sub-second 예측이 거래비용을 넘지 못하면 어디에 써야 하는가
sub-second 예측이 거래비용을 넘지 못하면 어디에 써야 하는가?
연구는 개별 주문의 추가·취소·체결을 순서대로 생성하도록 사전학습한 모형이 짧은 구간의 가격과 변동성도 읽을 수 있는지 묻는다. Bitstamp와 Bitfinex의 전체 주문사건으로 300M parameter 생성모형을 만든 뒤 BTC의 microprice return과 realized volatility를 예측하도록 미세조정했다. 전통적 order-flow와 gradient-boosting 기준보다 방향 분류가 좋아졌고, 별도 재학습 없이 ETH와 SOL로 옮겼을 때도 유의미한 전이가 나타났다.
통계적 우위가 곧 거래 가능한 alpha는 아니었다. 저자들이 계산한 sub-second 예측폭은 one-way spread와 fee 약 2bp를 넘지 못했다. 따라서 가장 가까운 용도는 시장방향 베팅보다 나쁜 체결을 피하고, 주문을 취소하거나 호가폭을 조정하는 것이다. 이때 평가지표도 정확도만이 아니라 비용차감 mark-out, 체결률과 취소 뒤 놓친 기회를 함께 보아야 한다.
배포 가능성은 별도 문제다. 합쳐진 GPU 경로는 중앙지연 4.0ms를 기록했지만 feed handler, gateway와 network가 빠져 있어 tick-to-trade 수치가 아니다. 미세조정 자료도 단일 BTC 자산과 짧은 holdout에 집중돼 있다. 국채선물에 옮기려면 행사일·야간·금통위처럼 다른 국면을 분리하고 전체 주문경로의 꼬리지연과 함께 재검증해야 한다.
SCOPE두 암호자산 거래소의 짧은 기간과 단일 BTC 미세조정에 기반한 연구다. 보고한 지연은 전체 tick-to-trade가 아니며 예측폭도 거래비용을 넘지 않아 실거래 수익증거가 아니다.
Evidence & verification ↓청산경로 전체를 배우는 operator는 재고변화에 어떻게 견디는가
청산경로 전체를 배우는 operator는 재고변화에 어떻게 견디는가?
채권 청산은 다음 가격 한 점보다 남은 재고를 시간에 걸쳐 어떻게 줄일지를 결정한다. 연구는 가격신호, temporary impact, transient-impact kernel과 초기재고를 입력받아 최적 실행경로를 내는 operator map을 정의한다. 이 지도가 입력 변화에 국소 Lipschitz임을 증명해 작은 조건 변화가 해를 무한히 흔들지 않음을 보였고, 이를 GRU가 근사할 이론적 근거로 삼았다.
초기재고를 단순 입력값으로 넣은 network는 학습범위를 벗어난 큰 재고에서 오차가 커졌다. 반면 q=1 정책만 배우고 가격신호와 출력경로를 재척도한 구조는 문제의 동차성을 직접 사용해 외삽이 안정적이었다. 이는 큰 주문을 무작정 학습자료에 추가하기보다 실행문제의 scaling law를 모델 구조에 넣는 편이 나을 수 있음을 뜻한다.
경제성 검증에서는 true kernel과 지수 kernel 기준을 비교했고 평균 regret은 0.93bp 미만이었다. 다만 작은 평균도 꼬리손실이나 completion risk를 가릴 수 있고, kernel의 수학적 적합도가 경제적 손실 순서와 일치하지 않았다. 실제 국고채에서는 거래시간대별 impact decay와 참여율 제약을 추정하고 가격오차 대신 비용·재고·regret 분포로 비교해야 한다.
SCOPE이론적 안정성 결과와 모의 가격경로·kernel 실험이다. 특정 채권의 실제 주문장과 시장충격에 보정되지 않았고 실거래 P&L을 제시하지 않는다.
