정책 입안자의 금융 안정에 대한 견해 리사 D. 쿡 주지사

[힘힘]

정책 입안자의 금융 안정에 대한 견해

리사 D. 쿡 주지사

조지타운 대학교 맥도노우 경영대학원, 워싱턴 DC에 있는 Psaros 금융시장정책센터

라이브 시청

고마워요, 리나. 조지타운과 프사로스 센터에 다시 오게 되어 영광입니다. 1저는 이 캠퍼스와 그 주변에서 상당한 시간을 보냈습니다. 경력 초기에 의회 인턴으로 일했던 시절도 그중 하나였습니다. 어쩌면 운명의 전조였을지도 모르지만, 그해 여름에 제가 조사했던 주제 중 하나가 글래스-스티걸 법이었습니다. 어린 시절에 이 법에 대해 배우는 것이 얼마나 유용했는지 알게 되었습니다.

저는 금융안정위원회 위원장을 맡고 있기 때문에 금융 안정성에 집중하고 있습니다. 우선, 가계와 기업의 탄탄한 대차대조표와 은행 시스템 전반의 높은 자본 수준을 바탕으로 금융 시스템은 여전히 ​​회복력을 유지하고 있다는 점을 말씀드리겠습니다. 이달 초, 연준은 반기 금융안정 보고서 최신판을 발표했습니다. 이 보고서는 금융 시스템의 회복력을 확인하는 동시에 최근 보고서에서 확인된 것과 동일한 위험과 취약성을 지적했습니다.

제 발표는 자산 가치 평가, 민간 기업 대출의 구조적 변화(기존 은행 대출에서 사모 신용 계약으로 전환), 그리고 미국 국채 시장에서 헤지펀드의 투자자 역할 증대라는 세 가지 취약성에 집중될 것입니다. 마지막으로, 장기적인 문제, 즉 금융 시장 거래에서 생성적 인공지능(AI)을 활용할 경우 금융 안정성이 향상될 수도, 저하될 수도 있다는 가능성에 대해 이야기하겠습니다.

금융 시스템의 취약성을 맥락에 맞춰 살펴보는 것부터 시작해 보겠습니다. 연방준비제도는 최대 고용과 물가 안정이라는 이중 과제 달성을 지원하기 위해 금융 안정을 증진합니다. 즉, 최대 고용과 물가 안정을 달성하려면 안정적인 금융 시스템이 필수적입니다. 우리는 먼 과거(대공황)든 최근(대금융위기 또는 대침체)이든 역사를 통해 금융 위기가 일반적으로 대규모 일자리 감소와 높은 실업률로 이어진다는 것을 알고 있습니다. 2그러나 금융 시스템의 복잡성으로 인해 시스템과 일상생활 사이의 연관성을 파악하기 어려울 때가 있습니다.

대공황 당시 미시간에서 살면서 가르치면서 저는 금융 시스템의 취약성이 일자리 감소에 직접적으로 영향을 미치는 것을 직접 목격했습니다. 한 가지 예로 리먼 브라더스의 파산이 일련의 사건을 통해 미시간의 고용 감소에 어떤 영향을 미쳤는지가 있습니다. 2008년 9월 리먼 브라더스의 파산으로 한 머니마켓펀드(MMF)가 "브레이크 더 벅(break the buck)" 현상을 겪었습니다. 자산 가치 하락으로 투자자들이 기대했던 1달러에 주식을 환매할 수 없게 된 것입니다. 이로 인해 펀드는 쇄도했습니다. 결국 펀드는 자산담보부 기업어음을 포함한 위험 자산에서 자금을 회수했습니다. 하지만 주요 자동차 금융 회사들은 소비자 대출 자금을 기업어음에 의존했기 때문에 어려움을 겪었습니다. 3대출 가능액이 줄어들면서 자동차 판매가 급감했고, 미시간 주는 큰 타격을 입었습니다. 제 가족, 제 학생과 동료의 가족, 친구, 이웃을 포함한 많은 사람들이 일자리를 잃고 심각한 어려움을 겪었습니다. 2009년 미시간 주의 실업률은 14%를 넘어섰고, 전국 실업률은 2009년 최고치인 10%를 기록했습니다. 이에 따라 2006년에서 2010년 사이 미시간 주의 압류 건수는 세 배 이상 증가했고, 같은 기간 미시간 주의 주택 가격은 33% 하락했습니다.

