실증적으로 구조적 generative model은 ROC-AUC 0.742로 LightGBM의 0.743과 거의 동일한 predictive accuracy를 기록하면서도 가격이 고객에게 유리해질수록 체결확률이 올라가야 한다는 spread monotonicity 같은 경제적 제약을 자연스럽게 만족한다. 연구는 optimal pricing, 정책별 예상 revenue, dealer axes에 반응할 가능성이 높은 고객 식별까지 동일한 causal 분석 체계 안에서 다룬다.
편집 전 브리핑 원문 펼치기
구분: 동료평가 논문 · PLOS One / BBVA·University of Navarra
발표일: 2026년 1월 27일
원문: PLOS/PMC 전체 논문
핵심 요약
이 연구는 실제 BBVA의 유럽 국채 RFQ 데이터를 이용해 dealer pricing을 단순 ML classification이 아니라 causal inference 문제로 재구성한다. RFQ에서는 dealer가 경쟁사 quote를 완전히 볼 수 없고, 자신이 이겼는지·cover price가 얼마였는지 같은 제한적인 사후정보만 받기 때문에 historical data에는 강한 selection bias와 confounding이 존재한다. 연구진은 probabilistic graphical model과 causal intervention을 사용해 “quote를 실제로 x bp 변경하면 hit probability와 expected revenue가 얼마나 바뀔까?”를 counterfactual하게 계산하려 한다.
실증적으로 구조적 generative model은 ROC-AUC 0.742로 LightGBM의 0.743과 거의 동일한 predictive accuracy를 기록하면서도 가격이 고객에게 유리해질수록 체결확률이 올라가야 한다는 spread monotonicity 같은 경제적 제약을 자연스럽게 만족한다. 연구는 optimal pricing, 정책별 예상 revenue, dealer axes에 반응할 가능성이 높은 고객 식별까지 동일한 causal framework 안에서 다룬다.
실무 시사점
이 논문은 매우 중요하다. 일반적인 fill model은
P(fill | quoted price, client, market state)
를 학습한다.
하지만 historical data에서 좋은 가격을 제시한 고객군과 나쁜 가격을 제시한 고객군은 애초에 같지 않다. 좋은 고객에게 aggressive quote를 많이 줬다면 ML은 “aggressive quote라서 체결됐다”와 “원래 체결 가능성이 높은 고객이었다”를 구분하기 어렵다.
따라서 실제로 필요한 것은:
P(fill | do(quote = q), state)
다.
즉 **“이 가격을 내가 실제로 바꿨다면?”**이라는 intervention이다.
한국 채권 중개·시장조성에서도 고객·브로커·종목별 historical hit ratio를 그대로 quote optimization에 넣으면 이런 confounding이 발생할 수 있다. 특히 과거 딜러가 이미 경험적으로 고객을 segmentation했다면 더 심하다.
또 LightGBM과 구조모형의 AUC가 사실상 같다는 결과도 의미가 있다. 0.001 AUC를 더 얻는 것보다 economically valid한 response curve를 갖는 것이 production에서는 더 중요할 수 있다.
한국 적용: RFQ 데이터가 있다면 client → quote → fill → cover/markout causal graph부터 그려보는 것을 강하게 추천한다.
데스크 적용 우선순위: ★★★★★