거래 시스템은 가격을 계산하고 고객의 체결 가능성을 추정한 뒤 주문을 어디로 보낼지 결정한다. FMSB 보고서는 AI가 이 과정의 개별 기능에 들어간 사례를 실무자 의견으로 정리한다. hit rate는 제시한 호가 가운데 실제 거래로 이어지는 비율로, 가격 예측과 구별되는 업무다.
보고서는 모델의 내부 설명만으로 통제를 끝내기 어렵다고 본다. 출력과 실제 결과를 독립적으로 모니터링하고 가격, 주문수량, 포지션과 손실의 한도를 관리하는 구조가 필요하다. 어떤 기술을 썼는지보다 시스템이 스스로 결정하는 범위와 시장에 직접 주문을 내는 정도가 위험 평가에 영향을 준다.
회사채 시장조성의 강화학습 사례에서는 여러 유동성 공급자가 같은 신호에 반응할 때 호가수량과 스프레드 조정이 겹칠 수 있다. 모델을 개별적으로 검증한 결과만으로 이런 상호작용까지 알 수는 없다. 업무별 책임자와 주문 중단 장치를 정하고 체결 이후의 가격 움직임까지 관찰해야 한다는 실무적 논의다.
SCOPE실무자 기반 기관 보고서이며 통제 구조의 제안과 수익성 실증은 구분해야 한다. 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.
AI가 담당하는 업무와 독립 통제를 함께 설계하다0 primary · 4 archived +
These 4 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: 기관 보고서·FMSB Spotlight Review
발표일: 2026년 2월 12일
원문: FMSB 보고서 PDF
핵심 요약
글로벌 도매금융시장 실무자들의 의견을 바탕으로 AI가 실제 트레이딩 시스템에서 어떻게 활용되고 통제되는지를 정리한 보고서다. 현재 시장-facing AI는 완전 자율형 매매기계보다는 가격·거래량 예측, 유동성 추정, hit-rate 예측, 거래장소 추천 등 기존 전자거래 시스템의 일부 모듈로 쓰이는 경우가 많다고 평가한다.
보고서는 설명가능성 자체에 집착하기보다 모델 출력과 실제 결과를 독립적으로 모니터링하는 통제가 더 중요할 수 있다고 본다. 또한 AI 위험은 사용된 기술의 명칭보다 모델이 담당하는 업무 범위, 자율성, 시장 직접성에 의해 결정된다고 강조한다.
특히 회사채 시장조성에 강화학습 에이전트를 사용하는 사례를 제시한다. 복수의 유동성 공급자가 비슷한 신호에 동시에 반응하면 스프레드·호가수량 조정이 동조화되어 유동성 스트레스와 가격 변동성을 키울 수 있다는 문제를 다룬다.
실무 시사점
- 현실적인 1단계: 완전자동 방향성 트레이딩보다 유동성 점수, 체결확률, 적정 주문 크기, 거래장소 선택 모델부터 적용하는 것이 적절하다.
- 통제 구조: AI 모델과 시장 사이에 비-AI 기반의 독립 통제층을 둬야 한다. 가격 밴드, 주문 수량 한도, 포지션 한도, 손실 한도, kill switch가 대표적이다.
- 책임체계: 코드 오너와 비즈니스 오너를 구분하고, 모델 행동에 대한 최종 책임은 트레이더와 관리자에게 귀속시켜야 한다.
- 성과 모니터링: 예측값뿐 아니라 fill ratio, mark-out, slippage, reject rate, quote-to-trade ratio의 드리프트를 상시 점검해야 한다.
오늘의 우선순위: ★★★★★
채권 자동매매 시스템을 실제 데스크에 도입하려면 가장 먼저 읽을 자료다.