Evidence & verification ↓AI 인프라 붐은 회사채 조달위험으로 어떻게 돌아오는가
AI 인프라 붐은 회사채 조달위험으로 어떻게 돌아오는가?
AI 인프라 투자가 채권에 미치는 영향은 발표된 설비계획과 실제 자금조달을 구분해야 보인다. 연준 연구진은 2026년 5월까지의 계획, 과거 취소율과 공기를 이용해 시나리오를 만들었다. 중간 경로에서 데이터센터 관련 투자는 2024년 약 $100bn에서 2027년 말 $880bn 이상으로 늘지만, 이는 실현액이 아니라 신규계획과 공사조건에 민감한 전망이다.
조달구조도 변했다. Hyperscaler는 기존 현금흐름 중심에서 회사채와 장기 lease로 담보된 off-balance-sheet 구조를 함께 쓰기 시작했다. 전력접속, 장비와 건설인력의 병목은 완공을 늦추고 외부자금 필요를 높일 수 있다. 따라서 같은 AI theme 안에서도 순차입, lease 의무와 project 실행률을 발행사별로 분리해야 한다.
연구는 고레버리지 사업자의 bond spread가 더 크게 움직였고 confidence shock이 financing capacity를 제약할 수 있다고 설명한다. 그러나 이 관측은 AI 투자가 spread를 인과적으로 넓혔다는 추정이 아니다. 한국 시장에서는 발표액을 실현 capex로 취급하지 말고 착공·취소·전력접속과 발행비용을 같은 issuer-quarter panel에서 추적해야 한다.
SCOPE연준 연구진의 예비 FEDS 보고서이며 투자전망은 취소율·공기·신규계획 가정에 민감하다. 발행사 spread 관측은 AI 투자의 인과효과나 미래 부도 예측이 아니다.
Evidence & verification ↓실시간 credit 도구는 어떤 데이터 연결에서 실무가치가 생기는가
실시간 credit 도구는 어떤 데이터 연결에서 실무가치가 생기는가?
회사 공개자료에서 확인되는 것은 범용 AI 선언보다 어떤 데이터를 어떤 의사결정 화면에 붙였는지다. Breakout Probability와 Positioning NowCast는 market flow, positioning data와 historical trend를 결합한다. 별도 실시간 heat map은 investment-grade corporate bond spread를 trader와 client가 맞춤형으로 보게 한다. 이는 비정형 문서요약보다 흐름과 상대가치를 즉시 탐색하는 도구에 가깝다.
연구생산을 받치는 규모도 공개됐다. 회사는 200PB 이상의 데이터를 운용한다고 밝혔다. 다만 데이터 크기가 곧 예측력은 아니다. 원문에는 각 도구의 feature, target, 학습구간, calibration, 실제 주문반영 규칙이나 P&L이 없어 비밀전략이나 성과를 역추론할 근거가 없다.
한국 채권 데스크가 복제할 부분은 하나의 dashboard가 아니라 데이터에서 행동까지의 측정 가능한 연결이다. flow와 inventory proxy, curve-relative spread를 종목별로 보여주고, 사용 전후 RFQ 응답과 가격개선·mark-out·risk override를 기록해야 한다. 도구가 빠른 판단을 돕더라도 crowding이나 같은 신호의 동시반응은 별도 stress test가 필요하다.
SCOPE회사 컨퍼런스의 공식 요약이다. 도구와 데이터규모는 확인되지만 모델구조·label·검증결과·위험한도·전략별 P&L은 공개되지 않아 수익기여를 직접 주장할 수 없다.
Evidence & verification ↓자기 주문이 시장을 바꿀 때 백테스트를 어떻게 믿을 수 있는가
자기 주문이 시장을 바꿀 때 백테스트를 어떻게 믿을 수 있는가?