제가 이 이야기를 하는 것은 우리가 금융 위기 직전에 있다는 두려움 때문이 아니라, 금융 시스템의 회복탄력성이 실물 경제와 미국인들의 삶에 왜 중요한지를 강조할 가치가 있다고 생각하기 때문입니다. 이는 제가 논문을 쓸 때부터 강조해 온 주제입니다. 안정적이고 회복탄력적인 금융 시스템은 고용과 안정적인 물가를 뒷받침하고, 가정과 기업이 경제에서 효과적으로 기능할 수 있도록 보장합니다. 이것이 바로 정책 입안자들이 금융 시스템의 기능을 이해하기 위해 부지런히 노력하는 이유이며, 우리가 매년 두 번씩 금융 안정 보고서를 발간하는 이유 중 하나입니다. 그리고 물론, 이 이야기는 금융 시스템의 회복탄력성 유지의 필요성을 강조합니다.

자산 가치 평가
이러한 배경을 바탕으로, 현재 가장 두드러진다고 생각하는 금융 시스템 취약성에 대해 살펴보겠습니다. 자산 가치 평가부터 시작하겠습니다. 자산 가치를 평가할 때, 우리는 실제 자산 가격 수준을 고려하지 않습니다. 오히려 펀더멘털 대비 상대적인 수준, 그리고 펀더멘털 대비 상대적인 수준이 역사적 기준으로 높은지 여부를 살펴봅니다. 4

금융 안정 보고서에서 언급했듯이, 우리는 자산 가치가 주식 시장, 기업 채권 시장, 레버리지 론 시장, 주택 시장을 포함한 여러 시장에서 역사적 벤치마크에 비해 전반적으로 높다고 평가합니다.

물론, 이 글은 투자 조언이 아닙니다. 사실, 다양한 자산 가치 평가의 장단점에 대해 의견을 제시하는 것은 제 역할도 아니고, 제 의도도 아닙니다. 연준의 역할은 단순히 위험에 대한 예상 보상이 과거 대비 낮다는 것을 관찰하는 것뿐입니다. 그리고 그 위험은 과거로 회귀하거나, 낮은 수준을 유지하거나, 심지어 더 낮아질 수도 있습니다. 그리고 자산 가치가 상승하는 상황은 매우 흔합니다. 자산 가치는 2009년 저점 이후 여러 차례 상승했습니다.

저는 잠재적인 금융 시스템의 취약성을, 그것이 연방준비제도의 최대 고용과 물가 안정이라는 이중 목표 달성 능력을 어떻게 제약할 수 있는지라는 관점에서 고려합니다. 현재로서는 자산 가격 폭락 가능성이 커졌다고 생각합니다. 그러나 금융 시스템의 전반적인 회복력을 고려할 때, 대공황 당시처럼 심각한 수준의 취약성은 보이지 않으며, 따라서 잠재적인 자산 가격 폭락이 금융 시스템에 위험을 초래한다고 생각하지 않습니다.

민간 신용
또 다른 잠재적인 취약점은 민간 신용의 증가입니다.연준 직원들은 지난 5년 동안 민간 신용이 거의 두 배로 증가했다고 추정합니다.이렇게 짧은 기간 동안 신용이 급속도로 증가하는 것을 볼 때마다 우리의 관심을 끕니다.저는 민간 신용이라는 용어를 비은행 기관 에서 비롯된 민간 기업에 대한 대출을 설명하기 위해 사용합니다 .민간 기업은 일반적으로 부채 또는 주식 자금 조달을 위한 공공 자본 시장에 대한 접근성이 부족한 공개적으로 거래되는 주식이 없는 회사입니다.민간 기업에 대한 비은행 대출의 증가는 신용 접근성을 높였습니다.결과적으로 은행에서 대출을 받기 어려운 민간 기업은 민간 신용 제공업체의 대출을 통해 사업을 계속 성장시킬 수 있습니다.

