많은 주문 메시지는 빠른 거래의 흔적이지만 어느 참가자가 어떤 역할을 했는지는 충분히 알려주지 않는다. 연구는 실제 HFT 여부를 관측할 수 있는 비공개 자료로 머신러닝을 학습하고 공개 장중자료에서 활동을 측정한다. 유동성을 공급하는 주문과 소비하는 주문을 분리한다.
기록은 이 측정값이 기존 메시지 비율보다 시간대별 활동을 잘 포착하고 속도 지연 장치나 데이터 피드 개선에도 이론과 맞는 반응을 보였다고 소개한다. 실적발표 주변에서 공급형 HFT는 가격 정보성을 개선하고 수요형은 반대 방향의 효과를 나타냈다는 비교도 있다.
가격 정보성은 가격이 관련 정보를 얼마나 잘 반영하는지를 뜻한다. 주문의 양 외에 그 역할을 구분해야 한다는 결과다. 그러나 분류기는 학습시장의 행동과 표지에 의존하며 공급·소비의 관측 관계를 모든 환경의 인과로 바꿀 수 없다. 국내에서는 실제 참가자 표지의 접근과 국면별 정확성을 먼저 검증해야 한다.
SCOPE비공개 표지 기반 측정의 결과로 다른 시장의 분류 성능이나 인과효과가 자동으로 유지되지는 않는다. 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.
HFT를 유동성 공급과 소비로 나눠 측정하다0 primary · 7 archived +
These 7 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 · 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: ★★★★★