이 연구의 질문은 종목 이름을 모르는 정책도 주문을 집행할 수 있느냐는 것이다. 정책은 최우선 대기열에 남아 체결을 기다릴지, 스프레드를 건너 즉시 체결할지를 고른다. Nasdaq 주문을 queue position과 latency까지 재생하고, 2019년 954개 종목의 376,610개 episode로 LightGBM fitted Q-iteration을 학습했다. target은 지금 건너는 것에 비해 각 행동이 절약한 비용이다.
종목별 최근 거래율·평균 거래크기·스프레드와 틱을 주면 2020~21년 1,964개, 2025~26년 2,629개 미관측 종목에서도 종목 자체를 포함해 학습한 정책과 0.015스프레드/주 이내였다. 그러나 raw unit과 invariant unit의 평균 비용 차이는 매우 작았고, 학습범위 밖 스프레드에는 모두 실패했다. 작은 transfer gap만으로 정상화가 맞다고 결론낼 수 없는 이유도 비교정책에서 시험종목의 데이터 비중이 작기 때문이다.
실무적으로는 신규 종목마다 모델을 새로 만들기 전에 scale context를 입력하는 공통 정책을 시험할 가치가 있다. 다만 replay는 한 거래소의 displayed book만 보고 routing·hidden liquidity·시장반응을 제외한다. 반대편 최우선 잔량보다 주문이 큰 학습 episode가 34%여서 즉시 crossing 비용이 과장될 수도 있다. 한국 국채 적용에서는 out-of-support 스프레드와 금리민감도 한도를 별도 차단조건으로 둬야 한다.
SCOPE공개 Nasdaq·IEX·Coinbase replay의 모의 결과다. 자기 주문에 대한 시장반응, routing, hidden liquidity와 parent-order impact가 없으며 비용은 별도 표시가 없는 한 수수료 전이다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Does a Trading Policy Need to Know What It Trades? Microstructure Invariance and Zero-Shot Transfer of Execution Policies5 primary · 0 archived +
주요 학습기는 376,610개 episode와 다섯 행동을 사용한 fitted Q-iteration이다.
ORIGINAL PASSAGE376,610 episodesarXiv:2611.08701v1, Table C.1, HTML Appendix C, accessed 2026-11-11학습표본은 2019년 954개 Nasdaq 종목이다.
ORIGINAL PASSAGE954 stocks in 2019arXiv:2611.08701v1, Abstract, accessed 2026-11-11미관측 평가는 2020~2021년 1,964개와 2025~2026년 2,629개 종목을 포함한다.
ORIGINAL PASSAGE1,964 unseen stocks in 2020–21, 2,629 stocks in 2025–26arXiv:2611.08701v1, Abstract, accessed 2026-11-11종목 자체를 본 정책과의 비용 차이는 주당 0.015스프레드 이내였다.
ORIGINAL PASSAGEwithin 0.015 spreads per sharearXiv:2611.08701v1, Abstract and Findings, accessed 2026-11-11Nasdaq 학습 episode의 34%에서 주문이 반대편 최우선 표시잔량보다 컸다.
ORIGINAL PASSAGE34% of Nasdaq training episodesarXiv:2611.08701v1, Limitations, accessed 2026-11-11Show the original briefing text
구분: 최신 연구·주문집행 정책의 zero-shot 이전과 시장미시구조
발표일: 2026년 11월 5일
핵심 요약
arXiv 원문은 2019년 Nasdaq 954개 종목으로 한 번 학습한 주문집행 정책을 2020~2021년 미관측 1,964개 종목, 2025~2026년 2,629개 종목과 IEX·가상자산에 재학습 없이 적용했다. 정책은 대기열에 남을지 스프레드를 건널지를 결정하며, 종목별 최근 거래율·거래크기·스프레드·틱을 공통 단위로 바꿨을 때 해당 종목 이력을 학습한 정책과의 비용 차이가 주당 0.015스프레드 이내였다. 다만 표현방식 간 평균 비용 차이는 1bp 미만이었고 학습에서 보지 못한 스프레드 국면에는 어떤 표현도 이전되지 않았다.
실무 시사점
종목별 모델을 모두 따로 만들지 않아도 거래활동·틱·스프레드의 규모를 명시하면 신규 종목과 먼 시점으로 정책을 이전할 가능성이 있다. 그러나 작은 transfer gap은 비교정책에서 해당 종목의 데이터 비중이 작아서 생길 수도 있어 정상화가 맞다는 증거가 아니다. 공개 replay는 hidden liquidity·routing·자기 주문의 시장반응을 포함하지 않고, 반대편 최우선 잔량보다 주문이 큰 episode가 Nasdaq 학습표본의 34%여서 crossing 비용이 과대평가될 수 있다.
한국 시장 복제 아이디어
국채선물·전자 국고채에서 거래간격, 평균 체결크기, 스프레드, 틱/DV01로 상태를 정규화한 공통 정책과 종목별 정책을 비교한다. 학습에 없던 만기·입찰주·금통위 구간을 봉인하고 implementation shortfall, 체결률, 1초·10초 mark-out, 최대 DV01를 평가한다. 국내 스프레드 범위를 벗어난 날은 별도 out-of-support 경보로 차단한다.