연구진은 양자 하드웨어에서 변환된 입력 변수를 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 입력 변수 transformation에 기여했을 가능성을 제기하며 추가 검증 필요성을 명시한다.
편집 전 브리핑 원문 펼치기
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: ★★★★★