15개 최적화 알고리즘 연구를 해설한 같은 글은 Adam이 견고한 기본값이며 튜닝과 무작위 시드 차이가 방법 간 차이만큼 클 수 있다고 정리한다. 공개된 사실은 연구 검토 방식과 재현성 원칙이며 HRT의 비공개 거래 라벨이나 P&L은 알 수 없다.
국내 채권 모델은 정확도 대신 체결확률, 체결 후 mark-out, 꼬리손실과 계산지연을 손실함수에 넣는다. 여러 시드와 기간의 신뢰구간, 단순 기준모형을 이기지 못한 결과까지 보존하고 shadow와 소액 canary를 거쳐야 선택편향을 줄일 수 있다.
편집 전 브리핑 원문 펼치기
구분: 퀀트회사 공식 기술 블로그·머신러닝 연구 검증
발표일: 2022년 5월 16일
선정 이유: 최신성보다 기술적 가치 때문에 선정
핵심 요약
Hudson River Trading(HRT)의 공식 글은 사내에서 격주 Paper Survey Club을 열어 내부·외부 발표자와 논문을 검토한다고 밝히며, 공개 머신러닝 벤치마크의 점 추정치에는 큰 불확실성이 있고 평가 프로토콜 변화만으로 순위가 뒤집힐 수 있다고 지적한다. 이미지·번역 벤치마크의 개선이 수익률 예측과 동일하지 않으며, 최적화 알고리즘의 장점이 표본 밖 거래 문제로 자동 이전된다고 볼 수 없다는 설명이다. 15개 옵티마이저 비교를 해설한 원문은 Adam이 여전히 견고한 기본값이고 튜닝과 무작위 시드의 차이가 방법 간 차이만큼 클 수 있어 재현성과 불확실성 표시가 중요하다고 정리한다. 확인 가능한 사실은 공개된 연구문화와 벤치마크 원칙이며 HRT의 비공개 라벨·전략·P&L은 공개되지 않았다.
실무 시사점
채권용 모델은 범용 정확도보다 체결확률, 체결 후 mark-out, 꼬리손실, 계산지연처럼 실제 의사결정 손실에 맞춰 검증해야 한다. 여러 시드와 기간에서 신뢰구간을 남기고 단순 기준모형을 이기지 못한 결과까지 보존해야 연구→production→P&L 피드백이 선택편향에 오염되지 않는다.
한국 시장 복제 아이디어
국고채 호가·회사채 RFQ 모델마다 사전 등록한 기준모형, 시계열 홀드아웃, 거래비용과 스트레스 구간을 고정한다. 새 모델의 평균 개선뿐 아니라 시드별 분산과 등급·만기·유동성 구간별 실패를 연구카드로 남기고, 실거래 전 shadow와 소액 canary 단계를 거친다.