가장 단순한 형태 중 하나인 사모 신용은 간단한 중개 과정을 거칩니다. 투자 기간이 매우 길고 유동성이 특별히 필요하지 않은 투자자는 사모 신용 펀드나 사업 개발 회사(BDC)와 같은 사모 신용 기구에 투자하고, 이 기구는 민간 기업에 대출을 제공합니다. 이러한 투자는 일반적으로 5년에서 7년, 또는 그 이상 동안 상환이 제한되거나 불가항력 상태가 됩니다. 사모 신용 기구는 투자자를 대신하여 실사를 수행하고 대출을 모니터링합니다. 사모 신용 기구는 이러한 대출을 모니터링할 강력한 인센티브를 가지고 있으며, 새로운 부실 상황에 유연하게 대응할 수 있습니다. 이러한 신중한 모니터링은 사모 기업이 공공 기업과 동일한 감사 및 공시 기준과 같은 공적 감시를 받지 않기 때문에 중요합니다. 이 모델은 장기 대출과 장기 자금을 매칭하고 기업이 유리한 조건으로 필요한 자금을 조달할 수 있도록 함으로써 금융 안정성을 강화하고 경제 성장을 확대할 수 있는 잠재력을 가지고 있습니다. 연체율 또한 낮고 수익률도 높았습니다.

그럼에도 불구하고, 우리는 렌즈를 확대하고 이 자금 조달 수단을 더욱 면밀히 검토해야 합니다. 최근 몇 년 동안 은행이나 보험 회사처럼 레버리지가 더 큰 주체들이 참여하는 더욱 복잡한 중개 체인이 생겨나는 것을 보아 왔습니다 .5일부 민간 기업은 자금 조달원이 여러 개일 수도 있습니다.

복잡성 증가와 레버리지 금융 기관과의 상호 연결은 사적 신용의 예상치 못한 손실이 더 넓은 금융 시스템으로 확산될 수 있는 경로를 더 많이 만들어냅니다. 최근 업계 동향은 그러한 손실 가능성과 금융 안정성 위험에 대해 무엇을 시사합니까? 저는 현재 사적 신용이 2008년 자산담보부 기업어음 시장처럼 예상치 못한 신용 경색에 기여할 가능성은 없다고 생각합니다.

하지만 이러한 상황 전개를 면밀히 주시하는 것은 매우 중요합니다. 채무 불이행률은 여전히 ​​낮지만, 이는 과거를 돌아보는 지표이며, 현물환(PIK), 대출 조건 변경, 그리고 부실채권 교환의 증가를 반영할 수도 있습니다. 최근 자동차 부문에서 발생한 민간 기업의 파산은 은행, 헤지펀드, 특수 금융 회사 등 다양한 금융 기관에서 예상치 못한 손실과 위험 노출을 드러냈습니다.

앞으로 더 많은 실패를 예상해야 할까요? 최근 실패 사례들을 예외적인 사례로 해석할 만한 몇 가지 이유가 있습니다. 저는 현재 민간 신용으로 인한 위험이 금융 안정에 위협이 된다고 생각하지 않습니다. 최근 실패한 기업들은 무역 및 이민 정책 변화에 더 많이 노출되었거나, 대차대조표 외 자금 조달을 더 많이 활용했거나, 다른 민간 기업보다 신용도가 낮았을 수 있습니다. 따라서 이러한 특정 사례에서 일반적인 교훈을 도출하기는 어렵습니다.

하지만 역사는 우리에게 교훈을 줍니다. 최근 뉴스에 보도된 것과 같은 사례가 추가로 발생할 가능성은 이러한 계약의 노출 규모와 복잡성 수준이 투명하지 않을 때, 해당 부문이 급속한 성장기를 겪을 때, 그리고 이러한 계약이 완전한 신용 사이클(호황과 불황)을 거치지 않았을 때 더욱 커집니다. 따라서 저는 이 부문의 동향과 이러한 대출 계약이 시간이 지남에 따라 어떻게 진화하는지 이해하는 데 계속해서 집중할 것입니다.

헤지펀드의 국채 시장 영향력
제가 주의 깊게 관찰하고 있는 또 다른 취약점은 미국 국채 시장에서 헤지펀드의 영향력입니다. 이 영향력은 지난 몇 년 동안 크게 증가했으며, 최근에는 팬데믹 이전 최고치를 넘어섰습니다. 제가 주목하는 것은 금융 시스템의 기능에 필수적인 미국 국채 시장으로의 스트레스 전이 가능성입니다. 미국 국채 시장은 세계에서 가장 크고 유동성이 높은 금융 시장입니다. 국채는 안전하고 유동적인 자산의 원천 역할을 함으로써 세계 금융 시스템 전반에 걸쳐 효율적이고 안정적인 자본 흐름을 가능하게 합니다. 국채 시장의 하루 평균 거래 규모는 약 9천억 달러이며, 최근 몇 년 동안 거래량이 많은 날에는 하루 약 1조 5천억 달러에 달했습니다. 6미국 국채 시장의 원활한 운영은 통화 정책의 전달과 이행에도 중요합니다.

