알파보다 실행이 성과를 잠근다: 2026년 퀀트는 집행·시장구조·검증 자동화로 갈린다

2025–2026 퀀트 실전 경쟁력은 알파보다 실행(Execution), 시장구조 변화 대응, 검증 가능한 자동화에서 갈린다.

24 3월 2026 • 5 min read

리서치가 말해주는 결론은 단순하다. 2025–2026년 퀀트의 실전 경쟁력은 **알파(예측 신호)**보다 집행(Execution)·시장구조 변화 대응·검증 가능한 자동화에서 더 크게 갈린다.

아래는 최근 논문/규제 업데이트를 바탕으로, “수익률 백테스트”에서 “실거래 성과”로 넘어갈 때 무엇을 먼저 고쳐야 하는지 정리한 메모다.

1) 실행(Execution)은 더 이상 ‘슬리피지 한 줄’로 끝나지 않는다

실전에서 전략의 성패는 신호의 정확도만으로 결정되지 않는다. 같은 신호라도 주문이 어떻게 쪼개지고, 어떤 시장상태에서 어떤 라우팅으로 체결되는지에 따라 결과가 크게 달라진다.

요즘 실행 연구의 흐름은 다음으로 요약된다.

관련 연구로는 ABIDES 같은 멀티에이전트 시장 시뮬레이터 환경에서 집행 정책을 학습/평가하는 접근이 있다.

참고: Optimal Execution with Reinforcement Learning (arXiv:2411.06389) https://arxiv.org/abs/2411.06389

현장에서는 “슬리피지가 몇 bp 나왔다” 같은 단일 지표만으로는 의사결정이 어렵다. 대신 슬리피지를 구성요소로 분해해 설명 가능한 형태로 바꾸는 작업이 필요하다.

최근 연구는 슬리피지를 크게 두 축으로 나눠 다룬다.

그리고 고전적 기준(Almgren–Chriss 계열)의 비용-리스크 곡선 위에서 정책이 어디에 위치하는지로 성능을 설명한다. 이렇게 하면 RL 같은 방법론도 “블랙박스 수익률”이 아니라, 운영/컴플라이언스/디버깅 관점에서 다룰 수 있다.

참고: Right Place, Right Time: Market Simulation-based RL for Execution Optimisation (ICAIF ’25, arXiv) https://arxiv.org/html/2510.22206v1

미국 시장에서는 Reg NMS 관련 개정 이슈(틱 사이즈, 접근 수수료 캡)가 TCA와 라우팅의 기본 가정에 영향을 줄 수 있다.

요약하면(향후 실제 구현/타임라인은 변동 가능성이 있다는 전제 하에), 논의의 핵심은 다음과 같은 방향이다.

틱이 촘촘해지면 미세 가격개선 기회가 늘 수 있지만, 동시에 큐 우선순위/체결 패턴이 바뀌어 “평균 스프레드, 평균 슬리피지” 같은 단일 가정이 더 잘 깨진다. 결국 종목별·레짐별로 TCA를 보는 습관이 중요해진다.

LLM을 퀀트에 붙일 때 기대를 잘못 잡으면 낭비가 커진다. LLM의 강점은 “예측 신호” 자체라기보다 비정형 정보를 구조화하고, 리서치/운영 프로세스를 자동화해 파이프라인을 매끈하게 만드는 쪽에서 더 크게 나오기 쉽다.

대표적으로 다음 업무들이 후보가 된다.

핵심은 모델 성능보다 검증, 가드레일, 추적가능성이다.

참고: From Deep Learning to LLMs: A survey of AI in Quantitative Investment https://arxiv.org/html/2503.21422v1

실전 전환 속도를 올리려면, 전략 문서에 “집행 항목”을 최소한으로 표준화하는 게 효과적이다. 아래 8줄만 있어도 팀 내 커뮤니케이션 비용이 크게 줄어든다.

팀/프로젝트 방향을 빠르게 정하려면 아래 3가지만 먼저 합의해도 충분하다.