DeepVWAP 도입 · 주문 분할 폴리시 학습 · 시장 미시구조 모델 적용 · 집행 리플레이 운영까지, 우리투자증권 트레이딩 데스크와 나눈 이야기.
우리투자증권 트레이딩 데스크는 운용사 대량 주문을 처리할 때 시장 충격으로 인한 슬리피지가 점차 누적되는 문제를 겪고 있었습니다. 기존 VWAP 알고리즘은 단순 시간 분할 방식이라 장중 변동성에 따른 호가창 미시구조 변화에 적응하지 못했습니다.
“집행은 ‘얼마나 빨리 끝났느냐’가 아니라 ‘벤치마크 대비 얼마나 가깝게 끝났느냐’가 핵심입니다. DeepVWAP는 그 차이를 데이터로 증명해주는 도구였어요.”— 이○○ · 우리투자증권 트레이딩본부
billycrew 팀은 우리투자증권의 과거 6개월치 호가·체결 데이터를 학습 데이터로 받아, DeepVWAP Order Slicer의 폴리시를 우리투자증권의 거래 패턴에 맞게 재학습시켰습니다. 동일 주문을 기존 알고리즘과 DeepVWAP에서 병렬로 시뮬레이션해 평균 슬리피지 차이를 검증했습니다.
실제 도입 시에는 Slippage Estimator가 주문 직전과 집행 중에 잔여 비용을 추정해, 데스크가 실시간으로 폴리시를 조정할 수 있도록 했습니다. 사후에는 Execution Replay로 호가·체결 단위 재현이 가능해 모델 검증 사이클이 짧아졌습니다.
상용 개시 후 12개월간 누적 ₩6.8조 규모의 대량 주문이 DeepVWAP를 통해 집행됐고, 벤치마크(VWAP) 대비 평균 슬리피지가 2.3bp 단축됐습니다. 운용사 고객 대상 집행 보고서에 슬리피지 수치를 명시할 수 있게 되어 신뢰도가 크게 올랐습니다.
Execution Replay 기능을 활용해 사후 분석과 모델 재학습을 동일 데이터로 수행하고 있으며, 시장 변동성이 큰 구간에서는 폴리시 자동 재조정이 적용돼 데스크의 수동 개입이 줄었습니다.