2025년 6월, 퀀트 논문이 말하는 것 — 강건성과 실전성의 동시 추구

"이론은 멋지지만, 현실에서는 안 먹혀." 누구나 한 번쯤 해본 이 불만. 2025년 6월 arXiv에 올라온 금융 논문들은 바로 이 간극을 좁히려는 시도로 가득합니다. 이번 달 코호트를 관통하는 키워드를 한 줄로 요약하면, "튼튼하게(강건하게) 만들면서도, 당장 써먹을 수 있게(실전성 있게)" 입니다.

---

들어가며: 왜 이 논문들이 관심을 끌까요?

2025년 6월, arXiv에는 무려 401편의 금융·퀀트 관련 논문이 올라왔습니다. 그중 저희가 엄밀한 기준으로 분석한 결과, 실제 퀀트 연구·실무에 의미 있는 관련 논문 128편이 골라졌고, 그중에서도 핵심 아이디어와 실무 적용 가능성이 높은 에이(A) 등급 논문이 4편이었습니다.

401편 중 128편, 그리고 그중 4편이 최상위 등급이라니 — 숫자만 보면 "겨우 4편?"이라고 생각하실 수 있습니다. 하지만 이 4편의 논문이 커버하는 영역을 보면 이야기가 달라집니다. 딥러닝으로 꼬리위험을 직접 관리하는 방법, 시뮬레이션 데이터로 실제 시장의 변동성면을 복원하는 기법, 그리고 현대적 시장 마찰까지 반영한 포트폴리오 이론까지 — 모두 "이론의 엄밀함을 지키면서 현실의 벽도 넘어서자"는 하나의 방향을 가리키고 있습니다.

이번 글에서는 이 4편의 에이 등급 논문을 포함해, 다섯 가지 연구 테마로 나누어 6월의 퀀트 연구 지형을 살펴보겠습니다. 전문 용어는 일상의 비유로 풀어 설명하니, 금융·컴퓨터 과학을 전공하지 않으신 분도 끝까지 따라오실 수 있습니다.

---

테마 1: 딥 헤징과 꼬리위험 관리 — "비 올 때 우산이 아니라, 태풍에도 버틸 집을 짓자"

비유로 시작하기

우리가 비가 올 때 우산을 쓰는 것처럼, 투자에서도 가격이 떨어지면 손실을 줄이는 장치가 필요합니다. 전통적인 방식은 "우산"에 해당합니다 — 가격이 1% 떨어지면 손실을 1% 줄이도록 미리 약속된 비율(그리스 문자로 알려진 델타, 감마 같은 것들)에 따라 자산을 사고파는 방식이죠. 그런데 문제는, 비가 아니라 태풍이 올 때입니다. 2008년 금융위기처럼 시장이 갑자기 폭락하면, 우산은 속수무책입니다. 태풍에 버틸 수 있는 집을 지어야 합니다.

이 테마의 논문들은 바로 그 "태풍에도 버틸 집"을 어떻게 지을지를 연구합니다. 딥러닝 신경망을 이용해 꼬리위험(극단적 손실 가능성)을 직접 최소화하거나, 옵션 헤징 전략을 어떤 확률 모형이 와도 흔들리지 않게 만드는 방법을 제안합니다.

대표 논문 깊이 보기: 딥 헤징으로 꼬리위험 관리하기

논문: Deep Hedging to Manage Tail Risk
저자: Yuming Ma (도쿄공업대학교)
종합 점수: 69.7 (에이 등급) — 새로움 68, 실용성 84, 엄밀성 72, 통찰력 71

이 논문은 "우산"이 아니라 "자동으로 태풍 대응하는 스마트 집"을 설계하는 방법을 제안합니다.

기존의 헤징(손실 방어)은 사람이 미리 정한 규칙에 따라 움직입니다. 예를 들어, "주가가 1% 떨어지면 이만큼 팔아라" 같은 규칙이죠. 이 논문은 신경망(딥러닝)에게 "CVaR(조건부 가치 위험)"이라는 특별한 손실 기준으로 헤징 전략을 직접 학습시킵니다.

CVaR이 뭘까요? 쉽게 말하면, "최악의 1% 상황에서 평균적으로 얼마나 잃는가"를 재는 자입니다. 기존의 위험 지표가 "평균적으로 얼마나 위험한가"를 묻는다면, CVaR은 "진짜 최악의 순간에 얼마나 아픈가"를 묻습니다. 이 논문은 이 "최악의 순간의 아픔"을 직접 줄이는 방향으로 신경망을 훈련합니다.

