회사채 주문은 가격뿐 아니라 종목과 고객, 요청 수량에 따라 체결될 가능성이 달라진다. 연구는 기관투자가 규모의 장중 거래 이벤트로 이 확률을 추정한다. 양자 컴퓨터를 실시간 주문 판단 전체에 투입한 것이 아니라 데이터를 미리 변환하는 전처리 단계에 사용한 구조다.
IBM Heron 하드웨어로 만든 변환값을 기존 머신러닝에 넣고 원자료 입력 및 잡음 없는 양자 시뮬레이션과 비교했다. 기록은 일부 표본외 평가에서 원자료 모델보다 더 높은 점수를 보고한다. 개선은 원자료 모델 대비 최대 약 34% 높은 점수로 기록됐으나 지표와 평가 구간의 범위가 중요하므로 이를 모든 종목이나 모든 분류 지표의 개선으로 확대할 수 없다.
실제 하드웨어는 잡음을 포함한다. 연구진은 그 잡음이 과도한 학습을 줄이는 정규화처럼 작용했을 가능성을 제기했다. 따라서 비교가 보여주는 입력 변환의 효과와 양자 계산만이 가능한 우월성은 구별해야 한다. 장치 접근 비용과 전처리 시간까지 고려했을 때 기존 잡음 추가나 특성 변환보다 유리한지도 남은 질문이다.
SCOPE일부 오프라인 평가의 개선이며 양자적 우위나 실시간 시스템의 성능 향상이 확정된 결과는 아니다. 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.
양자 장치를 체결확률 학습의 전처리에 쓰다0 primary · 3 archived +
These 3 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·기관 공동연구 프리프린트
발표일: 2025년 9월 22일
원문: arXiv 원문
핵심 요약
실제 기관투자가 규모의 회사채 장중 거래 이벤트 데이터를 이용해 RFQ·주문 체결확률을 추정한 연구다. 연구진은 IBM Heron 양자 프로세서가 생성한 데이터 변환을 기존 머신러닝 모델의 오프라인 전처리 모듈로 사용하고, 원자료 및 무잡음 양자 시뮬레이션 결과와 비교했다. 실제 양자 하드웨어 변환값을 사용한 모델은 일부 표본외 평가에서 원자료 기반 모델보다 최대 약 34% 높은 점수를 기록했다. 다만 연구진은 성능 개선이 양자적 우위로 확정된 것이 아니라, 현재 하드웨어의 노이즈가 일종의 유용한 정규화로 작용했을 가능성도 제기한다.
실무 시사점
- 체결 알고리즘: 체결확률은 적정가격, 주문 크기, 고객 유형, 경과시간, 시장변동성, 경쟁 딜러 수를 포함하는 동적 함수로 설계해야 한다.
- KPI: AUC나 분류정확도보다 예상 마진, 실제 fill, 체결 후 mark-out을 연결한 실행 백테스트가 핵심이다.
- 시스템 구조: 고비용 데이터 변환은 실시간 주문경로에 직접 넣기보다 사전에 계산한 feature 또는 embedding으로 제공하는 방식이 현실적이다.
- 주의점: “최대 34%”는 특정 설정에서의 결과다. 양자컴퓨팅 투자 판단보다 잡음 주입, random projection, autoencoder 같은 고전적 대안을 먼저 비교할 필요가 있다.
데스크 적용 우선순위: ★★★★☆