일반적인 지도학습은 관측대상이 모델을 의식하지 않는다고 가정하기 쉽다. 시장조성에서는 모델의 주문이 체결되고 경쟁자의 호가취소와 spread 조정을 유발해 다음 자료를 바꾼다. Optiver 연구자는 이 때문에 model이 예측하려는 system의 일부라고 설명한다. 좋은 가격예측도 queue에서 밀리거나 나쁜 상대만 체결하면 경제적 목표를 달성하지 못한다.
백테스트의 첫 조건은 그 시점에 실제 이용 가능했던 정보만 쓰는 것이다. 여기에 venue별 queue priority, fee, tick size와 order type을 그대로 재현해야 한다. 같은 상품도 규칙이 다르면 fill과 spread 경제성이 바뀐다. 한국 채권에서는 과거 호가를 재생하는 것만으로 부족하며 자신의 주문이 book과 경쟁자 반응을 바꾸는 counterfactual 오차를 shadow quote로 보정해야 한다.
live 배포 뒤에는 과거에 유효했던 신호가 경쟁자의 적응으로 빠르게 소멸할 수 있다. 원문은 화려한 개발서사보다 지금 작동하는 모델을 강조하지만, 구체적 decay 속도나 P&L은 공개하지 않는다. 따라서 aggregate 손익이 무너지기 전에 signal calibration, queue-adjusted fill, adverse-selection mark-out과 regime drift를 따로 감시하고 중단기준을 사전에 고정해야 한다.
SCOPE현직 연구자의 회사 공식 기술 해설이며 정량 backtest, 모델구조·label·위험한도와 전략별 P&L은 공개하지 않는다. production feedback의 일반 원리이지 특정 수익전략의 증거가 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
자기 주문이 시장을 바꿀 때 백테스트를 어떻게 믿을 수 있는가3 primary · 0 archived +
시장조성 모델은 자신이 예측하려는 시장체계에 참여해 향후 반응과 자료를 바꾼다.
ORIGINAL PASSAGEYour model is part of the system it's trying to predictOptiver, Machine learning in trading: an adversarial research problem, Modelling in a competitive system, accessed 2026-11-14유효한 백테스트는 각 시점에 실제 사용 가능했던 정보만 입력해야 한다.
ORIGINAL PASSAGEinformation genuinely available at that momentOptiver, same article, Backtesting and the silent counterfactual, accessed 2026-11-14경쟁환경에서는 현재 작동하는지를 반복 관찰하는 것이 중요하다고 설명한다.
ORIGINAL PASSAGEIt's the one that works right nowOptiver, same article, Backtesting and the silent counterfactual, accessed 2026-11-14Show the original briefing text
구분: Optiver 공식 기술 글·시장조성 ML의 counterfactual과 production feedback
발표일: 2026년 10월 21일
채용공고 아님: 현직 quantitative researcher가 회사 기술 블로그에 공개한 연구·운영 해설이다.
핵심 요약
Optiver 공식 원문은 시장조성 ML이 자신의 주문으로 체결확률·경쟁자 호가·향후 데이터를 바꾸는 적대적 연구문제라고 설명한다. 백테스트는 각 시점에 실제 이용 가능했던 정보만 사용해야 하며, queue rule·tick size·fee·order type이 달라지면 같은 상품의 모형도 다른 결론을 낼 수 있다. live 배포 뒤에는 경쟁자가 신호를 흡수해 성과가 빠르게 소멸할 수 있으므로 research→production→관찰의 반복이 필요하다고 밝히지만 정량 성과나 P&L은 공개하지 않는다.
실무 시사점
채권 모델의 label을 mid-price 방향 하나로 두면 실제 fill과 adverse selection을 놓친다. venue별 queue와 fee, 자신의 주문이 만든 시장반응을 replay와 shadow deployment에서 분리해야 하며 aggregate 성과가 무너지기 전에 신호·체결·mark-out drift를 감시해야 한다.
한국 시장 복제 아이디어
국채선물·전자 국고채에서 가격예측, 체결확률, 체결후 mark-out을 함께 label로 만들고 venue 규칙 버전을 feature store에 연결한다. 학습시점 정보만 허용한 event replay와 소량 shadow quote를 비교해 calibration, queue-adjusted fill, adverse-selection 비용, drift 탐지시간과 kill-switch 오탐을 평가한다.