핵심은 위기 상황 시뮬레이터입니다. 연구진은 실제 시장 데이터를 바탕으로 거래 비용, 유동성 제한, 시장 충격(대량 매매가 가격에 미치는 영향)까지 모두 반영한 가상 시장을 만들었습니다. 이 가상 시장에서 신경망이 20042005년 데이터로 학습한 뒤, 20162025년 구간에서 실제로 얼마나 잘 작동하는지 검증했습니다.

결과는 인상적입니다. 1일 99% CVaR을 유의미하게 감소시킨 것입니다. 쉽게 말하면, "100일 중 가장 안 좋은 하루의 손실"을 기존 방법보다 확 줄였다는 뜻입니다. 거래 비용과 유동성 제한을 현실적으로 반영한 상태에서도 이런 결과가 나왔다는 점이 중요합니다.

물론 한계도 있습니다. 재현성 점수가 42점으로 낮습니다. 이는 시뮬레이터의 세부 구현이나 학습 설정이 완전히 공개되지 않아, 다른 연구자가 같은 결과를 반복하기 어렵다는 뜻입니다. 또한 실제 시장이 계속 변하는 특성(비정상성)에 얼마나 강건한지에 대한 추가 분석이 필요합니다.

이 테마의 다른 논문들

• 강건한 아메리칸 옵션 헤징 (에이 등급, 66.2점): 어떤 확률 모형이 진짜인지 확실하지 않을 때도 작동하는 아메리칸 옵션 헤징 전략을 이론적으로 정립했습니다. "모델을 몰라도 헤징할 수 있다"는 강력한 주장입니다.
• 드로우다운과 점유시간의 분포 (비 등급, 64.6점): 투자에서 "최고점 대비 얼마나 떨어졌는가"(드로우다운)를 수학적으로 분석합니다. 리스크 모니터링 지표의 이론적 기반을 제공합니다.
• 유틸리티 기반 shortfall risk 최적화 (비 등급, 61.4점): "얼마나 잃을 수 있는가"를 직접 최적화하는 방법을 제안합니다. 딥 헤징의 손실 함수 설계에 참고할 수 있습니다.

이 테마의 공통 메시지

이 논문들이 함께 말하는 것은 명확합니다: "평균만 보지 말고, 최악의 순간에 집중하라." 전통적 헤징이 평균적 변동에 대응하는 "우산"이라면, 이 연구들은 극단적 상황에서의 손실을 직접 줄이는 "태풍 대피소"를 설계합니다. 그리고 그 대피소를 짓는 데 딥러닝과 강건한 수학이 함께 사용되고 있습니다.

---

테마 2: 변동성면 복원과 옵션 가격결정 — "안개 속에서 지형도를 그리는 법"

비유로 시작하기

등산할 때 날씨가 맑으면 주변 봉우리와 계곡이 한눈에 보입니다. 하지만 안개가 끼면 시야가 제한되어, 보이는 몇 개의 지점만으로 전체 지형을 유추해야 합니다. 옵션 시장의 변동성면(임파일드 볼러틸러티 서페이스)도 비슷한 문제입니다.

변동성면이란, "다른 만기(기간)와 행사가격(약속된 가격)에 따른 옵션의 변동성 수준을 한 장의 지도로 표현한 것"입니다. 이 지도가 정확해야 옵션 가격을 제대로 매기고, 리스크를 제대로 관리할 수 있습니다. 문제는, 실제 시장에서는 만기와 행사가격 조합이 제한적이어서 안개 속 몇 개의 지점만 관측된다는 것입니다.

이 테마의 논문들은 그 안개 속에서 어떻게 정확한 지형도를 그릴지를 연구합니다.

대표 논문 깊이 보기: 시뮬레이션 데이터로 실제 변동성면 복원하기

논문: SABR-Informed Multitask Gaussian Process
종합 점수: 69.1 (에이 등급) — 새로움 74, 실용성 82, 엄밀성 68, 통찰력 71

이 논문의 핵심 아이디어는 놀랍도록 직관적입니다: "시뮬레이션으로 만든 풍부한 가짜 데이터로 먼저 연습하고, 실제 희소한 데이터에 적응시켜라."

