기술 요약: 평판 피드백을 활용한 전략적 OTC 마켓 메이킹

문제 정의

전자 장외거래(OTC) 시장에서 유동성 공급은 단순한 독립적 호가 최적화의 연속을 넘어 동적인 프랜차이즈 문제로 진화했습니다. 딜러는 즉각적인 스프레드 캡처 최적화와 고객 및 플랫폼과의 "위상(standing)" 유지 또는 개선 사이의 결정적인 트레이드오프에 직면합니다. 이러한 위상은 RFQ(Request-for-Quote) 승률 및 스트리밍 충족 비율(fill ratio)과 같은 성과 지표로 정량화되며, 이는 성과 기반 게이트(performance-based gates)를 통해 향후 흐름 할당에 직접적인 영향을 미칩니다.

고전적인 확률적 마켓 메이킹 모델은 일반적으로 요청 강도와 충족 확률을 외생 변수로 취급합니다. 그러나 실제로는 미래의 흐름에 대한 접근권은 현재의 호가 및 수락 결정에 의해 영향을 받는 내생적 상태 변수입니다. 너무 많은 RFQ를 놓치거나 너무 많은 스트리밍 요청을 거절하는 딜러는 향후 기회에서 가중치가 낮아지거나 배제될 수 있는 반면, 강력한 성과는 인벤토리 및 독성(toxicity) 노출 증가에도 불구하고 리더십 포지션을 확보하게 해줍니다. 본 논문은 실행 품질과 미래 기회 집합 사이의 피드백 루프를 명시적으로 모델링하는 다루기 쉬운 제어 프레임워크의 필요성을 다룹니다.

방법론

저자들은 두 가지 구별된 실행 프로토콜을 특징으로 하는 확률적 최적 제어 모델을 개발합니다:

1. Tier A (RFQ): 승률 점수($R_A$)로 특징지어집니다. 딜러는 요청을 이길 확률을 극대화하기 위해 호가 오프셋($\delta$)을 제어하며, 성공 또는 실패에 따라 점수를 업데이트합니다.
2. Tier B (Streaming): 충족 비율 점수($R_B$)로 특징지어집니다. 딜러는 호가 오프셋($\delta$)과 "공정한(fair)" 라스트 룩(last-look) 프로토콜을 위한 비음수 거절 임계값($\eta$)을 모두 제어합니다. 이 프로토콜은 과도한 음의 슬리피지를 가진 거래를 거절하면서 양의 슬리피지는 제한함으로써, 가우시안 레이턴시 마크(Gaussian latency mark)를 통해 모델링된 역선택(adverse selection)을 관리합니다.

수학적 프레임워크

• 상태 변수: 시스템은 빠른 변수(인벤토리 $Q_t$, 현금 $X_t$, 중간 가격 $S_t$)와 느린 변수(평판 점수 $R_A, R_B$)를 포함합니다.
• 목적 함수: 인벤토리 리스크와 운영 비용에 의해 페널티를 받는 기대 종료 시점의 마크 투 마켓(mark-to-market) 부를 극대화하는 것입니다. 이때 평판 점수의 역학을 따릅니다.
• 해밀턴-자코비-벨만(HJB) 방정식: 문제는 두 개의 느린 평판 변수와 하나의 빠른 인벤토리 상태를 갖는 HJB 방정식으로 정식화됩니다.
• 단열 근사(Adiabatic Approximation): 문제를 다루기 쉽게 만들기 위해 저자들은 단열 근사를 사용합니다. 그들은 평판 점수가 인벤토리 역학에 비해 매우 느리게 변화한다($\alpha_\tau \ll 1$)고 가정합니다.
  • Fast Problem (빠른 문제): "고정된(frozen)" 평판 상태에 대해, 딜러는 표준 인벤토리 제어 문제를 해결합니다.
  • Slow Dynamics (느린 역학): 빠른 문제에서 유도된 정책은 정적 인벤토리 분포에 대해 평균화되어, 평판 점수에 대한 결정론적 드리프트 방정식을 도출합니다.
• 축소(Reduction): 이 접근 방식은 고차원 확률 제어 문제를 평판 점수에 대한 2차원 결정론적 시스템으로 축소하여, 경제적 피드백 루프를 보존하면서 전략적 역학을 명확히 합니다.