헤지펀드가 보유한 국고채(국고채권, 어음, 채권)는 2021년 1분기에 발행된 총 국고채권의 약 4.6%에서 올해 1분기에는 10.3%로 증가했는데, 이는 팬데믹 이전 최고치인 9.4%보다 약간 높은 수치입니다 .7이는 시장 상황 변화로 인해 헤지펀드가 국채 포지션을 급격히 축소할 경우 발생할 수 있는 청산 규모가 상당히 증가함을 의미합니다. 팬데믹 초기, 다양한 시장 참여자들의 국채 매도가 한꺼번에 급증했던 "현금 확보 경쟁" 당시 우리는 이러한 상황을 목격했습니다. 8

헤지펀드 국채 포지션의 시장 상황 변화에 대한 민감도는 헤지펀드가 추구하는 국채 거래 전략에 따라 달라집니다. 직원 분석에 따르면, 헤지펀드 국채 포지션의 대부분은 상대 가치 거래 전략을 포함하고 있으며, 이러한 전략에는 여러 유형이 있습니다. 이러한 거래는 관련 증권(국채 현금 증권, 국채 파생상품, 금리 파생상품의 쌍 또는 조합) 간의 상대 가격 차이를 이용합니다. 물론, 스트레스 상황이 아닌 경우, 상대 가치 거래는 국채 및 관련 시장의 효율성과 유동성을 크게 향상시킵니다. 그러나 스트레스 상황에서는 이러한 거래에서 과밀 포지션이 청산될 경우 시장의 불안정성이 커질 수 있습니다.

상대 가치 거래 전략은 일반적으로 재무부 채권 시장의 취약성을 야기할 수 있는 주요 특징을 공유합니다. 9예를 들어, 상대 가치 거래는 작은 가격 차이에서 수익을 확대하기 위해 높은 레버리지를 사용하는데, 이러한 거래는 일반적으로 거래 만기보다 단기적인 레포(Repo)로 자금을 조달하여 만기 불일치를 초래합니다. 결과적으로 이러한 전략은 레포 시장의 불안정성으로 인해 발생할 수 있는 상당한 자금 조달 위험에 노출됩니다. 현금-선물 베이시스 거래 및 스왑-스프레드 거래와 같은 파생상품 계약을 포함하는 상대 가치 거래는 증가된 최소 증거금 요건을 충족하기 위해 추가 유동성이 필요할 때 마진콜에 더욱 노출됩니다. 이러한 부정적인 자금 조달 충격은 시장 변동성 발생이나 거래에 불리한 상대 가격 변동으로 인해 발생할 수 있습니다. 갑작스러운 자금 조달 충격은 헤지펀드 포지션 청산을 촉발하여 상당한 국채 매도와 시장 유동성 부족으로 이어질 수 있습니다. 상대 가격 변동으로 인한 변동성 증가 및 손실은 헤지펀드가 위험 관리상의 이유로 거래를 청산하도록 유도할 수 있으며, 이는 또한 대규모 국채 매도로 이어질 수 있습니다. 10상대적 가치 전략의 이러한 모든 특징은 국채 시장의 유동성 상황을, 그리고 극단적으로는 시장 기능을 스트레스에 더 취약하게 만들 수 있습니다.

시장 변동성 발생 시 상대 가치 거래의 청산이 불가피한 것은 아니며, 실제로 이러한 거래가 청산되는 경우는 드뭅니다. 아시다시피, 스왑-스프레드 거래(국채와 금리 스왑 간의 상대 가치 거래)는 4월 시장 변동성이 고조되는 동안 청산되었습니다. 거래의 핵심인 증권의 상대 가격이 거래에 불리하게 움직였기 때문입니다. 그럼에도 불구하고 다른 상대 가치 거래는 그대로 유지되었습니다. 특히 현금-선물 베이시스 거래에서 두드러졌는데, 이는 해당 기간 동안 레포 시장이 질서정연하게 유지되었다는 사실을 반영합니다. 11그럼에도 불구하고, 상대적 가치 거래의 규모가 크지 않다는 점은 시장 유동성 부족의 잠재적 원인으로 남아 있습니다.