비유를 들어보겠습니다. 만약 서울의 지형도를 그려야 하는데 관측점이 10개밖에 없다면, 어떻게 할까요? 이 논문은 먼저 인공지능(신경망)이 만든 서울 시뮬레이션 데이터를 수천 개 준비합니다. 이 시뮬레이션은 실제 서울과 완벽히 같지는 않지만, 지형의 기본 구조(산은 높고, 강은 낮다 등)를 담고 있습니다. 그런 다음, 실제 관측된 10개의 지점을 사용해 시뮬레이션 데이터를 실제에 맞게 조정합니다.

구체적으로, 연구진은 SABR 모형(변동성을 수학적으로 표현하는 널리 쓰이는 모형)으로 합성 변동성면 데이터를 대량 생성합니다. 이 합성 데이터를 "소스 작업"으로, 실제 시장 옵션 데이터를 "타겟 작업"으로 설정한 뒤, 멀티태스크 가우시안 프로세스라는 통계 프레임워크 안에서 두 작업 간의 공통 패턴을 학습합니다.

가우시안 프로세스가 뭘까요? 쉽게 말하면, "데이터가 적어도 불확실성을 솔직하게 표현하는 예측 방법"입니다. 기존 방법들이 데이터가 적으면 엉뚱한 결과를 내놓는 반면, 가우시안 프로세스는 "이 부분은 확실하지 않습니다"라고 정직하게 말해줍니다.

검증 결과는 인상적입니다. 기존의 단순한 가우시안 프로세스나 파라메트릭 보간법보다 표면 전체에 걸쳐 더 낮은 복원 오차를 달성했습니다. 특히 만기 구간 바깥으로 외삽(추측)하거나, 행사가 양극단에서의 안정성이 크게 개선되었습니다. SABR의 구조적 제약이 일종의 "정규화"(과적합 방지) 역할을 하면서도, 실제 시장의 비-SABR 동적(스큐 변동성 같은 복잡한 현상)도 적응적으로 수용할 수 있는 유연성을 확보했습니다.

이 연구는 실제 옵션 시장이 합성 데이터와 얼마나 다른지, 그리고 그 차이를 어떻게 메울 수 있는지를 체계적으로 보여줍니다. 국내 옵션 시장처럼 만기와 행사가격 조합이 제한적인 환경에서 특히 유용할 수 있습니다.

물론 한계도 있습니다. 재현성 점수가 42점으로 낮아, 합성 데이터 생성 과정과 가우시안 프로세스 설정의 재현이 제한적일 수 있습니다. 또한 극한 시장 환경(변동성 폭발, 유동성 고갈)에서의 성능 검증이 추가될 필요가 있습니다.

이 테마의 다른 논문들

• 실현 분산의 표본 외 예측 (비 등급, 62.3점): 변동성면의 정확성이 궁극적으로 미래 분산 예측에 반영됨을 보여주는 연구입니다. 변동성면을 잘 그리는 것이 왜 중요한지를 뒷받침합니다.

이 테마의 공통 메시지

이 논문들이 함께 말하는 것은: "구조적 지식과 데이터의 힘을 합쳐라." 순수하게 데이터만 믿으면 희소한 관측에서 불안정해지고, 순수하게 모형만 믿으면 실제 시장의 복잡성을 놓칩니다. 둘을 결합하는 하이브리드 접근이 변동성면 복원의 현재 최선입니다.

---

테마 3: 포트폴리오 이론과 동적 자산배분 — "요리 레시피에 시장의 마찰을 반영하자"

비유로 시작하기

맛있는 요리를 하려면 레시피가 필요합니다. "밀가루 200그램, 설탕 100그램, 버터 50그램"처럼 재료의 비율을 정확히 맞춰야 하죠. 포트폴리오(투자 자산의 조합)도 마찬가지입니다. "주식 60%, 채권 30%, 현금 10%"처럼 자산의 비율을 정하는 것이 핵심입니다.

그런데 현실의 주방은 이상적 레시피와 다릅니다. 재료를 넣을 때마다 조금씩 흘리고(거래 비용), 큰 냄비에 한꺼번에 넣으면 재료가 골고루 섞이지 않으며(시장 충격), 계란이 항상 같은 크기가 아닙니다(시장 환경 변화). 이 테마의 논문들은 바로 이 "현실 주방의 제약"을 반영한 레시피를 연구합니다.

