연구는 rolling OOS, event-clustered validation, blocked permutation test를 사용해 입력 변수 layer가 실제로 기존 state baseline을 넘어서는지를 단계별로 검증한다. 저자들은 향후 RL·execution policy·LLM context layer도 최소한 이 단순한 state baseline을 이겨야 의미가 있다고 제안한다.
편집 전 브리핑 원문 펼치기
구분: 논문 · arXiv / 시장미시구조·Supervised ML
발표일: 2026년 7월 10일
원문 링크: arXiv 원문
핵심 요약
BTC·ETH 선물의 top-20 L2 order book과 trade flow를 이용해, 이벤트 전후의 가격 방향이 아니라 liquidity-state transition을 예측하는 연구다. 핵심 결과는 거시 이벤트 종류보다 이벤트 직전의 L2 liquidity state 자체가 이후 유동성 상태를 가장 잘 설명했다는 점이다. 단순 선형 L2 feature보다 얕은 nonlinear model이 추가 예측력을 보였고, order flow는 L2 state 위에 얹었을 때만 추가 가치를 제공했다.
연구는 rolling OOS, event-clustered validation, blocked permutation test를 사용해 feature layer가 실제로 기존 state baseline을 넘어서는지를 단계별로 검증한다. 저자들은 향후 RL·execution policy·LLM context layer도 최소한 이 단순한 state baseline을 이겨야 의미가 있다고 제안한다.
실무 시사점
시장미시구조: 금통위·입찰 같은 이벤트 날에도 이벤트가 무엇인가보다 직전 호가창이 어떤 상태인가가 짧은 horizon에서는 더 중요할 수 있다.
예를 들어 같은 30년 입찰이라도:
- bid depth가 계속 replenishment되는 시장
- cancellation이 급증하고 depth가 사라지는 시장
은 이후 체결확률과 impact가 완전히 다르다.
실행 모델: 방향예측 전에 먼저 Liquidity State Classifier를 만든 뒤 그 상태에 따라 aggressive/passive execution 정책을 바꾸는 것이 좋다.
한국 적용: 국채선물·K-Bond에서 depth / imbalance / cancel rate / replenishment / aggressive trade ratio / spread를 이용해 normal / thin / stressed / one-sided 상태를 분류하고, 그 위에 alpha signal을 얹는 구조를 추천한다.
데스크 적용 우선순위: ★★★★★