팬데믹 한복판에서 퀀트 연구자들은 무엇을 고민했나 — 2020년 6월 AI 금융 연구 월간 종합

왜 이 연구들이 흥미로운가? 2020년 3월, 전 세계 금융시장은 코로나19 폭락장을 겪었다. 수십 년간 "잘 되던" 퀀트 전략이 하루아침에 무너졌고, 트레이더들은 "다음번 위기에도 살아남으려면 뭘 바꿔야 하나"라는 질문을 안게 됐다. 바로 그 시기, 2020년 6월에 arXiv에 올라온 논문 258편을 분석했다. 위기의 원인을 해부하는 연구부터, AI로 트레이딩을 근본적으로 바꾸려는 시도까지 — 그 달의 연구 풍경을 소개한다.

---

들어가며: 주식이 폭락한 뒤 연구실에서는 무슨 일이?

2020년 3월, 코로나19 팬데믹이 전 세계 금융시장을 강타했다. S&P 500은 한 달 만에 약 34% 하락했고, 원유 선물은 사상 처음으로 마이너스 가격을 기록했다. 이 혼란 속에서 특히 충격을 받은 집단이 있었다. 바로 퀀트 트레이더들이다.

달러중립(long-short) 전략, 통계적 차익거래, 시장중립 펀드 — 이른바 "알파를 추출하는" 정교한 수학 기반 전략들이 동시에 무너졌다. 평소에는 서로 상관관계가 낮던 전략들이 위기 앞에서는 일제히 같은 방향으로 움직인 것이다.

바로 이 "왜 동시에 부서졌는가"라는 질문과, "다음번엔 어떻게 준비해야 하는가"라는 질문이 2020년 6월 arXiv 논문들의 핵심 테마가 됐다. 그 달에 나온 258편 가운데 가장 의미 있는 연구들을 5가지 테마로 묶어 소개한다.

---

테마 1: 인덱스 리밸런싱 — "약속된 날에 사면 비싸진다"

문제의식

세계에서 가장 큰 인덱스 펀드들은 매년 6월 마지막 금요일에 Russell 3000 지수의 구성 종목을 새로 고른다. 새로 편입되는 종목을 사고, 빠지는 종목을 팔아야 하는데, 수조 원 규모의 자금이 정확히 같은 날 같은 방향으로 움직인다. 이런 일이 수십 년째 반복되고 있다면?

핵심 연구: Russell 3000 재구성의 거래 밀집 현상

논문: Evidence of Crowding on Russell 3000 Reconstitution Events (Micheli & Neuman, 2020)

연구팀은 CRSP 미국 주식 데이터베이스(1989~2019)를 이용해 Russell 지수의 재구성을 정밀하게 복제하는 방법론을 개발했다. 30년간의 데이터를 분석한 결과:

• 연간 재구성(6월 말)이 분기별 IPO 편입보다 훨씬 더 "붐빈다(crowded)"는 것을 확인했다.
• 같은 종목을 사더라도, 연간 리밸런싱 시점에 사면 가격 충격이 크다.
• 구체적으로, 분기별 IPO 편입 시점 인근에 매수하면 거래 비용을 상당히 줄일 수 있다는 결론이다.

쉽게 말하면, "다 같이 몰려서 사면 비싸진다"는 당연한 원리를 30년 데이터로 증명한 것이다. 그런데 놀라운 건, 이걸 아는데도 대부분의 인덱스 펀드가 여전히 6월 마지막 금요일에 사고 있다는 점이다. 왜? 벤치마크 추종을 위해 어쩔 수 없기 때문이다. 그 "어쩔 수 없음"의 비용을 정확히 측정한 것이 이 논문의 가치다.

함께 보면 좋은 논문

• Quant Bust 2020 (composite 70.5): 코로나 폭락장에서 달러중립 통계 차익거래가 왜 동시에 붕괴했는지 설명한다. "평소에 잘 되는 전략이 위기 때 부서지는" 구조적 원인을 시장 레짐과 익스포저 관점에서 분석했다.

이 테마의 공통 메시지

예측 가능한 이벤트(리밸런싱, 만기)에서의 거래 비용은 "숨겨진 세금"이다. 이를 정량화하고 회피하려는 노력이 실전 수익률을 개선한다.

