이 연구의 대상은 유럽 회사채의 장중 호가요청 사건이다. 고객에게 특정 가격을 제시했을 때 거래가 성사될 가능성을 예측한다. 양자컴퓨터가 주문을 직접 결정하는 설계는 아니며, 원자료를 다른 표현으로 바꾸는 입력변수 처리 단계에 하드웨어를 사용한다.
IBM Heron에서 생성한 변환값을 기존 기계학습 모형에 넣고 원자료 및 잡음 없는 모의변환과 비교했다. 보존된 결과는 일부 모형의 표본 밖 체결예측 점수가 최대 약 34% 상대 개선됐다고 기록한다. 절대 정확도가 34%포인트 높아졌다는 뜻은 아니다. 입력 표현의 효과를 비교한 것이므로 양자 주문시스템의 거래수익으로 확장할 수 없다.
연구진은 실제 양자 하드웨어의 잡음이 변환을 유용하게 만들었을 가능성을 제기한다. 잡음이 항상 개선을 만든다는 결론은 아니며 추가 검증이 필요한 설명이다. 국내 적용에서도 장중 주문 경로에 새 하드웨어를 바로 붙이기보다 사전에 만든 입력값이 기존 모형보다 유용한지 확인하는 문제가 먼저다.
SCOPE보존된 브리핑에 근거한다. 일부 모형의 상대 점수 개선이며 절대 정확도, 거래 손익, 하드웨어 우위의 일반성을 확인한 것은 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Enhanced Fill Probability Estimates in Institutional Algorithmic Bond Trading Using Statistical Learning Algorithms with Quantum Computers0 primary · 2 archived +
These 2 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: HSBC·IBM 공동 연구논문 / 실제 기관 채권 RFQ 데이터
발표일: 2025년 9월 22일
원문 링크: https://arxiv.org/abs/2509.17715
HSBC 공식 발표: https://www.hsbc.com/news-and-views/news/media-releases/2025/hsbc-demonstrates-worlds-first-known-quantum-enabled-algorithmic-trading-with-ibm
핵심 요약
이 연구는 유럽 회사채 시장의 실제 production-scale intraday RFQ event data를 대상으로 이 가격을 제시하면 체결될 확률이 얼마인가를 예측한다. 핵심은 quantum computer 자체가 주문을 결정하는 것이 아니라, IBM Heron 양자컴퓨터가 생성한 feature transformation을 기존 classical ML 모델의 입력으로 사용하는 offline feature-engineering layer다.
연구진은 양자 하드웨어에서 변환된 feature를 사용한 일부 모델이 원데이터 또는 noiseless simulator 기반 transform을 사용했을 때보다 OOS fill prediction score에서 최대 약 34% 상대 개선을 보고한다. 흥미롭게도 연구진은 현재 양자 하드웨어의 noise 자체가 유용한 feature transformation에 기여했을 가능성을 제기하며 추가 검증 필요성을 명시한다.
실무 시사점
“양자컴퓨터를 사자”가 이 논문의 교훈은 아니다.
더 중요한 부분은 execution model을 alpha model과 독립적으로 개선해도 돈이 된다는 것이다.
채권 RFQ에서:
Expected Edge = P(fill | quote) × Expected Margin
이라고 단순화해 보면,
마진을 0.2bp 더 맞히는 것뿐 아니라 P(fill)을 정확하게 추정하는 것 자체가 quote optimization의 핵심이다.
예를 들어:
- 3.421% → P(fill) 18%
- 3.423% → P(fill) 52%
- 3.425% → P(fill) 81%
를 안다면 dealer는 확률 × margin × inventory cost의 기대값을 직접 비교할 수 있다.
한국 적용: quantum 부분은 뒤로 미루고 우선 client/broker × size × bond × quote distance × market state → fill probability를 LightGBM/CatBoost로 구축하는 것이 현실적이다.
리스크관리: 높은 체결확률이 좋은 거래라는 뜻은 아니다. 반드시 예상 mark-out과 inventory charge를 함께 넣어야 한다.
데스크 적용 우선순위: ★★★★★