체계적 리뷰는 원하는 결론에 맞는 사례만 고르지 않도록 검색과 선별 기준을 먼저 정한다. PRISMA는 이 과정과 포함·제외를 투명하게 보고하는 방식이다. 이 리뷰는 전통 자동매매뿐 아니라 머신러닝 분류기와 LLM 시스템까지 금융시장 영향을 정리한다. 선별 규모는 후보 847개 중 포함 기준을 만족한 연구 60개다.
기록이 제시하는 평시의 공통 논의는 스프레드 축소와 가격발견 개선의 가능성이다. 반면 참가자가 유사한 알고리즘과 데이터를 쓸수록 스트레스 때 행동이 겹칠 위험이 있다. 좁은 호가와 빠른 반응이 관측돼도 급변 상황에서 동시에 물러서는 행동까지 확인해야 안정성을 평가할 수 있다.
회사채처럼 거래가 단속적이고 딜러 연결에 의존하는 시장에서 이 구분은 특히 검토할 만하다. 다만 채권 적용은 리뷰를 근거로 한 해석이며 모든 포함 연구가 회사채를 실험한 것은 아니다. 서로 다른 표본과 비용 가정을 같은 수익이나 위험 감소 숫자로 합치는 대신 개별 연구의 조건을 확인해야 한다.
SCOPE다양한 시장의 문헌 리뷰로 채권 전용의 통합 효과나 인과관계를 확정하지 않는다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
자동화의 평시 이점과 스트레스 상호작용을 묶어 읽다0 primary · 7 archived +
These 7 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
구분: 논문 · SSRN 문헌연구
발표일: 2026년 7월 20일
원문: SSRN 원문
핵심 요약
847개 후보 연구 중 사전에 정의된 기준을 충족한 60개 연구를 PRISMA 방식으로 선별해 AI·알고리즘 거래·HFT가 유동성, 가격발견, 시장안정성에 미친 영향을 체계적으로 정리했다. 분석 범위에는 전통적인 자동매매뿐 아니라 머신러닝 분류기와 LLM 기반 시스템도 포함된다.
문헌 전반의 공통점은 자동화가 정상시장에서는 스프레드 축소와 가격발견 개선에 기여할 수 있지만, 시장 참가자의 알고리즘과 데이터가 유사해질수록 스트레스 상황에서 행동 동조가 발생할 위험이 있다는 것이다. 이는 특히 유동성이 단속적이고 딜러 네트워크 의존도가 높은 채권시장에서 중요하다.
실무 시사점
트레이딩: 모델의 예측 성과만 측정하면 안 된다. 동일 신호를 다른 시장 참가자들도 사용한다면 진입 직후 market impact와 알파 decay가 훨씬 빨라질 수 있다.
시장미시구조: AI의 핵심 영향은 “방향을 더 잘 맞히는 것”보다 누가 얼마나 빨리 가격을 갱신하고, 어느 주문을 받아주며, 어느 순간 유동성을 철회하는가에 나타난다.
리스크관리: 여러 알고리즘을 운영해도 같은 데이터·모델·목적함수를 공유하면 독립전략이 아니다. 모델 간 prediction correlation뿐 아니라 action correlation을 측정해야 한다.
자동매매 설계: 내부 모델과 시장 전체가 동시에 한 방향으로 움직이는 crowding state에서는 주문크기 축소와 자동헤지 조건을 강화하는 구조가 필요하다.
데스크 적용 우선순위: ★★★★☆