---

테마 2: 금융 AI에게 한국어 대신 "금융어"를 가르치다

문제의식

2020년은 자연어 처리(NLP) 기술이 폭발적으로 발전한 시기였다. BERT, GPT-2 같은 언어모델이 온갖 산업을 바꾸고 있었다. 그런데 금융 분야에서는 문제가 있었다. 일반 영어로 훈련된 AI가 금융 뉴스를 읽으면, "The company's shares fell sharply after the earnings call"이라는 문장의 "fell sharply"가 긍정인지 부정인지, 그리고 이것이 투자 decision에 어떤 의미인지를 제대로 이해하지 못했다. "buy the dip"이나 "dead cat bounce" 같은 금융 특유의 표현도 마찬가지다.

핵심 연구: FinBERT — 금융 전용 AI 언어모델

논문: FinBERT: A Pretrained Language Model for Financial Communications (Yang, UY & Huang, 2020) · composite 72.6

연구팀은 범용 BERT 모델을 금융 커뮤니케이션 대규모 코퍼스(SEC 공시, 실적 발표, 금융 뉴스 등)에서 추가 사전학습시켜 FinBERT를 만들었다. 간단히 말하면, "일반 영어를 잘하는 AI에게 금융 용어와 맥락을 따로 가르친 것"이다.

성능은 확실했다. 금융 감성 분석 벤치마크 3개에서 범용 BERT를 일관되게 능가했다. 더 중요한 건, 코드와 모델을 GitHub에 공개했다는 점이다. 누구나 무료로 쓸 수 있게 된 것이다.

실무에서의 의미를 생각해 보자. 매일 쏟아지는 뉴스 수천 건, 공시 수백 건을 사람이 일일이 읽고 "이게 호재인지 악재인지" 판단하는 건 불가능하다. FinBERT 같은 도구가 있으면, 실시간으로 텍스트에서 감성 점수를 추출해 투자 신호로 만들 수 있다. 이 논문이 나온 뒤 수백 건의 후속 연구와 실무 적용이 이어졌다는 건, 그만큼 시장의 필요가 컸다는 뜻이다.

함께 보면 좋은 논문

• Automatic Domain Adaptation for Predicting Financial Outcomes (composite 64.4): 금융 감성 사전을 수작업이 아닌 자동 적응으로 구축해, 초과수익률과 변동성 예측 성능을 개선한 연구. "사람이 만든 사전"보다 "AI가 스스로 만든 사전"이 더 낫다는 실증적 결과다.

이 테마의 공통 메시지

금융 텍스트는 일반 영어와 다르다. 도메인 특화 AI가 투자 신호의 정확도를 끌어올린다.

---

테마 3: AI가 주문 실행을 대신한다면 — 고빈도 트레이딩의 미래

문제의식

대형 기관투자자가 100만 주를 사려고 한다면? 한꺼번에 시장에 던지면 가격이 급등해 비싸게 사게 된다. 그래서 하루에 조금씩 나눠 사는 "최적 실행(optimal execution)" 전략이 필수적이다. 이 문제를 풀기 위한 수학 모형은 수십 년 전부터 있었지만, 현실의 시장 충격·계절성·유동성 변화를 제대로 반영하지 못했다. 머신러닝이 이 문제에 도전장을 낸다.

핵심 연구: 신경망으로 실행 제어를 한 번에 학습하기

논문: Learning a functional control for high-frequency finance (Leal, Laurière & Lehalle, 2020) · composite 72.0

이 논문의 핵심 아이디어는 놀랍도록 실용적이다:

기존 방식에서는 고객마다(위험 선호도마다) 실행 전략을 새로 계산해야 했다. "위험을 싫어하는 고객 A"와 "위험을 감수하는 고객 B"의 최적 실행 방법이 다르니까. 이 연구팀은 위험선호 파라미터 전체 공간에 대한 매핑을 하나의 신경망으로 학습했다. 즉, "한 번 훈련해 놓으면, 위험 선호만 바꿔서 즉시 실행 전략을 생성"할 수 있다.

여기서 끝나지 않았다. 금융 규제 당국의 핵심 요구사항 — "AI가 내린 결정을 설명할 수 있어야 한다" — 도 해결했다. 신경망이 학습한 "블랙박스" 제어 함수를 기존의 해석 가능한 수학 형태(폐형식 해)로 투영(projection)한 것이다. 결과적으로 AI가 만든 전략이지만, 사람이 이해할 수 있는 형태로 제공된다.