금융 서비스에서의 AI 활용
AI의 급속한 발전이 금융 안정에 미칠 수 있는 잠재적 영향에 대해 오늘 마지막 주제로 다루겠습니다. 화학과 생물학의 과학 혁명이 생명을 구하는 의약품과 더욱 강력한 무기를 탄생시켰듯이, 최근 AI의 발전은 유토피아에서 종말에 이르기까지 광범위한 예측을 불러일으켰습니다. 지금까지 이론과 제한된 증거는 AI가 금융 안정에 미칠 수 있는 잠재적 영향에 대해 어떤 정보를 제공하고 있을까요? 생각을 정리하기 위해 이 질문의 한 측면, 즉 금융 시장의 알고리즘 트레이딩에 AI를 활용하는 것과 그것이 금융 안정에 미치는 영향을 간략하게 살펴보겠습니다.

물론, 정교한 컴퓨터 기반 거래 알고리즘은 새로운 것이 아닙니다. 트레이더들은 수십 년 동안 머신러닝과 기타 고급 통계 도구를 사용해 왔습니다. 이제 많은 주요 금융 시장에서 거래는 알고리즘에 크게 의존하고 있습니다. 12하지만 트레이딩에 생성 AI를 도입하는 것은 기존과 다르며 새로운 과제를 안겨줍니다. 유연성이 제한된 사전 프로그래밍된 알고리즘과 달리, 생성 AI는 방대한 양의 데이터를 신속하게 검토한 후 인간이 이해하기 어려울 수 있는 트레이딩 전략을 자율적으로 적용할 수 있습니다. 신중한 테스트와 인간의 감독 없이 생성 AI를 사용할 경우, 모니터링이나 완화가 어려운 위험이 발생할 수 있습니다. 트레이딩에 생성 AI를 적용하면, 특히 덜 엄격한 모델이 가격을 불안정하게 만드는 것이 아니라 안정화하는 방식으로 조정될 수 있다면, 현재의 알고리즘 트레이딩 활동을 개선할 수 있습니다. 두 가지 모두에 대한 초기 증거가 있습니다.

상관관계 거래와 허딩
연구자들은 거래에 생성 AI를 적용하는 것이 상관관계가 더 높은 거래로 이어지는지, 아니면 낮은 거래로 이어지는지에 대한 연구를 막 시작했습니다. 그럼에도 불구하고, 지금까지의 연구는 몇 가지 유용한 통찰력을 제공합니다. 이론과 실증적 증거에 따르면, 공통 신호에 반응하는 고빈도 거래(HFT) 알고리즘의 독립적이지만 동시적인 행동은 실제로 과도한 변동성과 가격 왜곡을 유발하여 시장 효율성을 저하시킬 수 있습니다. 13모든 알고리즘이 동일하게 만들어진 것은 아닙니다. 연구에 따르면 HFT(고속 투자)를 통한 상관관계 거래가 변동성을 증가시키지 않고도 가격 발견을 개선한 사례도 있습니다. 14연구에 따르면 널리 사용되는 중재 전략이 분산된 시장에서 잘못된 가격 책정을 없애는 데 도움이 되는 것으로 나타났습니다. 15다시 말해, 알고리즘에 따른 상관관계 거래는 때때로 시장 품질과 효율성에도 도움이 될 수 있습니다.

연준 경제학자들이 실시한 최근 ​​실험 연구에 따르면, 생성적 AI에 의존하는 알고리즘 전략은 인간 트레이더보다 군집 행동(개인 정보를 무시하고 타인을 모방하는 것을 의미)에 덜 취약할 수 있습니다. 이 실험에서 AI 에이전트는 인간의 투자 결정을 좌우하는 인지 편향의 영향을 덜 받았습니다. 16

담합, 시장 조작, 그리고 집중
연구자들은 또한 생성 AI가 담합과 시장 조작에 관여하여 해당 기술을 사용하는 사람들에게 유리하도록 시스템을 조작할 수 있는 위험을 지적해 왔습니다. 최근 이론적 연구에 따르면 일부 AI 기반 거래 알고리즘은 명시적인 협력이나 의도 없이도 담합하는 법을 학습하여 경쟁과 시장 효율성을 저해할 수 있습니다. 17그러나 다른 이들은 담합 가능성이 모든 트레이더가 매우 유사한 알고리즘을 사용한다는 가정에 근거한다고 주장합니다. 그들은 알고리즘 트레이더들이 서로 담합할 때 담합하지 않는 것이 매우 수익성이 높을 수 있기 때문에, 자신의 거래 전략을 차별화하려는 강한 유인을 가지고 있다고 주장합니다. 18따라서 이러한 견해에 따르면, 실제 금융 시장에서 암묵적인 알고리즘 공모가 발생할 가능성은 매우 낮습니다.

