HRT는 시장조성을 가격발견과 유동성 공급의 서비스로 설명하며, 가격·거래량·뉴스·공시 같은 자료를 행동으로 바꾼다. 목표는 거래비용을 뺀 순거래수익이지만 위험한 포지션, 규정위반, 시장에 해로운 행동은 제약해야 한다. 회사 설명상 거래결정은 모형과 코드로 구동되지만, 이 문구만으로 완전자율 AI나 특정 전략을 뜻하지는 않는다.
게임과 달리 시장은 다른 참여자의 포지션과 숨은 주문을 완전히 볼 수 없고 현실의 새 표본은 한 번씩만 쌓인다. 여러 AI를 상대로 만든 시뮬레이션도 실제 상호작용을 완전히 재현하지 못한다. HRT는 이 한계 때문에 큰 문제를 예측, 최적화, 집행으로 나눈다. 예측은 향후 가격의 지도학습 문제로, 최적화는 신호를 위험을 분산한 목표포지션으로 바꾸는 문제로 다룬다.
집행은 목표포지션을 실제 주문으로 옮기는 단계다. 한꺼번에 사면 가격충격이 커지고, 지나치게 나누면 좋은 가격을 놓치거나 마감까지 목표수량을 채우지 못한다. 따라서 짧은 가격예측과 체결가능성, 남은 시간과 수량을 같이 다뤄야 한다. 공개 글은 이 과정과 다일 순거래수익 목표를 설명하지만 모델군, 실거래 시장, 보유기간과 P&L은 밝히지 않았다.
SCOPEHRT의 공식 기술 설명은 문제분해와 예시를 공개한다. 특정 생산모형, 실거래 자료, 배포통제와 손익은 공개하지 않았으므로 수익효과나 비밀 전략을 확인한 자료로 볼 수 없다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Applying Artificial Intelligence to Trading5 primary · 0 archived +
HRT는 모형과 코드가 거래결정을 구동한다고 설명한다.
ORIGINAL PASSAGEdrive all our trading decisionsHRT, Applying Artificial Intelligence to Trading, opening, accessed 2026-10-08거래자료는 하나의 현실에서 실시간으로 천천히 축적되므로 게임처럼 무한 생성할 수 없다고 설명한다.
ORIGINAL PASSAGEwe have only one realityHRT, Applying Artificial Intelligence to Trading, AI comparison section, accessed 2026-10-08거래 AI 문제는 예측·최적화·집행의 세 하위문제로 분해된다.
ORIGINAL PASSAGEthree subproblemsHRT, Applying Artificial Intelligence to Trading, decomposition section, accessed 2026-10-08설명 예시의 목표는 총위험 한도 아래 여러 날의 순거래수익을 최대화하는 것이다.
ORIGINAL PASSAGEmaximize our net trading profit over multiple daysHRT, Applying Artificial Intelligence to Trading, decomposition example, accessed 2026-10-08가격예측의 설명 예시는 5일 뒤 개별 증권 가격을 라벨로 둔다.
ORIGINAL PASSAGEnext five daysHRT, Applying Artificial Intelligence to Trading, prediction subsection, accessed 2026-10-08Show the original briefing text
구분: 퀀트·마켓메이킹 회사 공식 기술블로그·예측, 최적화 및 집행
발표일: 2021년 9월 15일
선정 사유: 최신성보다 거래 AI의 목표·라벨·위험·집행을 한 과정으로 공개한 기술적 가치 때문에 선정
핵심 요약
Hudson River Trading 공식 기술 글은 시장자료와 대체자료를 받아 순거래수익을 위험·규정 제약 아래 최대화하는 문제를 설명한다. HRT는 이를 하나의 AI에 맡기지 않고 미래가격 예측, 위험을 반영한 자산배분, 실제 주문집행의 세 문제로 나눈다. 예측 예시의 라벨은 5일 뒤 가격이며, 집행은 목표수량을 즉시 살지 시간에 나눌지 판단하면서 가격충격과 미완료 위험을 함께 다룬다. 실제 모델·시장·보유기간·P&L은 공개하지 않았으므로 글에서 확인되는 것은 연구문제의 구조다.
실무 시사점
예측 정확도가 좋아도 포지션 한도와 체결비용을 거치면 데스크 성과가 달라진다. 채권 AI는 공정가치, 목표 DV01, 주문일정의 라벨과 손실함수를 분리하고 각 단계의 오차가 최종 mark-out과 잔존위험에 어떻게 전파되는지 기록해야 한다.
한국 시장 복제 아이디어
국채선물·현물·IRS에서 5분 뒤 중간가격 예측, 비용·DV01 제약 포트폴리오, 체결확률 기반 집행을 독립 모듈로 만든다. 각 모듈을 단순 기준모형과 교체하는 절제실험으로 비용 차감 P&L, 최대 DV01, 미체결률, 체결 후 mark-out의 변화를 비교한다.