정보를 가진 고객과 딜러의 관계

구분: 동료평가 논문 · Review of Asset Pricing Studies / 회사채 시장미시구조
현재 확정본 업데이트: 2026년 8월 8일 typeset/corrected
게재: Volume 16, Issue 3, September 2026

AI 논문은 아니다. 오늘은 최신성보다 ‘dealer AI가 무엇을 예측해야 하는가’라는 기술적 가치 때문에 선정했다.

핵심 요약

Bank of England와 BIS 연구진은 counterparty identity가 공개된 regulatory corporate-bond transaction data를 이용해 고객–dealer 관계와 정보거래를 분석했다. 결과적으로 sophisticated client는 하나의 dealer에 주문을 몰기보다 여러 dealer에 주문을 분산시킬 때 더 좋은 성과를 냈고, 이 효과는 informationally sensitive client, HY bond, COVID 같은 정보집약적 기간에서 더 강했다. Oxford Academic 원문

또 국채와 회사채를 동시에 거래하는 고객을 식별했을 때 dealer relationship 효과는 회사채에서 더 크고 오래 지속됐다. 즉 OTC 회사채에서는 단순 가격 외에 누가 누구와 거래하는가라는 network state 자체가 정보다.

채권 AI 시사점

이 연구는 RFQ 모델에 중요한 feature를 하나 추가한다.

기존:

bond

• size
• quote distance
• market state

보다

client identity

• client–dealer relationship state
• recent dealer dispersion

을 같이 봐야 한다.

예를 들어 고객이 평소 특정 dealer 한 곳과만 거래하다 갑자기 동시에 6곳에 RFQ를 던지면 그것 자체가 information urgency / price discovery intensity의 signal일 수 있다.

따라서 다음을 모델링할 가치가 있다.

P(informed flow | client, dealer network, size, state)

그리고 이를:

Fill Probability 뿐 아니라 Expected Post-Trade Mark-out

에 넣는다.

한국 시장 복제 아이디어

브로커 또는 counterparty가 식별 가능한 내부 데이터를 기준으로:

• 평소 거래 상대 수
• 최근 RFQ 상대 확대 여부
• 평균 quote dispersion
• size 변화
• 이후 1분/10분 mark-out

을 feature로 만든다.

그러면 **“누가 샀다”보다 “평소와 다른 방식으로 liquidity를 찾고 있는가”**를 포착할 수 있다.

우선순위: ★★★★★