대표 논문 깊이 보기: 가격충격을 반영한 포트폴리오 이론

논문: Stochastic Portfolio Theory with Price Impact
종합 점수: 65.4 (에이 등급) — 새로움 78, 실용성 58, 엄밀성 74, 통찰력 72

이 논문은 포트폴리오 이론의 고전인 확률적 포트폴리오 이론(SPT)을 현대적으로 확장합니다.

SPT가 뭘까요? 쉽게 말하면, 시장에 상장된 모든 주식의 "성적표"를 분석해서, 어떤 조합이 장기적으로 안정적인 수익을 내는지를 연구하는 이론입니다. 2002년 페른홀츠가 처음 제안한 이후, 많은 연구가 이 프레임워크 위에서 이루어졌습니다.

그런데 기존 SPT에는 큰 가정이 하나 있었습니다: "거래에 비용이 없고, 대량 매매가 가격에 영향을 주지 않는다"는 가정입니다. 현실에서는 대량으로 주식을 사면 가격이 올라가고, 대량으로 팔면 가격이 내려갑니다. 이것이 바로 가격충격입니다.

이 논문은 SPT의 핵심 수학적 도구인 마스터 공식을, 비선형 가격충격과 충격 감쇠(시간이 지나면 가격 충격이 줄어드는 현상)까지 포함하도록 확장했습니다. 이는 기존 SPT 문헌이 무마찰 환경에서만 성립하던 결과를, 현실적 마찰이 존재하는 환경까지 넓힌 이론적 진전입니다.

연구진은 양의 시장 가격을 보장하는 조건과 확률적 방정식의 해를 유도하여, 가격충격이 존재하는 현실적 환경에서도 SPT 전략의 수학적 정합성을 확보했습니다.

적용성 점수가 58점으로 상대적으로 낮은 점은, 이 연구가 직접적인 매매전략 구현보다는 이론적 기반으로서의 가치가 크기 때문입니다. 쉽게 말하면, "이 레시피는 아직 주방에서 테스트되지 않았지만, 수학적으로는 맞다"는 단계입니다. 수치 실험이나 실증 검증이 추가되면 적용성이 크게 향상될 것입니다.

이 테마의 다른 논문들

• S형 유틸리티와 VaR 제약 하의 포트폴리오 (비 등급, 63.0점): 전망이론(사람들이 이익과 손실을 다르게 느끼는 심리)과 연결된 포트폴리오 최적화를 연구합니다. "사람의 심리를 반영한 투자"라는 흥미로운 방향입니다.
• 목표 기반 포트폴리오 선정 (비 등급, 62.4점): "은퇴 자금", "주택 구입 자금" 등 구체적인 목표에 맞춰 자산을 배분하는 방법을 연구합니다. 실무 자산배분에 직결되는 주제입니다.
• 레짐 변화를 반영한 동적 자산배분 (비 등급, 61.4점): 시장이 "상승기", "하락기", "횡보기" 등 서로 다른 국면(레짐)을 오갈 때, 포트폴리오를 어떻게 적응시킬지를 연구합니다.
• 레버리지 ETF의 장기 보유 문제 (비 등급, 62.2점): 레버리지 ETF를 오래 들고 있으면 왜 손실이 나는지, 그리고 어떻게 개선할 수 있는지를 분석합니다.
• 서브샘플링 기반 불확실성 인식 전략 (비 등급, 61.6점): 데이터를 부분 샘플링해서 투자 전략의 불확실성을 직접 추정하는 방법을 제안합니다.

이 테마의 공통 메시지

이 논문들이 함께 말하는 것은: "이상적인 레시피를 현실 주방에 맞게 수정하라." 거래 비용, 시장 충격, 시장 레짐 변화, 심리적 편향 등 현실의 마찰을 반영한 포트폴리오 이론이 이번 달의 핵심 흐름입니다. 이론의 엄밀함을 잃지 않으면서도, 현실의 벽을 넘어서려는 시도가 곳곳에서 나타납니다.

---

테마 4: 최적 집행과 시장 미시구조 — "대형 화물차가 골목길을 지나는 법"

비유로 시작하기

조그만 소포를 보내는 건 쉽습니다. 택배 부르면 하루 만에 도착하죠. 그런데 대형 화물차로 10톤 짐을 옮겨야 한다면? 골목길이 좁아서 한 번에 다 지나갈 수 없고, 조금씩 나눠서 움직여야 합니다. 그런데 이웃들이 화물차가 지나가는 걸 보면 "저쪽 길이 막히겠네"라고 생각해서 다른 길로 가버릴 수도 있습니다.

