일

핵심 요약

arXiv 원문은 LLM이 코드 대신 제한된 JSON 가설만 제안하고 결정은 신뢰된 평가기가 내리는 공개 연구 loop를 제시한다. discovery·validation·한 번만 열 수 있는 holdout을 시간순으로 고정하고, 비용차감 양의 edge·주간 cluster bootstrap 하한·고비용 생존·연도별 안정성·표본수 하한을 모두 통과해야 한다. 보고된 전체 campaign에서 대부분 가설이 탈락했고, discovery와 validation에서 Sharpe 2.94였던 QQQ 0DTE 후보도 단일 holdout에서 0.26으로 무너졌다.

실무 시사점

agent가 밤새 수백 가설을 만들면 아이디어 생산보다 다중검정과 정보누출 차단이 병목이 된다. 이 설계는 중복가설을 trial 전에 거부하고 50회 예산을 50개의 서로 다른 아이디어에만 쓰며, holdout 열람 전에 돌이킬 수 없는 receipt를 남긴다. 다만 독립 연구자의 공개 프로젝트이고 여러 campaign이 서로 다른 스키마와 자산을 사용했으므로 보고된 실패율을 일반적인 채권 alpha 발견률로 해석할 수 없다.

한국 시장 복제 아이디어

국고채 curve·입찰·현선물 basis 가설을 제한된 연산 vocabulary로 선언하고, dataset·cost·gate·trial budget을 첫 결과 전에 hash로 동결한다. discovery 2018~2022, validation 2023~2024, holdout 2025 이후처럼 시점을 나누고 비용차감 P&L, 주간 bootstrap 하한, 연도별 안정성, 최소 거래수와 DV01 stress를 모두 통과할 때만 사람이 검토한다.

3. Towards Robust Reinforcement Learning Market Making: Lessons from Loss Function Experimentation

구분: 최신 연구·재고와 현금 페널티를 둔 RL 시장조성 모의실험
발표일: 2026년 11월 6일

핵심 요약

arXiv 원문은 3층 feed-forward actor를 쓰는 actor–critic 시장조성자를 400개 episode, episode당 최대 200단계의 합성 주식시장에 적용했다. 이익만 최대화하는 손실과 재고 상한·최소 현금 미달을 벌점으로 더한 손실을 비교했으며, 저자들은 벌점형이 더 높은 누적보상과 대체로 더 좁고 안정적인 스프레드를 보였다고 보고한다. 그러나 가격은 상수 변동성의 기하브라운운동이고 bid·ask도 정규분포로 생성돼 실제 주문장·체결순서·거래비용을 재현하지 않는다.

실무 시사점

재고와 현금을 reward 바깥의 사후 점검으로 두면 이익만 좇는 agent가 거래를 회피하거나 극단적인 호가를 내는 해로 수렴할 수 있다. 논문은 손실함수의 작은 차이가 호가폭과 생존시간을 바꾼다는 교육적 사례지만, 절대 성과 수치·신뢰구간·실시장 비교가 부족해 production 근거로 쓸 수 없다. 채권에서는 현금보다 DV01·key-rate·funding과 adverse-selection을 명시적으로 보상에 넣어야 한다.

한국 시장 복제 아이디어

국채선물 replay에서 spread capture에서 inventory DV01, funding 사용량, 1초 mark-out과 한도근접 벌점을 뺀 reward를 사전 고정한다. 이익 전용, 선형 페널티, tail-risk 페널티를 같은 seed와 주문열에서 비교하고 비용차감 P&L, 최대재고, 한도접촉시간, worst-5% episode, kill-switch 횟수를 평가한다. 합성 GBM 결과는 개발 unit test로만 사용한다.

4. Build where infrastructure meets intelligence

구분: Jump Trading 공식 AI/ML 자료·연구에서 실거래 피드백까지
발표일: 미확인
채용공고 아님: 회사의 공식 AI/ML 기술 소개 페이지다.