일반적인 지도학습은 관측대상이 모델을 의식하지 않는다고 가정하기 쉽다. 시장조성에서는 모델의 주문이 체결되고 경쟁자의 호가취소와 spread 조정을 유발해 다음 자료를 바꾼다. Optiver 연구자는 이 때문에 model이 예측하려는 system의 일부라고 설명한다. 좋은 가격예측도 queue에서 밀리거나 나쁜 상대만 체결하면 경제적 목표를 달성하지 못한다.
백테스트의 첫 조건은 그 시점에 실제 이용 가능했던 정보만 쓰는 것이다. 여기에 venue별 queue priority, fee, tick size와 order type을 그대로 재현해야 한다. 같은 상품도 규칙이 다르면 fill과 spread 경제성이 바뀐다. 한국 채권에서는 과거 호가를 재생하는 것만으로 부족하며 자신의 주문이 book과 경쟁자 반응을 바꾸는 counterfactual 오차를 shadow quote로 보정해야 한다.
live 배포 뒤에는 과거에 유효했던 신호가 경쟁자의 적응으로 빠르게 소멸할 수 있다. 원문은 화려한 개발서사보다 지금 작동하는 모델을 강조하지만, 구체적 decay 속도나 P&L은 공개하지 않는다. 따라서 aggregate 손익이 무너지기 전에 signal calibration, queue-adjusted fill, adverse-selection mark-out과 regime drift를 따로 감시하고 중단기준을 사전에 고정해야 한다.
SCOPE현직 연구자의 회사 공식 기술 해설이며 정량 backtest, 모델구조·label·위험한도와 전략별 P&L은 공개하지 않는다. production feedback의 일반 원리이지 특정 수익전략의 증거가 아니다.
Evidence & verification ↓한국 채권 데스크의 공통 과제는 모델을 더 크게 만드는 일이 아니다. 예측을 체결확률·impact·조달비용과 연결하고, 연구시점 정보를 엄격히 고정하며, production에서 신호와 시장반응이 어떻게 달라지는지 짧은 주기로 확인해야 한다. 공개되지 않은 P&L은 추정하지 않고 각 연결고리의 실패기준을 측정하는 편이 재현 가능하다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
sub-second 예측이 거래비용을 넘지 못하면 어디에 써야 하는가3 primary · 0 archived +
두 거래소의 Level-3 주문흐름으로 300M parameter 생성모형을 사전학습하고 BTC 예측에 미세조정했다.
ORIGINAL PASSAGE300M-parameter generative modelarXiv:2611.14117v1, Abstract and Data, lines 55-68 and 104-110, accessed 2026-11-14sub-second 예측폭은 저자들이 둔 약 2bp one-way spread·fee 비용을 넘지 못했다.
ORIGINAL PASSAGENone of the sub-second forecasts clear a ~2 bps one-way costarXiv:2611.14117v1, Economic scale and trading costs, lines 327-338, accessed 2026-11-14합쳐진 H100 연산경로의 중앙지연은 4.0ms였지만 전체 거래경로는 포함하지 않았다.
ORIGINAL PASSAGEThat figure—4.0 msarXiv:2611.14117v1, Latency and limitations, lines 338-353, accessed 2026-11-14청산경로 전체를 배우는 operator는 재고변화에 어떻게 견디는가3 primary · 0 archived +
최적청산 해의 operator map은 가격신호와 impact 조건의 변화에 국소 Lipschitz이다.
ORIGINAL PASSAGElocally LipschitzarXiv:2611.14245v1, Abstract and stability theorem, lines 63-79, accessed 2026-11-14재고 동차성을 이용하면 q=1 정책을 학습한 뒤 다른 초기재고에 재척도할 수 있다.
ORIGINAL PASSAGEit is only necessary to learn the optimal strategy corresponding to an initial inventory of q=1arXiv:2611.14245v1, Inventory rescaling, lines 1134-1164, accessed 2026-11-14모의실험에서 잘못 지정한 지수 kernel 기준의 평균 regret은 0.93bp 미만이었다.
