💰 quantitative finance

The Invisible Handshake: Persistent Overpricing by Adaptive Market Agents

이 논문은 반복 게임에서 적응적 시장 주체들의 분산 학습이 단기적 또는 장기적 목표 하에서도 경쟁 압력보다 더 큰 긍정적 총 재고 활용에 대한 협력적 유인에 의해 지속적 과대평가로 이어질 수 있음을 보여준다.

원저자: Luigi Foscari, Emanuele Guidotti, Nicolò Cesa-Bianchi, Tatjana Chavdarova, Alfio Ferrara

게시일 2026-05-12

📖 4 분 읽기☕ 가벼운 읽기

원저자: Luigi Foscari, Emanuele Guidotti, Nicolò Cesa-Bianchi, Tatjana Chavdarova, Alfio Ferrara

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

다음은 "보이지 않는 악수 (The Invisible Handshake)"라는 논문을 쉬운 언어와 창의적인 비유를 사용하여 설명한 내용입니다.

핵심 아이디어: 가격을 인플레이션 시키기 위한 침묵의 합의

매일 두 명의 주요 인물이 상호작용하는 붐비는 시장장을 상상해 보세요:

상점 주인 (시장 조성자): 선반을 통제하고 물건을 사거나 팔기 얼마나 '어려운지'를 결정합니다. 그들은 유동성의 규칙을 설정합니다.
손님 (시장 수용자): 자신이 보는 것에 기반하여 얼마나 많은 물건을 사거나 팔지 결정합니다.

보통 우리는 이 두 사람을 경쟁자로 생각합니다. 손님은 가장 낮은 가격을 원하고, 상점 주인은 가장 높은 가격을 원합니다. 하지만 이 논문은 두 명 모두 자신의 포트폴리오를 더 부유하게 만들기 위해 노력하는 **학습 알고리즘 (AI 에이전트)**일 경우, 우연히 가격을 인위적으로 높게 유지하기로 하는 비밀스럽고 침묵하는 합의에 도달할 수 있다고 주장합니다.

그들은 서로 대화하지도 않고, 계약을 맺지도 않습니다. 그들은 단순히 반복해서 학습하는 과정에서, 가격을 높게 유지하는 것이 장기적으로 두 사람 모두를 더 부유하게 만든다는 사실을 깨닫습니다.

설정: 재고와 현금의 게임

저자들은 이를 테스트하기 위해 시뮬레이션 (게임) 을 구성했습니다.

목표: 두 에이전트 모두 보유 중인 현금과 현재 시장 가격으로 평가된 소유한 **재고 (물건)**가 섞인 "부 (Wealth)"를 극대화하려 합니다.
반전: 시스템 내의 총 물량 (재고) 은 고정되어 있으며 양수입니다. 순 공급량이 존재합니다.
메커니즘: 거래가 발생할 때마다 가격은 약간 움직입니다 (이를 '가격 영향'이라고 합니다). 손님은 사거나 팔기를 선택할 수 있고, 상점 주인은 그 거래들에 대해 가격이 얼마나 민감하게 반응할지 선택할 수 있습니다.

"보이지 않는 악수": 대화 없이 어떻게 공모하는가

이 논문은 이러한 학습 에이전트의 행동 방식에 있는 흥미로운 구조적 결함을 발견했습니다. 여기 비유가 있습니다:

상점 주인과 손님이 모두 헬륨으로 가득 찬 무거운 풍선 (그들의 재고) 을 들고 있다고 상상해 보세요.

시나리오 A (낮은 가격): 풍선이 땅에 가까이 있으면 별 상관없습니다.
시나리오 B (높은 가격): 풍선이 더 높이 떠오르면, 그 안에 든 헬륨의 가치가 증가합니다.

두 에이전트 모두 이 "헬륨" (재고) 을 양수로 보유하고 있기 때문에, 가격이 오를 때 두 사람 모두 이득을 봅니다. 기술적으로는 경쟁하고 있지만, 재고의 가치를 극대화하려는 공통된 목표가 협력적 유인을 만들어냅니다.

