딜러가 좋은 가격을 제시하면 체결이 늘 수 있지만 그중에는 딜러보다 정보를 빨리 아는 고객의 거래도 늘 수 있다. REFLEX는 다음 학습자료가 딜러의 과거 호가 정책에 의해 바뀌는 문제를 다룬다. 자료를 외부에서 고정적으로 받아 학습하는 경우와 달리 모형의 행동이 학습 환경을 만드는 구조다.
연구는 호가 변화에 대한 거래량의 민감도, 목적함수의 곡률, 호가 차이 축소에 따른 정보 우위 거래의 증가를 결합해 재학습의 안정성을 판단한다. 반복학습이 안정된 상태로 수렴하는지 확인하려는 진단이다. 보존된 기록은 모의실험에서 진단과 실제 안정성이 가까웠다고 설명한다.
모의실험에서 사전 진단과 실제 안정성의 차이가 8% 이내였다는 결과가 남아 있다. 경쟁 딜러가 2개일 때 불안정성이 1.74배, 3개일 때 3.16배 커졌으며 공개자료 보정의 위기 상태에서는 투자등급·고위험 모두 안정성 여유가 평시보다 약 4배 이상 축소됐다고 한다. 이 수치는 모의실험·보정 결과이므로 실제 딜러 손익이나 위기의 확정 효과로 옮길 수 없다.
SCOPE초기 프리프린트의 역사적 기록이다. 핵심 결과는 모의실험과 보정이며 실거래 안정성 검증과 구분한다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
REFLEX: Reflexive Equilibrium Fixed-point Learning for Endogenous eXchanges0 primary · 3 archived +
These 3 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: 최신 논문 · arXiv / ML·OTC 회사채 Market Making
발표일: 2026년 8월 17일
원문 링크: https://arxiv.org/abs/2608.16155
핵심 요약
OTC 회사채 dealer가 ML로 bid/ask를 결정할 때 생기는 performative feedback을 정면으로 다룬 매우 최신 연구다. quote를 타이트하게 하면 거래량은 늘어나지만 informed flow와 adverse selection도 늘고, dealer는 그렇게 자신이 유인한 체결만으로 모델을 다시 학습한다. 즉 학습 데이터가 외생적으로 주어지는 것이 아니라 내 과거 quoting policy가 다음 training distribution을 만든다.
REFLEX는 이 반복학습이 안정적으로 수렴할지 판단하기 위해 quote 변화에 대한 volume sensitivity, 목적함수의 curvature, spread 축소에 따른 informed-flow 증가율 세 가지를 결합한 retraining modulus를 제안한다. simulation에서는 사전 추정 안정성과 실제 안정성 차이가 8% 이내였고, dealer 경쟁이 2개일 때 불안정성이 1.74배, 3개일 때 3.16배 증가했다. 저자들의 public-data calibration에서는 crisis regime에서 안정성 여유가 IG·HY 모두 평시 대비 약 4배 이상 축소됐다.
실무 시사점
이 논문이 중요한 이유는 모델 평가의 단위를 바꾼다는 데 있다.
기존에는:
OOS accuracy
→ 좋으면 production 배포
였다면 REFLEX 관점에서는:
OOS accuracy
- “이 모델을 배포했을 때 다음 데이터분포가 얼마나 바뀌는가?”
를 동시에 봐야 한다.
예를 들어 ML이 특정 RFQ 고객에게 계속 공격적인 가격을 주면 그 고객의 flow가 dataset에서 과대표집된다. 재학습 모델은 이것을 “시장 전체의 새로운 패턴”으로 오인하고 더 공격적으로 quote할 수 있다. 이게 feedback loop다.
한국 적용: 고객·브로커별 quote engine을 만든다면 다음 KPI를 추가할 가치가 있다.
ΔFill / ΔQuote
ΔAdverse Mark-out / ΔQuote
Retraining Stability
특히 production model을 매일 자동 retrain하기보다 policy shift가 training population을 얼마나 바꿨는지 확인하는 gate를 두는 것이 좋다.
주의: 아직 8페이지짜리 초기 arXiv 프리프린트이며 핵심 결과 상당 부분이 simulation/calibration 기반이다. 수치보다 메커니즘을 가져오는 것이 적절하다.
데스크 적용 우선순위: ★★★★★