담합 외에도 AI 거래 시스템이 시장 조작 방법을 학습할 수 있다는 우려스러운 가능성도 있습니다. 최근 이론 연구에 따르면, 자가 학습 및 수익 극대화 알고리즘이 의도치 않게 스푸핑 전략을 발견할 수 있습니다. 즉, 실행 의도가 없는 대량 주문을 내어 시장 수요에 대한 잘못된 인상을 심어주는 것입니다. 19잠재적으로 일부 새로운 AI 시스템은 기존의 부정직한 인간 트레이더보다 더 높은 수준의 불투명성으로 작동하고, 더 복잡한 거래를 실행하며, 조작 의도를 더 잘 숨길 수 있습니다. 또한, 복잡한 AI 모델에서 얻은 결과를 인간 전문가가 설명하거나 합리화하기 어려울 수 있다는 우려, 즉 "블랙박스" 문제가 커지고 있습니다. 20알고리즘으로 실행된 거래를 완전히 감사할 수 없기 때문에 거래소와 규제 기관의 감시가 더욱 어려워집니다.

여기서 좋은 소식은 주요 전자 거래 플랫폼도 시장 조작과 공모 행위를 감지하기 위해 고급 머신 러닝 기술을 빠르게 채택하고 있다는 것입니다. 21향상된 감시 기능 덕분에 AI 기술은 궁극적으로 시장 건전성을 강화하고 시장 유동성을 향상시킬 수 있습니다. 거래소들은 AI 기반 거래 알고리즘과 관련된 "블랙박스" 문제로 인한 위험을 완화하기 위한 조치를 취하고 있습니다. 예를 들어, 시카고상품거래소(CME)는 최근 회원들에게 CME 시장에서 알고리즘이 내린 모든 결정이나 행동을 완전히 설명하고 재현할 수 있어야 한다고 강조했습니다. 22이러한 이니셔티브는 주요 거래소에서 직접 거래 실행을 위한 생성 AI 및 기타 확률적 알고리즘의 배포를 제한할 수 있습니다.

마지막으로, 거래 알고리즘에 생성적 AI를 도입하면 높은 투자 장벽으로 인해 집중도가 높아질 수 있는지(한 유동성 공급자가 25,000개의 GPU를 사용하고 수십억 달러 규모의 인프라를 구축한 사례에서 볼 수 있듯이) 아니면 이전에는 대형 기관에만 국한되었던 정교한 기능에 대한 접근성을 민주화하여 집중도가 낮아질 수 있는지에 대한 논쟁도 커지고 있습니다 .23

종합적으로 볼 때, 주의 깊게 살펴봐야 할 분야가 나타났고, 이 새로운 기술로부터 우리가 이익을 얻을 수 있는 잠재적인 방법도 나타났습니다.

결론
다시 제 더 광범위한 주제로 돌아가서, 금융 시스템은 여전히 ​​회복력을 유지하고 있습니다. 그러나 자산 가치 상승, 사모 신용 시장의 성장과 복잡성, 그리고 헤지펀드 활동이 국채 시장 혼란에 기여할 가능성으로 인한 취약성은 주목할 만한 부분입니다. 이러한 새로운 취약성은 매우 중요한 기술 변화라는 배경 속에서도 발생합니다. 이러한 혁신은 궁극적으로 금융 안정성을 향상시킬 수 있지만, 신중하고 계획적인 방향 전환이 필요한 변화와 잠재적 과제를 수반하기도 합니다. 앞으로 저는 동료들과 협력하여 이러한 기회와 취약성을 극복하고 금융 시스템이 강하고 회복력을 유지할 수 있도록 하는 데 집중할 것입니다.

감사합니다.