주식 시장에서도 비슷한 일이 벌어집니다. 기관 투자자가 수백억 원어치 주식을 한꺼번에 사면, 가격이 급등합니다. 그래서 하루 혹은 몇 시간에 걸쳐 조금씩 나눠 사는 것이 필요합니다. 이것이 바로 최적 집행 문제입니다. "어떤 속도로, 얼마씩 나눠서 사고팔아야 비용을 최소화할 수 있는가?"

이 테마의 논문들은 이 문제를 다양한 각도에서 다룹니다. 암호화폐 시장의 주문장 분석부터, 머신러닝을 이용한 집행 전략, 그리고 패시브 투자의 숨겨진 비용까지 — 시장의 "골목길 지도"를 더 정밀하게 그리려는 시도입니다.

주요 논문들 살펴보기

이 테마에는 에이 등급 논문이 포함되어 있지 않지만, 실무적으로 의미 있는 연구들이 다수 포함되어 있습니다.

• 암호화폐 주문장의 미시구조 분석 (비 등급, 64.3점): 암호화폐 시장의 주문장(사고팔려는 주문이 쌓여 있는 장부)을 체계적으로 분석합니다. 전통적 금융 시장과 어떤 차이가 있는지를 도출합니다. 암호화폐 시장이 아직 제도화가 덜 된 만큼, 그 특성을 이해하는 것이 중요합니다.
• 유동성 불확실성 하의 최적 집행 (비 등급, 63.5점): 시장의 유동성(얼마나 쉽게 사고팔 수 있는가)이 변하는 상황에서의 최적 집행을 연구합니다. 기존의 유명한 알미그렌-크리스 프레임워크를 확장합니다.
• 모방학습 기반 최적 집행 (비 등급, 62.0점): 전문 트레이더의 집행 패턴을 인공지능이 "모방"하도록 학습시켜 자동화하는 방법을 제안합니다. 생성 모델과 집행의 교차점에서 새로운 시도입니다.
• 패시브 투자의 숨겨진 비용 (비 등급, 62.3점): 인덱스 펀드나 상장지수펀드 같은 패시브 투자가 시장에 미치는 숨겨진 영향을 분석합니다. "무료처럼 보이는 투자에도 비용이 있다"는 메시지입니다.
• 자동화 시장 조성자의 최적 수수료 (비 등급, 61.7점): 탈중앙화 금융(디파이)에서 자동으로 가격을 매기는 시스템의 수수료를 어떻게 설계할지를 연구합니다.

이 테마의 공통 메시지

이 논문들이 함께 말하는 것은: "시장은 마찰이 가득한 곳이다. 그 마찰을 이해하고 최소화하는 것이 승부의 핵심이다." 전통적 최적 집행 이론은 주로 주식 시장에 초점을 맞췄지만, 이번 달에는 암호화폐, 채권, 탈중앙화 금융까지 영역이 확장되고 있습니다. 또한 머신러닝이 집행 전략에 본격적으로 도입되고 있는 추세입니다.

---

테마 5: 인공지능과 자연어 처리의 금융 응용 — "로봇에게 재무제표 읽히기"

비유로 시작하기

어린아이가 처음 신문을 읽기 시작할 때, 글자를 읽을 줄은 알아도 그 의미를 이해하는 데는 시간이 걸립니다. "매출 10% 증가"라는 글자를 읽을 수 있지만, 그것이 좋은 소식인지 나쁜 소식인지, 경쟁사 대비 어떤 수준인지를 판단하려면 배경 지식과 맥락 이해가 필요합니다.

금융 분야에서 인공지능(특히 대규모 언어 모델)을 사용하는 것도 비슷한 단계에 있습니다. 최신 인공지능은 글자를 읽고 문장을 만들 수 있지만, 재무제표의 숫자가 의미하는 바를 정확히 판단하거나, 여러 나라의 금융 보고서를 동시에 이해하는 것에는 아직 한계가 있습니다.

이 테마의 논문들은 그 한계를 체계적으로 측정하고, 조금씩 개선하려는 시도입니다.

