Dynamic slippage control and rejection feedback in spot FX market making

Each language version is independently generated for its own context, not a direct translation.

🏪 배경: 지혜로운 상점 주인과 '지각한' 손님

상상해 보세요. 당신은 외환 거래를 하는 **지혜로운 상점 주인 (딜러)**입니다.
당신은 고객들에게 "지금 1 달러에 1,000 원에 사세요"라고 가격을 제시합니다. 하지만 인터넷이 느리거나, 고객이 주문을 넣는 순간 시장 상황이 바뀌어 1 달러가 1,005 원이 되어버릴 수도 있습니다.

이때 딜러는 두 가지 선택을 해야 합니다.

거래 승인: 손해를 보더라도 약속한 가격에 거래를 성사시킨다.
거래 거절 (Last Look): "죄송합니다, 가격이 바뀌었습니다. 거래를 취소하겠습니다."라고 말하고 거절한다.

기존의 딜러들은 이 '거절'을 단순히 손실을 피하는 도구로만 썼습니다. 하지만 이 논문은 **"거절이 너무 많으면 고객이 화를 내서 다시 오지 않는다"**는 사실을 수학적으로 증명하고, 이를 최적화하는 방법을 제시합니다.

🎯 핵심 아이디어 3 가지

1. "거절은 일종의 보험" (Dynamic Slippage Control)

손님이 주문을 넣었을 때, 가격이 나빠진 경우 (딜러에게 불리한 경우) 거래를 거절하는 것은 마치 손해 보험을 청구하는 것과 같습니다.

과거의 방식: "가격이 나빠지면 무조건 거절해!" (고객은 화남)
이 논문의 방식: "가격이 얼마나 나빠졌는지, 그리고 내가 지금 재고가 얼마나 쌓여있는지, 그리고 고객이 나를 얼마나 싫어하는지 (평판) 를 계산해서 거절할지 말지 결정하자."

2. "나쁜 평판은 매출을 죽인다" (Rejection Feedback)

여기서 가장 중요한 개념은 **'평판 점수 (Rejection Score)'**입니다.

당신이 손님을 자주 거절하면, 그 손님은 "이 가게는 믿을 수 없어"라고 생각해서 다시는 오지 않거나, 다른 가게로 가버립니다.
이 논문은 **"거절 횟수가 많을수록 앞으로 들어오는 주문의 양이 줄어든다"**는 관계를 수학적으로 모델링했습니다.
결과: 딜러는 "지금 거절하면 당장은 돈을 아낄 수 있지만, 나중에 손님이 안 오면 더 큰 손해를 본다"는 것을 깨닫고, 적극적으로 거절하지 않으려 노력하게 됩니다.

3. "공정한 게임 규칙" (Fair Execution)

손님을 거절할 때, "나쁜 가격일 때만 거절하고 좋은 가격일 때는 다 받아주는 건 불공정하다"는 비판이 있습니다.

이 논문은 공정한 규칙을 제안합니다. 예를 들어, "가격이 일정 범위 (예: 0.1%) 를 벗어나면 거절하되, 그 안에서는 무조건 받아주고, 반대로 내게 유리하게 가격이 움직여도 그 이익의 일부를 고객에게 돌려준다."
이렇게 하면 고객은 "이 딜러는 공평하게 대우한다"고 느끼고, 딜러는 손실을 최소화하면서도 **고객의 신뢰 (평판)**를 유지할 수 있습니다.

🧮 어떻게 해결했나? (간단한 비유)

이 문제를 풀기 위해 저자는 **'아디아바틱 (Adiabatic)'**이라는 복잡한 수학적 기법을 썼는데, 쉽게 말하면 "빠른 것"과 "느린 것"을 분리해서 생각한 것입니다.

빠른 것 (재고 관리): "지금 재고가 너무 많으니 가격을 올리자!" (이건 수초 단위로 변함)
느린 것 (평판 관리): "최근에 거절이 많아서 평판이 나빠졌네. 천천히 회복해야지." (이건 시간 흐름에 따라 서서히 변함)

이 두 가지를 동시에 계산하는 건 너무 어렵기 때문에, **"평판은 당분간 변하지 않는다고 가정하고 재고를 최적화한 뒤, 그 결과를 바탕으로 평판을 조금씩 업데이트한다"**는 식으로 문제를 단순화했습니다. 이를 통해 딜러가 실시간으로 **"얼마나 거절해야 할지"**에 대한 정확한 숫자 (임계값) 를 계산할 수 있게 되었습니다.

💡 결론: 상점 주인에게 주는 교훈

이 논문의 결론은 매우 실용적입니다.