---

1. 여기에 표현된 견해는 저의 개인적인 견해이며, 연방준비제도이사회나 연방공개시장위원회 동료들의 견해와 반드시 일치하는 것은 아닙니다. 본문으로 돌아가기

2. 금융 위기는 디플레이션으로 이어질 수 있으며, 디플레이션으로 인해 금융 시스템에 추가적인 악영향을 미칠 수 있습니다. 디플레이션은 실질 부채 부담 증가로 이어져 기업(및 가계)의 파산을 초래하고, 이는 결국 지출과 생산을 감소시킬 수 있습니다. 이러한 경제 활동 감소는 해고와 추가적인 물가 하락, 즉 디플레이션 악순환으로 이어질 수 있습니다. 이러한 과정은 대공황 이후 1930년대 미국에서 발생했으며, 1990년대 은행 위기 이후 일본에서도 발생했습니다. 이 두 가지 사례에 대한 요약은 John C. Williams(2009), "The Risk of Deflation", FRBSF Economic Letter 2009-12(샌프란시스코: 샌프란시스코 연방준비은행, 3월)를 참조하십시오. 본문으로 돌아가기

3. Ralf R. Meisenzahl(2017), "Auto Financing During and After the Great Recession," FEDS Notes(워싱턴: 연방준비제도이사회, 6월 22일) 참조. 본문으로 돌아가기

4. Tobias Adrian, Daniel Covitz, Nellie Liang(2015), "Financial Stability Monitoring", Annual Review of Financial Economics , vol. 7 (12월), pp. 357–95 참조. 본문으로 돌아가기

5. Jose Berrospide, Fang Cai, Siddhartha Lewis-Hayre, and Filip Zikes (2025), "Bank Lending to Private Credit: Size, Characteristics, and Financial Stability Implications," FEDS Notes (워싱턴: 연방준비제도이사회, 5월 23일); 및 Sydney Carlino, Nathan Foley-Fisher, Nathan Heinrich, and Stéphane Verani (2025), "Life Insurers' Role in the Intermediation Chain of Public and Private Credit to Risky Firms," ​​FEDS Notes (워싱턴: 연방준비제도이사회, 3월 21일). 본문으로 돌아가기

6. 금융산업규제청(Financial Industry Regulatory Authority, 2025), "재무부 일일 종합 통계" (2025년 11월 17일 접속). 본문으로 돌아가기

7. 헤지펀드의 재무부 보유 자산 데이터는 위원회 웹사이트( https://www.federalreserve.gov/releases/efa/efa-hedge-funds.htm )에서 확인할 수 있습니다 . 민간이 보유한 재무부 채권의 시장 가치는 https://www.dallasfed.org/research/econdata/govdebt 에서 확인할 수 있습니다 . 본문으로 돌아가기

8. Daniel Barth 및 R. Jay Kahn(2025), "Hedge Funds and the Treasury Cash-Futures Basis Trade," Journal of Monetary Economics , vol. 155 (October), 103823; Mathias S. Kruttli, Phillip J. Monin, Lubomir Petrasek, Sumudu W. Watugala(2025), "LTCM Redux? Hedge Fund Treasury Trading, Funding Fragility, and Risk Constraints," Journal of Financial Economics , vol. 169 (July), 104017; Andreas Schrimpf, Hyun Song Shin, Vladyslav Sushko(2020), "Leverage and Margin Spirals in Fixed Income Markets during the Covid-19 Crisis," BIS Bulletin 2(Basel, Switzerland: Bank for International Settlements, April). 텍스트로 돌아가기

9. Emil N. Siriwardane, Adi Sunderam, Jonathan Wallen(2025), "Segmented Arbitrage", The Journal of Finance , vol. 80 (5), pp. 2543–90; Jefferson Duarte, Francis A. Longstaff, Fan Yu(2007), "Risk and Return in Fixed-Income Arbitrage: Nickels in Front of a Steamroller?", The Review of Financial Studies , vol. 20 (3), pp. 769–811 참조. 또한 Ayelen Banegas, Phillip Monin(2023), "Hedge Fund Treasury Exposures, Repo, and Margining", FEDS Notes(워싱턴: 연방준비제도이사회, 9월 8일) 참조. 본문으로 돌아가기

