미래 가격이 오를지 맞히는 일과 어떤 가격·수량으로 주문할지 고르는 일에는 서로 다른 정답이 필요하다. Two Sigma의 웨비나는 고빈도 자료를 이용한 가격변동 예측과 강화학습을 이용한 주문전략을 구분한다. 좋은 전망을 갖고 있어도 주문이 체결되지 않거나 비용이 높으면 같은 결과를 얻지 못한다.
가격모형은 시장상태와 이후 움직임 사이의 관계를 학습한다. 주문정책은 행동 이후의 체결, 시장충격, 다음 상태를 고려하는 순차 의사결정을 다룬다. 강화학습은 이런 행동의 누적 결과를 보상으로 평가한다. 따라서 가격방향 예측의 정확도와 주문정책이 얻은 성과를 같은 지표로 비교하기 어렵다.
공개 자료를 국내 검증으로 연결하려면 체결·슬리피지·재고위험을 평가에 넣어야 한다. 특히 실행하지 않은 대안 주문이 어떤 결과를 냈을지 직접 관측할 수 없다는 평가 문제가 남는다. 웨비나는 연구주제와 접근을 소개하며, 실제 보상함수나 전략자료를 제공하지 않으므로 이 단계는 별도의 실험설계가 필요하다.
SCOPE공개 발표의 연구 구분에 근거한 해석이다. Two Sigma의 실제 주문정책·자료·수익률을 복제할 수 있는 공개 명세는 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
가격예측과 주문결정의 다른 목표0 primary · 1 archived +
These 1 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: 퀀트회사 공식 웨비나·딥러닝 및 강화학습
발표일: 2022년 8월 23일
선정 이유: 최신성보다 가격예측과 주문집행의 학습목표를 분리해 설명한 기술적 가치 때문에 선정
핵심 요약
Two Sigma 공식 웨비나는 금융 머신러닝을 고빈도 데이터의 가격변동 예측과 강화학습 기반 최적 주문전략이라는 별개의 문제로 다룬다. 전자는 시장상태에서 미래 가격 움직임을 학습하고, 후자는 행동이 체결·시장충격·다음 상태를 바꾸는 순차 의사결정을 학습한다. 따라서 예측 정확도가 높은 모델이 곧 최적 집행정책이라는 보장은 없으며, 주문전략에는 체결·슬리피지·재고·위험의 보상함수와 반사실 평가가 필요하다는 공개자료 기반 해석이 가능하다. 페이지는 연구기회와 공개 발표를 소개할 뿐 Two Sigma의 실제 전략·데이터·성과를 공개하지 않는다.
실무 시사점
방향모델과 집행모델을 하나의 정확도 지표로 승인하면 신호는 맞지만 비용이 더 큰 전략이 배포될 수 있다. 가격예측은 시계열 홀드아웃으로, 집행정책은 시장충격을 반영한 시뮬레이션과 비용·위험 제약으로 독립 검증해야 한다.
한국 시장 복제 아이디어
국고채선물 방향 신호와 현물·IRS 헤지 주문정책을 분리한다. 예측모델은 수익률·베이시스의 표본외 오차로 평가하고, 집행정책은 체결확률·implementation shortfall·mark-out·재고 DV01을 보상으로 삼아 historical replay와 제한된 shadow 실행에서 검증한다.