ORIGINAL PASSAGEmean regret is below 0.93 basis pointsarXiv:2611.14245v1, Numerical results and regret, lines 1368-1528, accessed 2026-11-14AI 인프라 붐은 회사채 조달위험으로 어떻게 돌아오는가3 primary · 0 archived +
중간 시나리오는 데이터센터 관련 투자가 2027년 말 $880bn을 넘을 것으로 추정한다.
ORIGINAL PASSAGEas of May 2026 ... from about $100 billion in 2024 to over $880 billion by the end of 2027Federal Reserve FEDS 2026-074, Section 3, p.6, lines 181-197, accessed 2026-11-14Hyperscaler는 현금흐름 중심에서 회사채와 장기 lease 기반 구조를 포함한 debt financing으로 이동했다.
ORIGINAL PASSAGEdebt financingFederal Reserve FEDS 2026-074, Section 3, p.8, lines 251-255, accessed 2026-11-14투자자 신뢰 충격은 bond spread를 빠르게 악화시켜 추가 확장을 위한 자금조달을 제약할 수 있다.
ORIGINAL PASSAGEbond spreadsFederal Reserve FEDS 2026-074, Section 3, p.9, lines 260-269, accessed 2026-11-14실시간 credit 도구는 어떤 데이터 연결에서 실무가치가 생기는가3 primary · 0 archived +
공개 도구는 market flow, positioning data와 historical trend를 결합한다.
ORIGINAL PASSAGEcombine market flows, positioning data and historical trendsCitadel Securities, Technology, Scale and Execution, Key Takeaways, lines 72-80, accessed 2026-11-14실시간 investment-grade credit heat map은 corporate bond spread를 맞춤 표시한다.
ORIGINAL PASSAGEreal-time view of corporate bond spreadsCitadel Securities, same article, The future is human, lines 131-141, accessed 2026-11-14회사는 200PB가 넘는 데이터를 운용한다고 밝혔다.
ORIGINAL PASSAGEover 200 petabytes of dataCitadel Securities, same article, Infrastructure and talent, lines 104-113, accessed 2026-11-14자기 주문이 시장을 바꿀 때 백테스트를 어떻게 믿을 수 있는가3 primary · 0 archived +
시장조성 모델은 자신이 예측하려는 시장체계에 참여해 향후 반응과 자료를 바꾼다.
ORIGINAL PASSAGEYour model is part of the system it's trying to predictOptiver, Machine learning in trading: an adversarial research problem, Modelling in a competitive system, accessed 2026-11-14유효한 백테스트는 각 시점에 실제 사용 가능했던 정보만 입력해야 한다.
ORIGINAL PASSAGEinformation genuinely available at that momentOptiver, same article, Backtesting and the silent counterfactual, accessed 2026-11-14경쟁환경에서는 현재 작동하는지를 반복 관찰하는 것이 중요하다고 설명한다.
ORIGINAL PASSAGEIt's the one that works right nowOptiver, same article, Backtesting and the silent counterfactual, accessed 2026-11-14Show the original briefing text
채권시장 AI 연구 브리핑
2026년 11월 14일
조사 마감: 2026년 11월 14일 06:30 (Asia/Seoul)
원문 열람일: 2026년 11월 14일
중복 점검: 원격 저장소의 기존 95개 브리핑과 475개 연구의 제목·원문 URL을 대조했다. 2026년 11월 13일 기록은 원문이 없어 소급 생성하지 않고 오늘 자료만 작성했다. 1~3번은 논문·연준 보고서의 본문과 표·조건·한계를 확인했고, 4~5번은 채용공고가 아닌 회사 공식 공개자료다. 공개되지 않은 모델·라벨·위험한도·전략별 P&L은 추론하지 않았다.