논문은 이를 **"협력적 요소 (Collaborative Component)"**라고 부릅니다.

손님이 사면, 가격은 오릅니다.
손님이 팔면, 가격은 떨어집니다.
하지만 손님이 (약간 더 높은 가격에라도) 구매하는 것이 가격을 끌어올린다는 것을 학습하고, 상점 주인이 매도를 어렵게 만드는 것 (유동성 감소) 이 가격을 높게 유지한다는 것을 학습하면, 두 사람 모두 다음과 같이 깨닫습니다: "이봐, 우리가 가격을 높게 유지하면 우리의 합계 부가 더 빠르게 성장해."

그들은 보이지 않게 "악수"를 하도록 학습합니다:

손님은 가격 폭락을 초래할 수 있는 공격적인 매도를 멈춥니다.
손님은 더 많이 구매하기 시작하여 가격을 끌어올립니다.
상점 주인은 가격이 쉽게 떨어지지 않도록 시장을 "두껍게" (유동성을 낮게) 만듭니다.

결과? **지속적인 과대평가 (Persistent Overpricing)**입니다. 가격은 AI 에이전트들이 이 전략이 두 사람 모두를 더 부유하게 만든다는 것을 학습했기 때문에, 상품들의 "진정한" 가치 (기초 가치) 를 훨씬 상회하는 수준으로 계속 높아집니다.

"제로섬" 대 "포지티브섬"의 구분

이 논문은 무엇이 거래되는지에 관한 중요한 구분을 제시합니다:

제로섬 시장 (예: 예측 시장): 매수하는 사람마다 정확히 같은 양을 매도하는 사람이 있다면 (순 재고가 0 이라면), 인플레이션시킬 "헬륨"이 없습니다. 이 경우 에이전트들은 치열한 경쟁자로 남으며 가격은 공정하게 유지됩니다.
포지티브섬 시장 (예: 주식이나 상품): 모두가 보유한 순 물량이 있다면 (양수 재고), "헬륨"이 존재합니다. 바로 여기서 "보이지 않는 악수"가 발생합니다. 에이전트들은 가격을 인플레이션시키는 것이 그들의 포트폴리오에 모두에게 이득이라는 사실을 깨닫습니다.

"단시적" 대 "원시적" 에이전트

저자들은 두 가지 유형의 AI 두뇌를 테스트했습니다:

단시적 (Myopic): 지금 당장 돈을 버는 것만 관심 있는 에이전트.
원시적 (Farsighted): 평생에 걸쳐 돈을 버는 것을 관심 있는 에이전트.

놀라운 점: 어떤 두뇌 유형을 사용하든 상관없습니다. 단시적 에이전트나 장기적 에이전트 모두 결국 가격을 인플레이션시키는 법을 학습합니다. 구조적 유인이 너무 강력해서, 탐욕스럽고 단기적인 사고를 가진 자들조차 결국 가격을 높게 유지하는 것이 최선의 선택임을 깨닫게 됩니다.

"학습" 부분: 그들이 이 트릭을 어떻게 발견하는가

이 논문은 이것이 마법이 아니라 수학임을 보여줍니다. 에이전트들은 **투사된 확률적 경사 상승 (Projected Stochastic Gradient Ascent)**이라는 학습 방법을 사용합니다.

이는 최대 이익 (정상) 을 찾기 위해 산을 오르는 등산객이라고 생각하세요.
그 "산"에는 가격이 높고 재고가 양수인 정상 (피크) 이 있습니다.
등산객은 작고 잡음이 섞인 발걸음을 떼습니다. 때로는 아래로 떨어지기도 하지만, 평균적으로는 위로 올라갑니다.
논문은 수학적으로 증명합니다. 에이전트들이 학습을 계속한다면, 그들은 결코 유한한 시간 내에 "과대평가 피크"를 발견하게 된다는 것입니다. 그들이 그렇게 하라고 지시받을 필요는 없습니다. 게임의 지형이 그들을 그곳으로 강제합니다.