무조건 거절하지 마라: 손해를 피하려고 무작정 거래를 거절하면, 고객은 떠나고 결국 매출이 떨어집니다.
공정하게 거절하라: 거절할 때는 규칙을 정해두고, 나쁜 상황뿐만 아니라 좋은 상황에서도 일정 부분 양보하는 '공정한 프로토콜'을 쓰면, 고객은 더 오래 머물러 줍니다.
데이터로 결정하라: 감이 아니라, "지금 내 재고 상태와 과거 거절 기록을 바탕으로 계산된 수치"에 따라 거절 여부를 결정해야 가장 큰 이익을 낼 수 있습니다.

한 줄 요약:

"손실을 피하려고 고객을 자주 거절하면 결국 가게가 망합니다. 대신 공정한 규칙을 세우고 고객의 평판을 고려해 스마트하게 거절해야 장기적으로 가장 큰 돈을 벌 수 있습니다."

Each language version is independently generated for its own context, not a direct translation.

1. 문제 정의 (Problem Setup)

배경: 전자식 딜러 - 고객 (D2C) 외환 시장에서는 주문이 딜러의 가격 결정 시스템에 도달하기까지의 지연 시간 (Latency) 동안 시장 가격이 변동하여, 딜러가 불리한 가격으로 거래를 체결할 위험 (Latency Risk) 이 존재합니다.
현재 관행: 딜러는 'Last Look (LL)' 또는 'Price Validation'을 통해 지연 시간 동안의 가격 변동 (Slippage) 이 허용 범위를 초과할 경우 거래를 거절할 수 있습니다.
연구의 핵심 문제:
1. 내생적 거절 정책 (Endogenous Rejection Policy): 거절 기준 (예: 허용 슬리피지 범위) 을 고정된 프로토콜이 아닌, 재고 (Inventory) 와 시장 상황에 따라 최적화 가능한 제어 변수로 다룰 수 있는가?
2. 거절 피드백 (Rejection Feedback): 잦은 거래 거절이 고객의 신뢰도 (Reputation) 를 떨어뜨려 향후 주문 유입 (Flow Intensity) 을 감소시키는 효과를 모델에 어떻게 반영할 것인가?
목표: 재고 위험과 지연 리스크를 고려하여 기대 수익을 극대화하는 최적의 가격 제시 (Quote) 와 거래 거절/수락 (Accept/Reject) 전략을 도출하는 것.

2. 방법론 (Methodology)

논문은 확률적 최적 제어 (Stochastic Optimal Control) 이론을 적용하여 문제를 해결합니다.

2.1 모델 구조

상태 변수 (State Variables):
- $q_t$ : 재고 (Inventory)
- $R_t$ : 거절 점수 (Rejection Score). 과거 거절 이력을 지수 이동 평균 (EMA) 으로 계산한 '평판' 지표.
- $S_t$ : 기준 중가 (Mid Price).
주문 유입 (Order Flow): 포아송 과정 (Poisson process) 으로 모델링되며, 강도 (Intensity) 는 제시된 스프레드와 거절 점수 $R_t$ 에 의존합니다 ( $g(R)$ ). 거절 점수가 높을수록 (과거 거절이 많을수록) 주문 유입이 감소합니다.
지연 리스크 (Latency Risk): 주문 도달 시점과 체결 시점 사이의 가격 변동 ( $Y$ ) 은 가우시안 분포를 따르며, 평균은 선택적 반응 (Adverse Selection) 을 반영합니다.
제어 변수:
- $\delta$ : 가격 오프셋 (Quote offset).
- $\ell \in \{0, 1\}$ : 거래 수락 (1) 또는 거절 (0) 결정.

2.2 해밀턴 - 야코비 - 벨만 (HJB) 방정식

가치 함수 $U(t, x, q, R, S)$ 를 정의하고, 이를 선형 형태 ( $x + qS + V(t, q, R)$ ) 로 가정하여 차원을 축소합니다.
HJB 방정식: 재고 위험 패널티, 주문 유입 강도, 그리고 각 주문에 대한 **최대 기대 가치 (Accept vs. Reject)**를 비교하는 항을 포함합니다.
- 수락 시: 지연 가격 변동에 따른 기대 이득.
- 거절 시: 평판 점수 악화 ( $R \to R_{rej}$ ) 로 인한 미래 유입 감소 비용 (Continuation Loss, $J$ ).
최적 거절 결정은 임계값 (Threshold) 기반의 이진 선택으로 도출됩니다.