10. Kruttli, Monin, Petrasek, Watugala, "LTCM Redux? 헤지펀드 국채 거래, 자금 조달 취약성 및 위험 제약"(각주 8 참조) 참조. 본문으로 돌아가기

11. Roberto Perli(2025)의 "재무부 시장 유동성 및 자금 조달 조건의 최근 동향", 제8회 단기 자금 조달 시장 컨퍼런스(워싱턴, 5월 9일)에서의 발언을 참조하십시오. 본문으로 돌아가기

12. Andrei A. Kirilenko와 Andrew W. Lo(2013), "Moore's Law versus Murphy's Law: Algorithmic Trading and Its Discontents", Journal of Economic Perspectives , vol. 27 (2), pp. 51–72; Maureen O'Hara(2015), "High Frequency Market Microstructure", Journal of Financial Economics , vol. 116 (2), pp. 257–70 참조. 본문으로 돌아가기

13. Robert A. Jarrow 및 Philip Protter(2012), "전자 시장에서 고주파 거래의 기능 장애 역할", International Journal of Theoretical and Applied Finance , vol. 15(3), 1250022 참조. 본문으로 돌아가기

14. Alain P. Chaboud, Benjamin Chiquoine, Erik Hjalmarsson, Clara Vega(2014), "Rise of the Machines: Algorithmic Trading in the Foreign Exchange Market", Journal of Finance , vol. 69 (5), pp. 2045–84; Evangelos Benos, James Brugler, Erik Hjalmarsson, Filip Zikes(2017), "Interactions Among High-Frequency Traders", Journal of Financial and Quantitative Analysis , vol. 52 (4), pp. 1375–402 참조. 본문으로 돌아가기

15. Albert Menkveld와 Bart Zhou Yueshen(2019), "The Flash Crash: A Cautionary Tale about Highly Fragmented Markets," Management Science , vol. 65 (10), pp. 4470–88; Dobrislav Dobrev와 Ernst Schaumburg(2016), " High-Frequency Cross-Market Trading and Market Volatility," 뉴욕 연방준비은행, Liberty Street Economics (블로그), 2월 17일 참조. 본문으로 돌아가기

16. Anne Lundgaard Hansen과 Seung Jung Lee(2025), "생성적 AI의 금융 안정성에 미치는 영향: 동물적 본능 길들이기", Finance and Economics Discussion Series 2025-090 (워싱턴: 연방준비제도이사회, 9월). 본문으로 돌아가기

17. Álvaro Cartea, Patrick Chang, Mateusz Mroczka, Roel Oomen(2022), "AI Liquidity Provision in OTC Markets," Quantitative Finance , vol. 22 (12), pp. 2171–204; Winston Wei Dou, Italy Goldstein, Yan Li(2025), "AI 기반 거래, 알고리즘 담합, 그리고 가격 효율성," NBER Working Paper Series 34054(매사추세츠주 케임브리지: National Bureau of Economic Research, 7월) 참조. 본문으로 돌아가기

18. Laura Veldkamp(2024), "'AI 기반 거래, 알고리즘 담합, 그리고 가격 효율성'에 대한 논의" , NBER Summer Institute 2024: Asset Pricing, 매사추세츠주 케임브리지, 7월 11일~12일 참조. 본문으로 돌아가기

19. Álvaro Cartea, Patrick Chang, Gabriel García-Arenas(2025), "Spoofing and Manipulating Order Books with Learning Algorithms" 참조. 출처: https://ssrn.com/abstract=4639959. 본문으로 돌아가기

20. Alessio Azzuti, Wolf-Georg Ringe, H. Siegfried Stiel(2022), "기계 학습, 시장 조작 및 자본 시장의 담합: '블랙박스'의 중요성", University of Pennsylvania Journal of International Law , vol. 43 (1), pp. 79–135 참조. 본문으로 돌아가기

21. Pedro Gurrola-Perez와 Kaitao Lin(2024), "An Analysis of Market Manipulation Definitions around the World", 연구 보고서(런던: 세계거래소연맹, 6월) 참조. 본문으로 돌아가기

22. CME 그룹의 "시장 규제 권고 공지"는 https://www.cmegroup.com/content/dam/cmegroup/notices/market-regulation/2024/07/CME-Group-RA2403-5.pdf에서 확인하실 수 있습니다. 본문으로 돌아가기

23. Anna Irrera 및 Justina Lee(2025), "Billionaire Trader Alex Gerko의 XTX로 €10억 데이터 허브 구축", Bloomberg, 1월 22일 참조 .

최종 업데이트: 2025년 11월 20일