거래비용의 비밀: 왜 같은 주문인데 손실이 다를까?

상대가치 거래에서 숨겨진 비용을 포착하는 새로운 수학적 방법

---

들어가며: 장 보는 사람의 고민

마트에서 장을 볼 때를 생각해 보세요. 사과를 사면 사과 값만 내면 되잖아요? 그런데 만약 사과를 많이 사는 바람에 사과 값이 올라가고, 동시에 배 값까지 올라간다면요? 그리고 그 가격 충격이 시간이 지나면서 서서히 원래대로 돌아온다면요?

이게 바로 금융 시장에서 매일 일어나는 일입니다. 대량 주문을 넣으면 그 종목 가격만 움직이는 게 아니라, 관련 종목 가격까지 함께 움직입니다. 그리고 그 충격은 시간이 지나면서 서서히 사라집니다.

기존의 거래비용 모델들은 이 두 가지 사실을 대부분 무시했습니다. Stanford 대학의 Yinjun-Wang과 Udell이 2026년 9월에 발표한 이 논문은, 바로 이 "무시된 비용"을 수학적으로 포착하는 새로운 방법을 제안합니다.

---

무엇이 문제였나: 기존 모델의 두 가지 실수

실수 1: 교차영향을 무시했다

원유 선물 시장을 예로 들어 볼까요. WTI 원유 선물에는 "근월물"(가장 빨리 만기가 오는 계약)과 "원월물"(그 다음 만기 계약)이 있습니다. 이 두 계약은 매우 밀접하게 연관되어 있죠.

트레이더가 근월물만 대량 매도하면 어떻게 될까요? 당연히 근월물 가격이 내려갑니다. 하지만 동시에 원월물 가격도 영향을 받습니다. 이게 바로 교차영향(cross-impact)입니다.

기존 모델들은 각 계약의 거래비용을 따로 계산했습니다. 근월물 거래비용은 근월물만, 원월물 거래비용은 원월물만. 하지만 실제로는 두 거래가 서로 영향을 미치기 때문에, 이 방식은 비용을 과대추정합니다.

쉽게 말하면, 두 다리를 동시에 움직이면 한 다리씩 움직일 때보다 전체적인 충격이 작은데, 기존 모델은 "한 다리씩 따로 계산"한 것입니다.

실수 2: 시간 감쇠를 무시했다

주문을 넣으면 가격이 출렁이지만, 시간이 지나면 원래대로 돌아옵니다. 이것이 과도 영향(transient impact)입니다.

예를 들어, 오전에 대량 매도 주문을 넣어서 가격이 10 내렸다면, 오후에는 7만 내려가 있을 수 있습니다. 3만큼은 자연스럽게 회복된 것이죠.

기존 모델들은 이 회복 효과를 무시했습니다. 주문의 충격이 영원히 남는다고 가정한 것입니다. 이렇게 하면 거래비용이 실제보다 훨씬 크게 계산됩니다.

---

핵심 아이디어: 볼록 최적화로 두 가지를 동시에 포착

논문이 제안하는 해결책은 우아합니다. 거래비용을 하나의 볼록 이차형식으로 표현하는 것입니다.

수식으로 쓰면 이렇습니다 (걱정 마세요, 바로 설명할게요):

φ(u) = u^T × A × u

여기서 u는 "어떤 계약을 얼마나 거래할 것인가"를 나타내는 벡터이고, A는 거래비용을 결정하는 행렬입니다.

이 행렬 A가 두 가지를 동시에 포착합니다:

교차영향 포착: 한 시점에서 여러 계약의 거래를 양의 준정치 행렬(positive semidefinite matrix)로 연결합니다. 이 행렬은 변동성, 거래량, 상관관계 예측치로 구성됩니다.

시간 감쇠 포착: 시간 간격 사이를 멱함수 커널로 연결합니다:

k(h) = (1 + h/τ)^{-β}

여기서 h는 시간 간격, τ는 감쇠 시간, β는 감쇠 속도입니다. 멱함수는 실제로 관찰되는 가격 충격의 감쇠 패턴과 잘 맞습니다.