2.3 아디아바틱 - 2 차 근사 (Adiabatic-Quadratic Approximation)

문제: 상태 변수가 많고 비선형적인 HJB 방정식은 수치 해법이 복잡하고 계산 비용이 큽니다.
해결책:
- 아디아바틱 가정: 거절 점수 $R$ 은 재고 제어 시간尺度보다 느리게 변하므로, $R$ 을 고정된 상수로 간주하고 재고 제어 문제를 먼저 풉니다.
- 2 차 근사: 해밀토니안을 2 차까지 테일러 전개하고, 가치 함수에 2 차 형태 ( $V \approx -Aq^2 - C$ ) 를 가정합니다.
- 결과: 리카티 (Riccati) 형식의 상미분 방정식 (ODE) 과 폐쇄형 (Closed-form) 해를 유도하여 최적 가격과 거절 임계값을 빠르게 계산할 수 있게 됩니다.
- 자기 일관성 (Self-consistency): 계산된 거절률과 현재 거절 점수 $R$ 이 일치하도록 $J$ (거절의 그늘진 비용) 를 보정합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

3.1 이론적 기여

거절의 내생적 최적화: 기존 연구들이 거절 기준을 고정된 프로토콜로 보았던 것과 달리, 이를 재고와 평판에 따라 동적으로 최적화 가능한 제어 변수로 확장했습니다.
평판 피드백 메커니즘: 거절이 향후 주문 유입을 감소시킨다는 '평판 효과'를 모델에 명시적으로 도입하여, 딜러가 단기 손실 방지를 위해 과도하게 거절하는 것을 억제하는 메커니즘을 규명했습니다.
공정 실행 (Fair Execution) 프로토콜 통합: Oomen(2017b) 이 제안한 대칭적 허용 범위 (Symmetric Tolerance) 프로토콜 (극단적 유리/불리한 슬리피지에 대해 각각 리베이트/거절 적용) 을 제어 프레임워크에 통합했습니다.

3.2 수치적 결과 및 통찰

지연 시간과 거절: 지연 시간이 짧을 때는 거절이 비효율적이지만, 지연 시간이 길어질수록 딜러는 거절을 통해 리스크를 관리하고 스프레드를 좁히는 경향이 있습니다.
평판 피드백의 역설적 효과:
- 거절 점수 ( $R$ ) 가 높을수록 (과거 거절이 많을수록), 딜러는 스프레드를 좁혀 주문 유입을 늘리고, 동시에 거절 기준을 더 엄격하게 적용하여 평판을 회복하려 합니다.
- 이는 "평판 회복을 위해 더 많은 주문을 받아야 하므로, 손실이 예상되는 거래만 선별적으로 거절한다"는 구조적 인센티브를 보여줍니다.
공정 프로토콜 vs 무제한 거절:
- 무제한 거절: 단기적으로 수익은 높일 수 있으나 거절률이 매우 높아 평판이 빠르게 악화됩니다.
- 대칭적 프로토콜 (Symmetric Protocol): 거절률이 현저히 낮아지고, 평판 피드백이 있을 때 딜러는 거절 자체를 회피하려는 경향이 강해집니다.
- 결과: 평판 피드백이 있는 경우, 딜러는 평균적으로 거절을 최소화하려 하며, 이는 시장 안정성과 고객 관계 유지에 유리합니다.
근사법의 유효성: 제안된 아디아바틱 - 2 차 근사법이 수치 해법 (Exact Numerical Solution) 과 매우 유사한 결과를 보여주며, 실제 트레이딩 시스템에 적용 가능한 빠른 계산 도구임을 입증했습니다.

4. 의의 (Significance)

실무적 적용 가능성: 이 프레임워크는 HSBC 와 같은 주요 은행의 실제 외환 마켓메이킹 시스템에 적용 가능한 계산 효율적인 알고리즘을 제공합니다. 특히 'Last Look'이나 'Price Validation' 정책을 단순한 규정 준수가 아닌, 수익과 리스크, 고객 관계를 균형 있게 최적화하는 도구로 재정의합니다.
규제 및 윤리적 함의: GFXC(글로벌 외환 행동 강령) 에서 강조하는 투명성과 공정성 문제를 수학적 모델로 해결합니다. 딜러가 임의적으로 거래를 거절하는 것을 방지하고, 거절이 고객 유입에 미치는 부정적 영향을 고려하여 더 공정한 실행 프로토콜을 설계할 수 있는 근거를 마련합니다.
이론적 확장: Avellaneda-Stoikov 모델을 현대적인 OTC 시장의 복잡성 (지연, 선택적 거절, 평판 효과) 에 맞게 확장하여, 향후 알고리즘 트레이딩 및 리스크 관리 연구의 새로운 표준을 제시합니다.

결론

이 논문은 외환 마켓메이킹에서 지연 리스크 관리와 고객 평판 유지 사이의 균형을 찾는 최적 제어 문제를 체계적으로 해결했습니다. 거절 결정을 단순한 실행 프로토콜이 아닌 동적 제어 변수로 다루고, 그 결과가 미래 비즈니스에 미치는 피드백 효과를 정량화함으로써, 딜러가 더 스마트하고 공정한 시장 참여자가 될 수 있는 수학적 기반을 제공했습니다.