"보이지 않는 악수" 요약

플레이어: 유동성을 통제하는 시장 조성자와 거래량을 통제하는 시장 수용자.
조건: 두 사람 모두 양수의 재고 (순 공급량 > 0) 를 보유함.
유인: 높은 가격은 모든 사람의 재고 가치를 높입니다.
결과: 분산 학습을 통해 우연히 조정되어 가격을 인위적으로 높게 유지하며, 외부 뉴스나 기초적 변화 없이도 지속되는 버블을 만듭니다.
경고: 이는 AI 에이전트들이 순 공급량이 양수인 자산을 거래하는 실제 금융 시장에서, 인간의 조작 때문이 아니라 AI 에이전트들이 단순히 자신의 부를 극대화하는 방법을 "너무 잘" 학습하여 시장의 정확성을 해치는 방식으로 인해 지속적인 가격 왜곡을 볼 수 있음을 시사합니다.

간단히 말해: AI 에이전트들이 재고를 보유하고 있을 때, "높은 가격이 모두에게 더 좋다"는 데 동의할 숨겨진 이유가 있어, 자산 가격의 침묵적이고 자기 강화적인 인플레이션을 초래합니다.

기술 요약: 보이지 않는 악수

문제 제기
본 논문은 적응형 시장 에이전트들의 분산 학습이 명시적인 의사소통이나 조정 없이도 내생적으로 지속적인 가격 왜곡, 특히 과대평가 (overpricing) 를 생성할 수 있는지 조사한다. 일반적으로 시장은 자원 배분을 위한 정확한 신호를 제공할 것으로 기대되지만, 저자들은 포트폴리오 가치 극대화를 위해 설계된 AI 기반 에이전트들이 집단적으로 기초 가치 이상의 가격을 유지하도록 학습할 수 있는지 의문을 제기한다. 본 연구는 유동성/가격 영향력을 통제하는 시장 메이커와 거래 수량을 선택하는 시장 테이커라는 두 명의 대표 에이전트 간의 반복적 확률 게임에 초점을 맞춘다. 에이전트들은 공매도와 레버리지 포지션을 금지하는 제약 하에서 운영되며, 현금과 재고는 음수가 아니어야 한다.

방법론
저자들은 시장을 외생적 기초 충격과 내생적 가격 영향력을 통해 가격이 진화하는 2 인 일반합 마르코프 게임으로 모델링한다.

가격 동역학: 시장 가격 $P_{t+1}$ 은 $(P_t + \delta_t)\epsilon_{t+1}$ 로 정의되며, 여기서 $\delta_t$ 는 거래량 $Q_t$ 의 가격 영향력이고, $\epsilon_{t+1}$ 은 평균이 1 인 i.i.d 외생 충격이다. 가격 영향력은 제곱근 사양 ( $\delta_t \propto \sqrt{|Q_t|}$ ) 을 따르며, 이는 표준적인 실증적 발견이다.
에이전트 목표: 두 에이전트 모두 시가 평가 가치 ( $W_t = \text{현금} + P_t \times \text{재고}$ ) 의 기대 증가분을 극대화한다. 본 연구는 1 단계 부의 증가를 극대화하는 단시적 (myopic) 목표와 무한 시간 평균 로그 부를 극대화하는 원근적 (farsighted) 목표 모두를 분석한다.
전략 매개변수화: 학습 문제를 실용적으로 만들기 위해 저자들은 전략의 저차원 매개변수화를 도입한다. 이는 외생적 충격과 내생적 가격 영향력을 분리하고, 거래량을 내생적 용량 한계의 분수로 정의함으로써 현금 및 재고 제약 준수를 보장하여 실현 가능성을 확보한다.
게임 분해: 핵심 분석 단계는 에이전트들의 효용 함수를 두 구성 요소로 분해하는 것이다:
1. 제로 가격 영향력을 선호하는 경쟁적 구성 요소 (제로섬).
2. 총 재고가 양수일 경우 더 높은 가격이 두 에이전트의 총 포트폴리오 가치를 증가시키는 협력적 구성 요소 (잠재 게임).
학습 동역학: 본 논문은 단순한 확률적 학습 동역학, 특히 투영 확률적 경사 상승법 (PSGA) 이 과대평가 영역으로 수렴하는지 분석한다. 이는 "확률적 진전 조건"을 수립하여 유한 시간 내에 지속적인 과대평가 영역으로의 수렴을 증명한다.

