결과적으로 유동성-supplying HFT는 earnings announcement 주변의 가격 정보성을 개선하는 반면, 유동성-demanding HFT는 반대 방향의 효과를 나타냈다. 즉 “알고리즘 거래가 많다”보다 알고리즘 주문이 유동성를 공급하는지 소비하는지를 식별하는 것이 시장 상태를 이해하는 데 더 중요하다는 결과다.
편집 전 브리핑 원문 펼치기
구분: 논문 · arXiv / ML·시장미시구조
발표일: 2026년 8월 1일
원문: arXiv 원문
핵심 요약
HFT를 단순 메시지 수나 quote-to-trade ratio 같은 proxy로 측정하지 않고, 실제 HFT 여부가 관측되는 proprietary dataset에서 ML을 학습한 뒤 공개 intraday data에 적용한 연구다. 더 중요한 점은 HFT를 하나로 묶지 않고 liquidity-supplying HFT와 liquidity-demanding HFT를 분리했다는 것이다. 이 ML measure는 기존 proxy보다 시간대별 HFT 활동을 더 잘 포착했고, speed bump 도입과 data-feed upgrade 같은 외생적 시장구조 변화에도 이론과 일관된 반응을 보였다.
결과적으로 liquidity-supplying HFT는 earnings announcement 주변의 가격 정보성을 개선하는 반면, liquidity-demanding HFT는 반대 방향의 효과를 나타냈다. 즉 “알고리즘 거래가 많다”보다 알고리즘 주문이 liquidity를 공급하는지 소비하는지를 식별하는 것이 시장 상태를 이해하는 데 더 중요하다는 결과다.
실무 시사점
이를 채권시장으로 가져오면 단순히
외국인 순매수 +5천 계약
보다
누가 liquidity를 때리고 있는지 / 누가 받아주고 있는지
가 중요해진다.
예를 들어 10년 국채선물이 5틱 하락했더라도,
- aggressive sell이 지속되는데 passive bid가 계속 replenishment되는 상황
- passive bid가 사라지고 모든 참가자가 offer를 내려가는 상황
은 이후 가격분포가 다를 가능성이 크다.
직접 HFT ID를 알 수 없더라도 event-time data로
cancel rate / aggressive trade ratio / quote replenishment / queue depletion / price impact
를 feature로 만들어 Liquidity Supplier Probability와 Liquidity Taker Probability를 학습할 수 있다.
그리고 이 변수는 alpha보다 execution engine에 먼저 넣는 것이 좋다.
한국 적용 우선순위: 시장 방향 예측보다 현재 호가를 때려도 되는 상태인가 / passive 주문을 놓는 게 유리한가를 분류하는 execution-state classifier.
데스크 적용 우선순위: ★★★★★