함께 보면 좋은 논문

• Multi-Agent Reinforcement Learning in a Realistic LOB Market Simulation (composite 65.7): 지정가 주문장(LOB) 시뮬레이션에서 다중 에이전트가 상호작용하며 주문 실행을 학습하는 연구.
• The Importance of Low Latency to Order Book Imbalance Trading Strategies (composite 64.2): 주문장 불균형 전략의 수익성이 지연시간에 얼마나 민감한지 정량화. HFT 인프라 투자의 경제적 가치를 직접 평가한 드문 실증 연구다.

이 테마의 공통 메시지

AI 실행 전략은 성능만 좋으면 되는 게 아니라, 규제 당국에게 "왜 이렇게 했는지" 설명할 수 있어야 한다. 설명가능한 AI(explainable AI)가 금융에서 특히 중요한 이유다.

---

테마 4: 모델을 믿지 마세요 — 옵션 가격의 "진짜 범위" 구하기

문제의식

옵션 가격을 계산하려면 블랙-숄즈 같은 수학 모형이 필요하다. 그런데 이 모형들은 현실의 복잡한 시장 상황을 다 담지 못한다. 그래서 모형마다 계산하는 가격이 다르고, 그 차이가 "모형 리스크"다. 만약 모형 없이도, "이 옵션의 가격은 적어도 X원 이상, Y원 이하여야 한다"고 말할 수 있다면?

핵심 연구: 다자산 옵션의 무모형 가격 경계

논문: Model-free bounds for multi-asset options using option-implied information (Neufeld, Papapantoleon & Xiang, 2020) · composite 71.7

이 논문은 다음과 같은 질문에 답한다: "이미 시장에서 거래 중인 다른 옵션들의 가격만 알고 있을 때, 특정 옵션의 가격 상한과 하한은?"

방법은 우아하다. 확률 측도 공간 위의 무한차원 최적화 문제를 벡터 공간 위의 유한차원 문제로 바꾸고, 이를 "반무한 선형 프로그램"으로 풀어낸다. 수학적으로는 복잡하지만, 결론은 단순하다:

• 블랙-숄즈 같은 모형 가정 없이도, 시장에서 관찰되는 가격 정보만으로 가격 범위를 구할 수 있다.
• 최대 60개 기초자산까지 확장 가능하다(실제 다자산 구조화 상품에 충분).
• 거래 중인 옵션 가격 정보를 더 넣을수록 가격 범위가 좁아진다 — 모형 리스크가 줄어든다.
• 만약 현재 시장 가격이 이 범위 밖에 있다면, 그것은 차익거래 기회다.

쉽게 비유하면 이렇다. 중고차 시세를 정확히 예측하는 모형은 만들기 어렵다. 하지만 "비슷한 상태의 같은 모델이 2,000만~2,500만 원에 거래되고 있다"는 정보만으로도, "이 차는 최소 1,800만 원 이상이어야 하고, 2,700만 원 이상은 고평가"라고 말할 수 있는 것과 같다.

함께 보면 좋은 논문

• Consistent Investment of Sophisticated Rank-Dependent Utility Agents (composite 68.6): "사람은 확률을 있는 그대로 판단하지 않는다"는 행동경제학의 통찰을 포트폴리오 이론에 수학적으로 통합한 연구.
• Markowitz portfolio selection for multivariate Volterra models (composite 65.0): 거친 변동성(rough volatility) 환경에서의 포트폴리오 최적화를 다룬 이론적 확장.

이 테마의 공통 메시지

모형의 가정을 완화할수록 결론의 신뢰성이 올라간다. 특히 파생상품 가격 결정에서는 "모델을 덜 믿는" 접근이 더 안전하다.

---

테마 5: 시계열의 미래를 시뮬레이션하다 — 시그니처와 생성 모델

문제의식

금융 시계열(주가, 변동성, 이자율 등)의 미래를 예측하는 건 퀀트 금융의 오래된 꿈이다. 전통적 방법은 특정 수학 모형(예: 기하 브라운 운동)을 가정하고 거기에 데이터를 맞추는 것이었다. 하지만 실제 시장은 이 모형들보다 훨씬 복잡하다. 그렇다면, 모형을 가정하지 않고 데이터만으로 미래 시나리오를 "생성"할 수 있을까?