주요 기여

실현 가능한 과대평가의 특성화: 저자들은 현금/재고 제약을 준수하면서도 지속적인 과대평가를 생성하는 전략 프로필의 집합을 정의하고 특성화한다. 그들은 "과대평가 강도 계수"( $\mu_\pi$ ) 를 기반으로 한 필요충분조건을 유도하여, $\mu_\pi > 0$ 일 때 과대평가가 발생함을 보인다.
전략적 분해와 인센티브: 본 논문은 학습 인센티브가 구조적 협력적 구성 요소를 포함함을 입증한다. 총 재고가 양수일 때, 더 높은 가격은 메이커와 테이커 모두의 부를 공동으로 증가시킨다. 이는 에이전트들이 명시적으로 담합하지 않더라도 분산 학습이 자연스럽게 과대평가 영역으로 이동하도록 하는 인센티브 정렬을 창출한다.
유한 시간 수렴: 저자들은 확률적 진전 조건 (PSGA 에 대해 검증됨) 을 만족하는 적응적 업데이트의 경우, 학습 동역학이 높은 확률로 유한 시간 내에 과대평가 영역에 도달함을 증명한다.
단시적 vs 원근적 동치: 본 연구는 과대평가에 대한 인센티브가 순수하게 단시적이지 않음을 보인다. 무한 시간 부를 최적화하는 에이전트들은 탐욕적인 단시적 에이전트와 동일한 구조적 인센티브에 직면하며, 매개변수 공간의 동일한 과대평가 영역으로 수렴한다.

결과

지속적인 과대평가: 순 공급이 양수인 시장 (총 재고 $I > 0$ ) 에서, 전략 매개변수가 $\mu_\pi > 0$ 을 만족할 경우 분산 학습은 기초 가치에 비해 지속적인 과대평가 ( $P_t \to \infty$ ) 로 이어진다. 이 체제에서 거래량은 0 으로 수렴하지만 교환되는 현금은 안정적으로 유지되어 가격 이격을 유발한다.
순 공급 제로 대비: 총 재고가 0 인 시장 (예: 예측 시장) 에서는 협력적 구성 요소가 소멸한다. 게임은 유일한 균형이 제로 가격 영향력과 가격 왜곡 부재를 포함하는 순수 경쟁적 제로섬 게임으로 축소된다.
학습 궤적: 수치 시뮬레이션은 다양한 실현 가능한 구성에서 시작하는 에이전트들이 PSGA 하에서 과대평가 영역으로 수렴함을 확인한다. 시뮬레이션은 과대평가 전략이 소멸하는 거래량과 지속적인 가격 성장을 초래하는 반면, 저평가 전략은 소멸하는 현금 흐름과 0 으로 수렴하는 가격을 초래함을 보여준다.

의의와 주장
본 논문은 순 공급이 양수인 금융 시장에서 분산 학습이 지속적인 가격 왜곡으로 이어질 수 있음을 보여주는 "개념 증명적 불안정성"을 제공한다고 주장한다. 그 의의는 "보이지 않는 악수"라고 불리는 구조적 인센티브 정렬을 격리하는 데 있으며, 이는 개별 포트폴리오 가치 극대화라는 목표가 우연히 과대평가를 유지하는 협력적 동역학을 창출한다는 점에 있다.

저자들은 명시적으로 이 모델이 실제 세계의 가격이 무한정 무제한으로 상승할 것이라고 예측하려는 것이 아니라고 밝힌다. 대신, 상반되는 힘 (추상화됨) 이 부재할 때 적응형 에이전트들이 가격 상승 압력을 유지하는 전략 영역으로 수렴할 수 있는 특정 메커니즘을 격리한다. 결과는 알고리즘적 담합과 가격 왜곡의 위험이 명시적 조정이나 1 회성 게임과 반복 게임 간의 불일치와 구별되는, 순 공급이 양수인 시장에서의 학습 구조에 내재되어 있음을 시사한다.