주요 기여

1. 내생적 흐륨 모델링: 본 논문은 실행 품질이 점수 의존적 게이트 함수를 통해 매개되어 미래 흐름 강도에 영향을 미치는 압축된 프레임워크를 제공합니다.
2. 호가 및 거절의 통합 제어: 모델은 호가 오프셋과 스트리밍을 위한 라스트 룩 임계값을 공동으로 최적화하며, 거절 메커니즘을 독성을 관리하면서 충족 비율을 유지하기 위한 옵션과 같은 장벽으로 취급합니다.
3. 전략적 단계 분리: 유도된 최적 정책은 자연스럽게 다음과 같은 뚜렷한 단계들을 교차합니다:
   • 평판 구축(Reputation Building): 점수를 높이기 위해 RFQ를 이기거나 스트리밍을 충족시키고자 호가를 좁힙니다(tightening).
   • 프랜차이즈 수익화(Franchise Monetization): 강력한 평판이 구축되면 가치를 캡처하기 위해 스프레드를 넓힙니다(widening).
   • 방어(Defense): 임계값 아래로 떨어지는 것을 방지하기 위해 보수적인 설정을 유지합니다.
4. 쌍안정성(Bistability) 및 경로 의존성: 모델은 성능 기반 게이트가 다중 안정 평형(bistability)을 초래할 수 있음을 보여줍니다. 딜러의 장기적인 체제(marginal vs. leading)는 단순히 현재 파라미터가 아니라 초기 조건과 회복의 순서에 달려 있습니다.

수치 결과

이산 그리드 상의 정책 반복 기법을 사용하여, 저자들은 RFQ 및 스트리밍 티어에 대해 교정된 파라미터로 모델을 시뮬레이션합니다.

• 프로모션 가치(Promotion Values): 성공적인 이벤트(RFQ 승리 또는 스트림 충족)의 한계 가치는 이미 리더가 되었을 때보다, 단 한 번의 성공이 체제 전환을 트리거할 수 있는 "게이트" 임계값 근처에서 가장 높습니다.
• RFQ 역학: 게이트 중간 지점 근처에서 딜러는 승리 확률을 높이기 위해 공격적으로 스프레드를 좁힙니다. 게이트 위에서는 흐름을 수익화하기 위해 스프레드를 넓히지만, 다시 하락하는 것을 방지하기 위해 방어적인 정책을 유지합니다.
• 스트리밍 역학: 충족 비율이 낮을 때, 딜러는 더 많은 요청을 생성하고 점수를 복구하기 위해 스프레드를 바닥까지 좁히는 동시에, 독성 흐름을 필터링하기 위해 거절 임계값을 유지합니다. 점수가 개선됨에 따라 딜러는 스프레드를 넓히고 흐름에 더 관대해집니다.
• 위상도(Phase Portrait): 2차원 평판 역학은 두 개의 끌개 평형(attracting equilibria), 즉 낮은 평판의 "한계(marginal)" 상태와 높은 평판의 "리더십(leadership)" 상태를 나타냅니다. 시스템은 경로 의존성을 보입니다(예: 스트리밍을 먼저 복구하느냐 RFQ를 먼저 복구하느냐에 따라 상태 공간을 통과하는 궤적이 결정됨). 두 티어 간의 스필오버(spillover)는 공유된 인벤토리와 지속 가치를 통해 발생하지만, 기본 교정 하에서는 미미합니다.

의의 및 주장

본 논문은 OTC 시장에서의 "동적 관계 관리"라는 직관을 다루기 쉬운 확률 제어 환경 내에서 명시화했다고 주장합니다. 저자들은 최적의 행동이 단순히 근시안적인 스프레드 최적화가 아니라, 서로 다른 시간 지평에 걸친 경쟁력의 전략적 배분이라고 주장합니다.

주요 개념적 결론은 다음과 같습니다:

• 상태 의존적 한계 가치: 승리나 충족의 가치는 이미 지배적인 상태일 때가 아니라, 프로모션 임계값 근처에 있을 때 가장 높습니다.
• 맥락적 공격성: 호가의 공격성은 정적인 리스크 파라미터가 아니라, 전략적 목적(평판 구축, 접근 방어, 또는 수익화)에 의해 결정됩니다.
• 다중 체제: 평판 피드백은 딜러가 동일한 기술과 리스크 성향을 갖더라도 초기 조건과 클라이언트 라우팅 게이트의 가파른 정도에 따라 저유동성 상태에 갇혀 있거나 리더십 위치로 상승할 수 있는 자기 강화적 순환을 만들어낼 수 있습니다.

저자들은 이러한 발견이 언제 경쟁력에 투자할지, 언제 독성 흐름을 용인할지, 그리고 고립된 호가 결정이 아닌 포트폴리오 수준의 점수 역학을 어떻게 관리할지와 같은 실무적인 전자 거래 결정에 모델링 언어를 제공한다고 제안합니다.