주요 논문들 살펴보기

이 테마에도 에이 등급 논문은 아직 없지만, 평가 기반 인프라를 구축하는 단계에 진입하고 있어 향후 발전이 기대됩니다.

• 다국어·멀티모달 금융 인공지능 벤치마크 (비 등급, 64.5점): 금융 분야에서 인공지능의 능력을 평가하는 표준 시험지를 만듭니다. 여러 나라 언어와 다양한 형태의 데이터(텍스트, 숫자, 표)를 모두 다루는 종합 벤치마크입니다. "인공지능의 금융 시험"이라고 보시면 됩니다.
• 금융 기초 분석 수행 인공지능의 역량 평가 (비 등급, 63.0점): 인공지능이 재무제표와 공시를 분석하는 능력을 체계적으로 평가합니다. "로봇 애널리스트"의 성적표를 매기는 연구입니다.
• 인간 전문지식과 리스크 인식을 결합한 금융 인공지능 (비 등급, 62.0점): 인간 전문가의 경험과 지식을 인공지능에 결합하고, 위험 상황에서의 적응력을 높이는 방법을 연구합니다.
• 금융 보고서의 포괄적 리스크 평가를 위한 설명가능 인공지능 (비 등급, 60.9점): 인공지능이 금융 보고서의 위험 요소를 평가하면서, "왜 이 위험이 높다고 판단했는지" 설명까지 해주는 방법을 연구합니다. 인공지능의 "판단 근거"를 투명하게 만드는 것이 목표입니다.

이 테마의 공통 메시지

이 논문들이 함께 말하는 것은: "아직은 배우는 단계이지만, 평가 기반이 갖춰지고 있다." 현재 인공지능은 금융 분야에서 "반드시 필요한 도구"보다는 "유망하지만 검증 중인 도구" 단계입니다. 하지만 벤치마크 데이터셋과 평가 프레임워크가 체계적으로 정리되고 있다는 점은, 향후 1~2년 내에 실용적 수준에 도달할 가능성이 있음을 시사합니다.

---

월 전체 빅 픽처: 강건성과 실전성의 동시 추구

이번 달 다섯 가지 테마를 관통하는 하나의 큰 메시지가 있습니다.

전통적 금융 이론은 종종 "이상적인 조건"에서 성립합니다. 거래 비용이 없고, 시장이 항상 유동적이며, 확률 모형이 정확히 알려져 있다는 가정 위에서 수학적 결과를 도출합니다. 현실에서는 이 가정들이 모두 깨집니다.

2506 코호트의 논문들은 이 가정들을 하나씩 허물어가는 과정을 보여줍니다:

• 헤징 분야: CVaR 같은 "최악의 순간" 위험 척도를 직접 최적화하면서도 거래 비용과 유동성 제한을 동시에 반영합니다.
• 변동성면 분야: 파라메트릭 모형의 구조적 정보를 데이터 기반 방법에 전이하여, 희소한 관측에서도 안정적인 결과를 냅니다.
• 포트폴리오 분야: 가격충격까지 반영한 SPT를 수학적으로 정립하여, 무마찰 가정의 한계를 넘어섭니다.
• 집행 분야: 암호화폐, 채권, 탈중앙화 금융까지 영역을 확장하며, 머신러닝을 본격적으로 도입합니다.
• 인공지능 분야: 아직 성숙하지 않지만, 평가 인프라가 구축되며 실용화의 토대를 다지고 있습니다.

종합하면, 2506 코호트의 키워드는 "강건성과 실전성의 동시 추구"입니다. 이론의 엄밀함을 지키면서도, 현실의 마찰과 불확실성을 정면으로 다루려는 움직임이 이번 달의 가장 뚜렷한 흐름입니다.

---

함께하기

이 글이 흥미로우셨나요? 저희는 arXiv에 올라오는 최신 금융·퀀트 논문을 매일 모니터링하고, 실무에 의미 있는 연구를 선별하여 분석합니다.

• 뉴스레터 구독하기 — 매주 최신 논문 분석을 받아보세요.
• 상담 문의하기 — 논문의 실무 적용에 대해 함께 이야기해요.
• 팔로우하기 — 최신 연구 동향을 놓치지 마세요.

---

더 알아보기

에이 등급 논문 (종합 점수순)

월간 통계 한눈에 보기

도메인 분포 (상위 5개)

---