An `Inverse' Experimental Framework to Estimate Market Efficiency

이 논문은 이중 경매 (Double Auction) 시장에서 관찰 가능한 오더북 (Orderbook) 데이터만을 사용하여 **배분 효율성 (Allocative Efficiency)**과 **경쟁 균형 가격 (Competitive Equilibrium Price)**을 예측하는 새로운 '역 (Inverse)' 실험적 프레임워크를 제안합니다.

기존의 실험 경제학 접근법이 통제된 환경에서 참여자의 가치 (Reservation Values) 를 유도하여 시장이 균형으로 수렴하는지 검증하는 방식이었다면, 이 연구는 그 반대로 관측 가능한 데이터 (입찰가, 청산가, 가격 실현 등) 로부터 숨겨진 시장 구조와 효율성을 추론하는 데 초점을 맞추고 있습니다.

주요 내용은 다음과 같습니다.

1. 문제 제기 (Problem Statement)

• 데이터의 한계: 디지털 마켓플레이스 (수조 달러 규모의 거래) 는 복잡한 사회기술적 인프라이지만, 오더북 데이터만으로는 참여자의 진정한 매수/매수 의지 (최대 구매 의사, 최소 판매 의사) 를 알 수 없어 시장의 실제 배분 효율성을 평가하기 어렵습니다.
• 이론적 공백: 연속적인 입찰 - 청산 (Bid-Ask) 이중 경매 시장에는 전략적 최적 행동을 설명하는 확립된 이론적 모델이 부재하며, 오더북 데이터는 비정형적, 비정상적, 비선형적 특성을 가집니다.
• 목표: 참여자의 가치 (Reservation Values) 정보를 알 수 없는 실제 시장 환경에서도, 초기 입찰/청산 데이터와 가격 실현 데이터를 기반으로 시장 효율성을 가능한 한 빨리 예측할 수 있는 프레임워크 개발.

2. 방법론 (Methodology)

연구팀은 **이커 (Ikica et al., 2016)**의 대규모 이중 경매 실험 데이터를 활용하여 모델을 훈련하고 검증했습니다.

• 역접근 (Inverse Approach):

  • 전통적 접근: 가치 유도 $\rightarrow$ 시장 행동 관측 $\rightarrow$ 균형 수렴 검증.
  • 본 연구 접근: 관측 가능한 오더북 데이터 (입찰, 청산, 가격) $\rightarrow$ 시장 구조 및 균형 특성 추론 $\rightarrow$ 효율성 예측.
  • 중요: 모델 훈련 시 실험 데이터의 '진짜 가치'를 레이블 (Ground Truth) 로 사용하지만, 실제 예측 시에는 이 정보를 입력하지 않습니다.

• 데이터 전처리 및 특징 추출:

  • 양분법 정규화 (Quantile-based Normalization): 오더북의 비정형적이고 규모가 다른 데이터를 처리하기 위해, 활성 입찰/청산 가격을 10 분위수 (Deciles, D0-D10) 로 변환하여 공급 - 수요 곡선을 근사화했습니다.
  • IQR 정규화: 가격 스케일의 차이를 제거하기 위해 입찰/청산 벡터의 중앙값과 사분위 범위 (Interquartile Range) 를 사용하여 데이터를 정규화했습니다.

• 예측 모델:

  1. EMH (Efficient Market Hypothesis): 시장이 효율적이라고 가정하고 마지막 실현 가격을 예측치로 사용 (비모수적).
  2. CEMH (Corrected EMH): 시장 유형 (피드백 설정, 가격 규칙 등) 에 따른 그룹 통계를 기반으로 초기 단계의 편향을 보정하는 비모수적 추정기.
  3. OB-RLM (Orderbook Robust Linear Model): 정규화된 입찰/청산 분위수와 실현 가격을 입력으로 하는 강건한 선형 회귀 모델.
  4. GBT (Gradient Boosting Trees): 비선형 관계를 포착하기 위한 앙상블 학습 모델 (Decision Trees 기반).

3. 주요 결과 (Key Results)

실험 데이터의 테스트 세트에서 **중앙값 절대 백분율 오차 (Median APE)**를 기준으로 모델 성능을 평가했습니다.

• 배분 효율성 (AE) 예측:

  • GBT 모델이 전반적으로 가장 높은 정확도를 보였습니다. 특히 **가격 실현 전 (초기 라운드)**의 비선형적 시장 동역학을 잘 포착했습니다.
  • CEMH는 소규모 시장이나 초기 단계에서 선형 모델보다 우수한 성능을 보였습니다.
  • OB-RLM은 가격 실현이 발생한 후 다양한 피드백 설정에서 잘 작동했으나, 초기 단계에서는 GBT 나 CEMH 보다 성능이 낮았습니다.
  • 피드백 설정의 영향: 'Black Box' (정보 불완전) 환경에서는 모든 모델의 성능이 저하되었으나, GBT 가 상대적으로 가장 견고했습니다.

• 경쟁 균형 가격 (CEP) 예측:

  • 가격 실현 전: GBT가 가장 우수한 성능을 보였습니다. (초기 시장 상태는 비선형적이기 때문)
  • 가격 실현 후: **OB-RLM (선형 모델)**이 GBT 를 능가하며 가장 정확한 예측을 제공했습니다. (시장 균형에 가까워지면 선형 근사가 유효해지기 때문)
  • 시장 규모: 소규모 시장에서는 GBT 의 성능이 더 두드러졌으나, 대규모 시장에서는 선형 모델의 성능이 빠르게 개선되었습니다.

• 통계적 유의성: 비모수적 쌍체 Wilcoxon 검정을 통해 GBT 와 OB-RLM 이 다른 모델들보다 통계적으로 유의미하게 우수한 성능을 보임을 확인했습니다.

4. 기여 및 의의 (Contributions & Significance)

• 방법론적 혁신: 실험 경제학의 60 년 전통을 거슬러, '가치 유도'를 통한 이론 검증이 아닌 '관측 데이터'를 통한 시장 구조 추론이라는 역 (Inverse) 프레임워크를 정립했습니다.
• 실용적 적용 가능성:
  • 실제 시장 적용: 전자 부품 거래, B2B 상품 교환, 온라인 광고 경매 등 참여자의 실제 비용/가치가 비공개인 시장에서 실시간 효율성 모니터링이 가능해집니다.
  • 조기 예측: 거래가 발생하기 전인 초기 입찰 단계에서도 시장 효율성을 예측할 수 있어, 플랫폼 운영자가 시장 규칙을 조정하거나 개입할 수 있는 시기를 제공합니다.
• 이론적 한계 극복: 복잡한 시장 환경에서 전통적인 경제 이론이 분석적 해를 구하기 어려울 때, 머신러닝을 통해 데이터에서 효율성 신호를 추출하는 새로운 패러다임을 제시했습니다.

5. 결론

이 연구는 통제된 실험 데이터를 기반으로 훈련된 머신러닝 모델이, 참여자의 숨겨진 가치 정보를 알지 못하는 상황에서도 시장의 배분 효율성과 균형 가격을 높은 정확도로 예측할 수 있음을 입증했습니다. 특히 **GBT(비선형)**와 OB-RLM(선형) 모델의 성능 차이는 시장이 균형에 도달하는 단계 (초기 비선형 vs 후기 선형) 에 따라 최적의 예측 도구가 달라짐을 보여줍니다. 이 프레임워크는 향후 실제 B2B 시장 및 금융 시장에서의 데이터 기반 거버넌스 및 시장 설계 최적화에 중요한 기여를 할 것으로 기대됩니다.