1. Fine-Tuning an Order-Flow Foundation Model for Sub-Second Forecasting
구분: 최신 연구·주문흐름 foundation model과 초단기 예측
발표일: 2026년 11월 10일
핵심 요약
arXiv 원문은 Bitstamp·Bitfinex의 Level-3 주문흐름으로 사전학습한 300M parameter 생성모형을 BTC의 microprice return과 realized volatility 예측에 미세조정한다. 모형은 고전적 order-flow·gradient-boosting 기준보다 sub-second 방향예측이 우수하고 ETH·SOL에 zero-shot 전이됐지만, 예측크기는 one-way spread와 fee 약 2bp를 넘지 못했다. H100에서 합쳐진 연산의 중앙지연은 4.0ms였지만 feed handler·gateway·network를 제외해 tick-to-trade 지연은 아니다.
실무 시사점
경제적 가치는 방향성 alpha보다 체결 직전 adverse selection, 주문 취소와 호가폭 조정에서 찾는 편이 타당하다. 시장 간 전이는 공통 주문흐름 표현의 가능성을 보이지만 단일 BTC 자산의 짧은 미세조정과 제한된 시장국면이므로 국채선물에 곧바로 일반화할 수 없다.
한국 시장 복제 아이디어
국채선물 L3 사건열로 masked next-event 사전학습을 하고, microprice mark-out과 short-horizon realized volatility를 별도 head로 미세조정한다. 선형 order-flow·tree·소형 sequence model과 같은 비용·지연 예산에서 비교하며 1·5·20ms 예측력, 비용차감 mark-out, 취소정확도, p99 inference와 장외 국고채 적용 전이를 평가한다.
2. Deep Learning for Operator Maps in Optimal Liquidation
구분: 최신 연구·transient impact 아래 최적청산 operator 학습
발표일: 2026년 11월 10일
핵심 요약
arXiv 원문은 일반 transient-impact kernel 아래 최적청산 해의 입력-출력 지도가 가격신호·충격계수·초기재고에 국소 Lipschitz임을 보이고 GRU로 근사한다. 초기재고를 입력으로 학습하기보다 q=1 정책을 배우고 신호와 출력을 재척도한 모형이 학습범위를 벗어난 큰 재고에서도 더 안정적이었다. 모의실험에서 지수 kernel을 잘못 가정한 기준의 평균 regret은 0.93bp 미만이었지만, 결과는 특정 자산에 보정한 실거래 성과가 아니다.
실무 시사점
청산모형은 한 가지 impact decay를 맞히는 문제보다 가격신호·재고·kernel이 바뀔 때 전체 실행경로를 빠르게 다시 산출하는 operator 문제로 볼 수 있다. kernel의 수학적 거리와 경제적 regret이 반드시 같은 순서를 만들지 않으므로 가격오차만으로 모델을 고르면 안 된다.
한국 시장 복제 아이디어
국고채·선물의 체결 뒤 impact decay를 거래시간대·재고·변동성별 kernel로 추정하고, GRU operator와 지수 kernel 기준을 동일한 목표 DV01 청산에서 비교한다. 구현손실, completion risk, 최대참여율, p95 regret과 재고배수 OOD를 평가하며 q=1 재척도 가설을 검증한다.
3. Artificial Intelligence and the U.S. Economy: Current Evidence
구분: 연준 FEDS·AI 투자와 회사채 조달경로
발표일: 2026년 11월 12일
핵심 요약
연준 FEDS 원문은 데이터센터 투자계획, 자본지출, AI 도입과 가격·생산성의 현재 증거를 종합한다. 2026년 5월까지 발표된 계획을 쓴 중간 시나리오는 데이터센터 관련 투자가 2024년 약 $100bn에서 2027년 말 $880bn 이상으로 늘 것으로 추정하지만, 취소율·공기와 신규계획에 민감한 전망이다. Hyperscaler는 현금흐름 중심에서 회사채와 장기 lease 기반 off-balance-sheet 조달로 이동했고, 연준 연구진은 spread 악화가 확장을 제약할 수 있다고 본다.