핵심 연구: 시그니처 SDE — 경로의 "지문"으로 모형을 학습하다

논문: Sig-SDEs model for quantitative finance (Perez Arribas, Salvi & Szpruch, 2020) · composite 66.5

이 논문의 핵심 개념은 "경로 시그니처(path signature)"다. 쉽게 말하면, 주가가 시간에 따라 그린 궤적(경로)의 "지문" 같은 것이다. 두 주가 차트가 비슷한 패턴을 그리면, 시그니처도 비슷해진다.

연구팀은 이 시그니처를 활용해 확률미분방정식(SDE)의 계수를 데이터 기반으로 학습하는 Sig-SDE 프레임워크를 제시했다. 이 모형의 특별한 점:

1. 이국적 파생상품(exotics) — 경로 전체에 비선형적으로 의존하는 복잡한 상품 — 에도 보정할 수 있다.
2. 위험중립 측도(Q)와 실제 세계 측도(P) 양쪽에서 일관되게 보정된다. 이것은 파생상품 가격(은 Q측도)과 리스크 측정(은 P측도)을 통합하는 데 핵심적이다.
3. 미래 시장 시나리오를 시뮬레이션할 수 있어, 리스크 프로파일이나 헤지 전략에 바로 쓸 수 있다.

함께 보면 좋은 논문

• Generating Realistic Stock Market Order Streams (composite 67.7): 시장 경매 메커니즘과 주문장 구조를 반영한 조건부 Wasserstein GAN으로 현실적인 주문 스트림을 생성하는 연구.
• Time series copula models using d-vines and v-transforms (composite 65.9): d-vine copula와 v-transform을 결합해 수익률의 변동성과 방향성 자기상관을 동시에 모델링하는 프레임워크.

이 테마의 공통 메시지

전통 수학 모형과 데이터 기반 생성 모델의 경계가 허물어지고 있다. 시그니처, GAN, copula 등 서로 다른 도구가 금융 시계열이라는하나의 문제를 다른 각도에서 공략하고 있다.

---

월 전체 Big Picture: 전통 모형의 가정을 풀고, 데이터를 더 믿되, 설명은 포기하지 말 것

2020년 6월의 연구 풍경을 관통하는 하나의 메시지가 있다.

"기존 모형의 가정을 하나씩 풀어가되, 그 결과를 설명할 수 있어야 한다"는 것이다.

• 인덱스 리밸런싱 논문은 "효율적 시장 가정"이 실제로는 crowdedness 때문에 깨진다고 말한다.
• FinBERT는 "일반 영어 AI로 충분하다"는 가정이 금융에서는 틀린다고 말한다.
• 신경망 최적 실행 논문은 "AI는 블랙박스"라는 가정을 설명가능성으로 넘어서려 한다.
• 무모형 가격결정 논문은 "블랙-숄즈가 맞다"는 가정 자체를 버리고, 관찰 가능한 가격 정보만으로 결론을 내린다.
• 시그니처 SDE는 "이 특정 SDE가 맞다"는 가정 대신, 데이터가 모형의 형태를 결정하게 한다.

코로나19 폭락장은 퀀트 업계에 "기존 모형이 틀릴 수 있다"는 뼈아픈 교훈을 줬다. 그리고 바로 그 시기에 나온 이 논문들은, "틀릴 수 있는 모형"을 "덜 틀리는 방향"으로 개선하려는 학계의 집단적 노력을 보여준다.

---

함께하기

이 글이 유익하셨다면, 저희의 최신 AI 금융 연구 분석을 구독해 보세요.

• 🌐 웹사이트: ohselab.com
• 📧 뉴스레터 구독: 매주 최신 논문 분석을 받아보세요
• 💬 상담 문의: 퀀트 전략·AI 금융 연구에 대해 궁금한 점이 있으시면 언제든 연락주세요

---

더 알아보기

5차원 점수 참고 (상위 논문)

관련 논문 더 보기

• 2006.05632: Quant Bust 2020 (A, 70.5) — 코로나 폭락에서의 퀀트 전략 붕괴 분석
• 2006.05574: Multi-Agent RL for LOB (A, 65.7) — 주문장 시뮬레이션에서의 강화학습
• 2006.11088: d-vine copula (A, 65.9) — 수익률 의존구조 모델링
• 2006.04212: GAN Order Streams (A, 67.7) — 합성 주문 데이터 생성

---

📝 arXiv 2020년 6월 코호트(258편)를 대상으로 한 월간 종합 분석입니다. ohselab의 5차원 평가 프레임워크(Novelty, Applicability, Rigor, Reproducibility, Insight)를 기반으로 선정된 논문들입니다.