연구는 또 SEC 13F의 약 9,950만 건 보유자료를 이용해 기관 포트폴리오 수렴 현상을 분석하고, AI가 가격발견을 개선할 수 있는 동시에 동일한 데이터와 모델이 확산될수록 correlated trading과 tail fragility를 키울 수 있다고 주장한다.
편집 전 브리핑 원문 펼치기
구분: 논문 · arXiv / AI·시장미시구조·Crowding
최신 논문일: 2026년 8월 11일
원문: arXiv 원문
핵심 요약
이 연구는 “AI가 알파를 더 많이 발견한다”는 문제의 반대편인 AI가 널리 사용되면서 알파를 얼마나 빨리 없애는가를 모델링한다. 저자들은 signal crowding, 자신의 거래로 학습환경을 바꾸는 performative signal erosion, 그리고 경쟁사가 더 좋은 AI를 쓰면 나도 투자해야 하는 Red Queen competition이라는 세 채널을 제시한다. 모델상 AI 사용자가 많고 모델·데이터가 유사할수록 alpha half-life가 짧아지며, 논문의 calibration에서는 현재 AI 보급 수준에서 신호 반감기가 약 18개월로, pre-AI의 약 5~7년보다 훨씬 짧다고 추정한다. 다만 저자들도 이 수치는 직접적인 인과추정이라기보다 모델 calibration과 시뮬레이션에 기반한 결과임을 명시한다.
연구는 또 SEC 13F의 약 9,950만 건 보유자료를 이용해 기관 포트폴리오 수렴 현상을 분석하고, AI가 가격발견을 개선할 수 있는 동시에 동일한 데이터와 모델이 확산될수록 correlated trading과 tail fragility를 키울 수 있다고 주장한다.
실무 시사점
이 논문은 “어떤 모델이 가장 좋나?”보다 “얼마나 남들과 다른 신호인가?”를 KPI에 넣어야 한다는 메시지를 준다.
예를 들어 우리 모델이
가격 + 이동평균 + imbalance + US Treasury + 뉴스 sentiment
를 쓰는데 시장 참가자 대부분도 같은 데이터를 사용한다면 OOS IC가 높더라도 실제 monetizable half-life는 짧을 수 있다.
따라서 신규 신호를 평가할 때 저는 최소한 다음 세 가지를 같이 보겠다.
IC / Sharpe뿐 아니라
Signal decay: 신호 발생 후 1초·10초·1분·30분 P&L 감쇠
Crowding proxy: 공개 factor·컨센서스와의 correlation
Capacity: size를 키웠을 때 market impact로 얼마가 사라지는지
특히 한국 국고채에서는 모델이 찾은 3/10·현선 basis anomaly가 며칠짜리 구조적 알파인지, 30초 안에 사라지는 crowding alpha인지를 분류하는 것이 중요하다.
주의: 흥미로운 최신 연구지만 아직 동료평가 논문이 아니고, 일부 실증결론은 calibrated simulation이므로 숫자 자체보다 메커니즘을 참고하는 것이 적절하다.
데스크 적용 우선순위: ★★★★★