실무 시사점
AI 채권 테마는 단순 매출성장보다 건설계획의 실행률, 전력·장비 병목, 외부조달 의존과 사업자별 spread 차이를 함께 봐야 한다. 투자전망과 실제 지출, aggregate spread와 고레버리지 발행사의 spread를 구분해야 하며 보고서는 인과적 신용모형이 아니다.
한국 시장 복제 아이디어
국내 데이터센터·전력망·반도체 설비의 발표액, 착공·취소, PF·회사채·lease 의무를 issuer-quarter panel로 만들고 동일등급 비AI 기업과 spread·발행비용을 비교한다. 발표 이후 20·60·120거래일 spread, capex 실행률, 순차입과 전력접속 지연을 함께 보며 forecast와 realized financing을 분리한다.
4. Citadel Securities — Technology, Scale and Execution
구분: Citadel Securities 공식 컨퍼런스 요약·AI 분석과 credit 도구
발표일: 2026년 10월 26일
채용공고 아님: 회사가 공개한 Future of Global Markets 2026 컨퍼런스 요약이다.
핵심 요약
Citadel Securities 공식 원문은 market flow·positioning·history를 결합한 Breakout Probability와 Positioning NowCast, corporate-bond spread를 맞춤 표시하는 실시간 investment-grade credit heat map을 소개한다. 회사는 500명 이상의 quantitative researcher와 200PB 이상의 데이터를 공개했으며 AI와 autonomous agent가 분석과 업무를 보조한다고 설명한다. 그러나 feature, label, 검증구간, 거래결정 규칙과 P&L은 공개하지 않았다.
실무 시사점
공개된 수익화 경로는 범용 챗봇보다 flow·positioning·spread를 trader와 client의 의사결정 화면에 결합하는 데 있다. 다만 도구의 존재가 예측우위나 비밀전략의 증거는 아니며, 화면이 어떤 주문과 위험한도 변경을 유발했는지도 확인할 수 없다.
한국 시장 복제 아이디어
국고채·회사채의 거래흐름, dealer inventory proxy, 발행·ETF flow와 curve-relative spread를 종목별 heat map으로 구성한다. 도구 사용 전후의 RFQ 응답시간, 가격개선, dealer 집중도, 5·30분 mark-out과 risk override를 비교하고 설명가능한 기준모형과 blind 평가한다.
5. Optiver — Machine learning in trading: an adversarial research problem
구분: Optiver 공식 기술 글·시장조성 ML의 counterfactual과 production feedback
발표일: 2026년 10월 21일
채용공고 아님: 현직 quantitative researcher가 회사 기술 블로그에 공개한 연구·운영 해설이다.
핵심 요약
Optiver 공식 원문은 시장조성 ML이 자신의 주문으로 체결확률·경쟁자 호가·향후 데이터를 바꾸는 적대적 연구문제라고 설명한다. 백테스트는 각 시점에 실제 이용 가능했던 정보만 사용해야 하며, queue rule·tick size·fee·order type이 달라지면 같은 상품의 모형도 다른 결론을 낼 수 있다. live 배포 뒤에는 경쟁자가 신호를 흡수해 성과가 빠르게 소멸할 수 있으므로 research→production→관찰의 반복이 필요하다고 밝히지만 정량 성과나 P&L은 공개하지 않는다.
실무 시사점
채권 모델의 label을 mid-price 방향 하나로 두면 실제 fill과 adverse selection을 놓친다. venue별 queue와 fee, 자신의 주문이 만든 시장반응을 replay와 shadow deployment에서 분리해야 하며 aggregate 성과가 무너지기 전에 신호·체결·mark-out drift를 감시해야 한다.
한국 시장 복제 아이디어
국채선물·전자 국고채에서 가격예측, 체결확률, 체결후 mark-out을 함께 label로 만들고 venue 규칙 버전을 feature store에 연결한다. 학습시점 정보만 허용한 event replay와 소량 shadow quote를 비교해 calibration, queue-adjusted fill, adverse-selection 비용, drift 탐지시간과 kill-switch 오탐을 평가한다.