---

결과: 무엇을 알아냈나

연구팀은 2004년부터 2011년까지의 WTI 원유 선물 데이터로 이 모델을 검증했습니다. 특히 상품지수 롤(S&P GSCI 같은 지수 펀드가 정기적으로 근월물에서 원월물로 포지션을 옮기는 시기) 기간에 초점을 맞췄습니다.

이 시기에는 근월물과 원월물 사이의 스프레드가 예측 가능하게 움직입니다. 롤 기간에는 스프레드가 약 30~40bp 압축되고, 약 2주 후에 원래대로 회복됩니다.

세 가지 모델 비교 결과

핵심 발견:

1. 기존 모델은 충격을 과대추정합니다. 예측 충격 1.0bp 중 실제 충격은 0bp. 너무 보수적이라 수익 기회를 놓칩니다.

2. 교차영향 모델이 가장 높은 순수익을 냅니다. 3.1bp vs 기존 0.4bp. 거의 8배 차이입니다.

3. 충격 네팅(impact netting)이 작동합니다. 근월물 매도와 원월물 매수의 충격이 서로 상쇄되어(상관관계 약 0.96) 실제 충격이 예측보다 작아집니다.

---

한계와 주의점

정직하게 말하면, 이 모델에도 한계가 있습니다:

• 파라미터 설정이 경험적입니다. 영향 스케일링 파라미터 ℓ_i는 데이터에서 직접 추정하지 않고 경험적으로 설정했습니다.
• 변동성 추정이 월간 단위입니다. 실전에서는 일간 또는 시간 단위로 업데이트하는 게 좋습니다.
• 거래량 데이터가 시뮬레이션입니다. 실전 적용을 위해서는 거래소 라이선스 데이터가 필요합니다.
• 원유 선물에만 검증되었습니다. 다른 자산군(주식, 채권, 외환)에서의 효과는 추가 검증이 필요합니다.

---

그래서 투자/실무엔?

이 연구가 우리에게 알려주는 것은 명확합니다:

거래비용을 계산할 때 "단순하게" 하면 돈을 잃는다.

상대가치 전략(예: 원유 캘린더 스프레드, 국채 차익거래, 통화 상대가치)을 실행할 때, 기존의 "각 다리별로 따로 계산"하는 방식은 비용을 과대추정합니다. 이로 인해 실제로 수익성이 있는 거래를 포기하게 됩니다.

새로운 모델은 볼록 최적화를 사용해 여러 계약의 거래를 동시에 최적화합니다. 이 방식을 사용하면:

• 주문 규모를 더 정확하게 결정할 수 있습니다
• 여러 계약의 충격이 서로 상쇄되는 효과를 활용할 수 있습니다
• 시간에 따른 충격 감쇠를 고려해 거래 타이밍을 최적화할 수 있습니다

자기자본을 운용하는 입장에서는, 실행 단계의 비용 최적화가 미세한 알파를 지키는 핵심입니다. 이 논문은 그 최적화를 위한 수학적 프레임워크를 제공합니다.

---

함께하기

이런 연구를 더 빠르게 만나고 싶으시다면:

• 📧 ohselab.com에서 뉴스레터를 구독하세요
• 💬 상담 문의 — 자기자본 운용 전략에 대해 이야기해요
• 🐦 팔로우 — 최신 연구를 실시간으로

---

더 알아보기

• 원 논문: Convex Modeling of Price Cross-Impact over Time (arXiv:2609.04712)
• 저자: Vincent Yinjun-Wang, Madeleine Udell (Stanford MS&E)
• 5차원 점수: 혁신성 74 / 적용성 82 / 엄밀성 67 / 재현성 35 / 통찰력 78 (Composite: 69.2, Tier A)

관련 논문:

• The quintic Ornstein-Uhlenbeck volatility model — SPX·VIX 공동 캘리브레이션 변동성 모델 (A급)
• Clustered Network Connectedness — 글로벌 주식시장 네트워크 전염 측정 (A급)
• Generative modeling for time series via Schrödinger bridge — 시계열 합성 데이터 생성 (A급)