핵심 요약

Jump Trading 원문은 ML을 거래·리서치·핵심 인프라에 통합하고 시계열 예측, 실시간 추론, RL·LLM·생성모형과 NLP 신호를 사용한다고 설명한다. 공개 인프라는 10,000개가 넘는 compute node와 하루 500만 회가 넘는 simulation이며, 모델 배포 뒤 trader feedback까지 24시간 미만이라고 밝힌다. 이 공개자료가 보여주는 수익 연결은 낮은 신호대잡음의 alpha 후보를 대규모 모의와 엄격한 검증으로 거른 뒤 저지연 실행과 live feedback으로 빠르게 고치는 loop다.

실무 시사점

연구속도는 GPU 수가 아니라 깨끗한 데이터, simulation throughput, 배포지연과 trader feedback이 연결될 때 경쟁력이 된다. Jump는 adverse selection, edge decay와 모든 symbol을 제한된 hardware에서 처리하는 제약을 명시하지만 구체 모델·label·실현 P&L은 공개하지 않았다. 따라서 공개 규모를 전략성과로 바꾸어 말할 수 없고, 24시간 feedback도 자동 승격이 아니라 수정주기의 속도로 해석해야 한다.

한국 시장 복제 아이디어

국채 전략의 idea→replay→shadow→trader review 시간을 event log로 남기고 일일 simulation 수보다 유효한 OOS 실험 수와 재현률을 KPI로 둔다. model·feature·data version별 예상 edge, fill, mark-out, DV01와 live deviation을 묶어 24시간 안에 원인을 분류하되 배포는 독립 위험 gate와 canary 한도를 통과하게 한다.

5. BtrBlocks: Columnar compression for the high-bandwidth cloud

구분: G-Research 공식 기술 글·대규모 퀀트 데이터 스캔과 압축
발표일: 2026년 11월 2일
채용공고 아님: 회사의 공식 open-source 기술 검토다.

핵심 요약

G-Research 원문은 100Gbit/s cloud network에서 저장공간보다 CPU decompression이 전체 column scan의 병목이 될 수 있음을 설명한다. 원 연구의 Public BI Benchmark에서 BtrBlocks는 Parquet+Zstd보다 압축률은 5.28배 대 6.05배로 낮았지만 메모리 decompression은 3.8배 빨랐고, S3 end-to-end scan은 86Gbit/s에 도달했다. G-Research의 내부 거래성과가 아니라 공개 벤치마크를 해설한 결과이며, BtrBlocks는 metadata·index·query planner를 제공하지 않는 좁은 block compressor다.

실무 시사점

채권 tick·호가·체결을 반복 스캔하는 연구에서는 더 높은 압축률이 반드시 더 빠르고 싼 실험을 뜻하지 않는다. 네트워크가 빨라지면 compressed input을 소비하는 CPU가 병목이 되고, 가격 같은 저정밀 double은 pseudodecimal encoding과 cascade에서 이점을 볼 수 있다. 반면 embedding처럼 고정밀 vector는 부적합하며, 실제 P&L 연결은 같은 시간에 더 많은 검증실험을 돌리는 간접경로일 뿐이다.

한국 시장 복제 아이디어

국채선물 L3, 국고채 RFQ, IRS tick의 날짜·종목 column을 Parquet+Zstd·Snappy·BtrBlocks로 복제해 압축률, cold S3 scan, CPU시간, cloud 비용과 feature dataset 생성시간을 비교한다. 가격·수량·timestamp·문자열·embedding을 따로 측정하고 query pruning을 동일하게 만든다. 연구자당 봉인 OOS 실험 수가 늘어나는지도 보되 결과 품질과 인프라 속도를 분리한다.

오늘의 데스크 결론

오늘 자료는 범용화를 서두르기 전에 검증 경계를 먼저 그어야 한다는 공통점을 보여준다. 주문집행 정책은 익숙한 스프레드 범위 안에서 이전됐고, 연구 agent는 한 번뿐인 holdout에서 무너졌으며, 시장조성 reward는 단순 합성환경에서도 행동을 바꿨다. 퀀트회사의 공개자료는 이 과정을 simulation·저지연 실행·데이터 스캔으로 빠르게 만들지만, 속도 자체가 alpha나 P&L을 보장하지는 않는다.