특히 저유동성 구간에서 거래량을 과대평가하는 오류의 비용은 비대칭적으로 크다. 실제 유동성이 부족한데 많이 거래하면 participation rate와 impact가 급증하기 때문이다. 논문은 이를 단순 MSE가 아니라 경제적 목적함수로 ML을 재학습하는 economic learning 문제로 본다.
편집 전 브리핑 원문 펼치기
구분: 논문 · NBER Working Paper / SSRN 개정본
최근 개정일: 2026년 7월 10일
원문: NBER Working Paper · SSRN
핵심 요약
이 논문의 출발점은 매우 실무적이다. 대부분의 퀀트 연구는 수익률을 예측하는 데 집중하지만, 실제 수익은 언제 얼마나 거래할 수 있느냐에도 크게 좌우된다. 연구진은 개별 종목 거래량이 ML로 상당히 잘 예측된다는 점을 이용해, 예상 거래량을 예상 market impact와 결합하고 tracking error와 거래비용을 동시에 최적화한다. 저자들은 거래량 예측만 개선해도 대규모 포트폴리오에서는 net-of-cost 성과 개선폭이 수익률 예측의 경제적 가치에 필적할 수 있다고 보고한다.
특히 저유동성 구간에서 거래량을 과대평가하는 오류의 비용은 비대칭적으로 크다. 실제 유동성이 부족한데 많이 거래하면 participation rate와 impact가 급증하기 때문이다. 논문은 이를 단순 MSE가 아니라 경제적 목적함수로 ML을 재학습하는 economic learning 문제로 본다.
실무 시사점
주문집행: 좋은 알파가 있다고 해서 바로 거래해야 하는 것은 아니다.
Expected Alpha > Expected Impact + Opportunity Cost
일 때만 거래하는 구조가 필요하다.
채권시장에서는 더 중요하다. 주식보다 거래 빈도가 훨씬 낮기 때문에 오늘 거래량이 얼마나 나올 것인가보다 향후 30초·5분·1시간 동안 원하는 size가 체결될 확률을 예측하는 것이 더 적절하다.
한국 시장에서는 예를 들어:
P(fill | 호가, 잔량, 시간대, 이벤트, 브로커, 종목, size)
를 모델링하고, 이 확률이 낮으면 즉시 거래하지 않고 다른 종목·선물·스왑으로 임시헤지를 하는 식이다.
중요한 교훈:
execution model의 경제적 가치가 alpha model만큼 클 수 있다.
개발 우선순위: ★★★★★