특히 하루 1,000만 번 의사결정을 내리는 조직에서는 한 번의 큰 알파보다 매 거래당 아주 작은 개선을 대규모로 반복하는 것이 훨씬 큰 수익원이 될 수 있다.
예를 들어 평균적으로 quote quality가 0.02bp만 개선되더라도 수백만 체결에 적용되면 경제적 규모가 커진다. 이는 수익 메커니즘 설명을 위한 예시이며 Optiver가 해당 수치를 공개했다는 뜻은 아니다.
편집 전 브리핑 원문 펼치기
구분: 회사 공식 기술·트레이딩 플랫폼 자료 / 최신 소프트웨어 업데이트
최신 업데이트: 2026년 8월 21일
원문: Optiver 공식 What We Do
공개적으로 확인된 사실
Optiver는 현재 공식 페이지에서 ML과 quantitative model을 가격발견→실행→유동성공급 전 과정에 사용한다고 설명한다. 공개 수치상 100개 이상의 거래소, 100만 개 이상의 금융상품을 가격화하며 하루 1,000만 건 이상의 거래를 처리한다. 이 규모에서는 pricing model이나 execution path의 1% 개선도 수백만 번의 의사결정에 적용돼 측정 가능한 결과가 된다.
또 연구→production 간 feedback loop를 매우 강조한다. 연구자는 deep learning·LLM·RL·통계모형을 이용해 패턴을 찾고, engineering platform은 빠른 실험과 안전한 배포를 지원하며, trading team은 실제 order flow·risk·market structure를 반영해 결과를 행동으로 바꾼다.
수익 메커니즘 — 공개자료 기반 추론
Optiver 구조에서는 AI의 경제적 가치가 다음처럼 복리로 쌓인다.
더 좋은 prediction
→ fair value error 감소
→ quote 개선
→ execution 개선
→ 더 많은 live observations
→ 다음 모델 개선
특히 하루 1,000만 번 의사결정을 내리는 조직에서는 한 번의 큰 알파보다 매 거래당 아주 작은 개선을 대규모로 반복하는 것이 훨씬 큰 수익원이 될 수 있다.
예를 들어 평균적으로 quote quality가 0.02bp만 개선되더라도 수백만 체결에 적용되면 경제적 규모가 커진다. 이는 수익 메커니즘 설명을 위한 예시이며 Optiver가 해당 수치를 공개했다는 뜻은 아니다.
한국 채권시장에 복제한다면
우리 시장은 거래횟수가 훨씬 적으므로 scale의 축이 다르다.
Optiver식 millions of decisions × tiny edge 대신 국내 채권은:
fewer decisions × larger edge × better selection
을 노려야 한다.
따라서 가장 먼저 자동화할 것은 모든 거래가 아니라 가치가 큰 decision point다.
- 30년 입찰
- 금통위
- 3/10·10/30 extreme
- 현선 basis 급변
- 큰 RFQ
- dealer inventory imbalance
같은 시점을 골라 모델의 expected-value 개선폭을 집중적으로 검증하는 편이 현실적이다.
복제 난이도: ★★★★☆
복제 가치: ★★★★★