NOII Revision-Velocity Auction Slippage Playbook

Close Auction 슬리피지를 “최종 프린트”가 아니라 “초당 불균형 갱신 과정”으로 모델링하기

Why this note: 종가 경매 슬리피지는 단순히 MOC/LOC 제출 시점만으로 설명되지 않는다. 실제 실전에서는 NOII(불균형/예상 체결가)의 갱신 속도와 방향 전환 빈도가 tail cost를 좌우한다.

1) Failure Mode in One Sentence

종가 경매를 단일 이벤트(4:00 프린트)로 취급하면, 마지막 5분의 불균형 갱신 동학을 놓쳐 p95/p99 슬리피지를 구조적으로 과소추정한다.

2) Cost Decomposition (Auction Window 전용)

잔여 수량 (Q_t)를 15:50~16:00 구간에서 처리한다고 할 때:

[ \mathbb{E}[IS_t] = C_{entry} + C_{imb} + C_{print} + C_{residual} ]

• (C_{entry}): 주문 진입 시점/유형(MOC, LOC, IO 등) 선택 비용
• (C_{imb}): 경매 중 불균형 갱신(NOII revision) 경로에 대한 노출 비용
• (C_{print}): 실제 uncross(종가)에서 발생하는 체결 가격 비용
• (C_{residual}): 미체결/부분체결 시 16:00 이후 보정 집행 비용

핵심은 (C_{imb})를 별도 항으로 분리하는 것이다. 이 항을 무시하면 모델은 평균은 맞춰도 꼬리(tail)에서 무너진다.

3) 왜 “Revision Velocity”가 핵심인가

Nasdaq은 close imbalance 정보를 15:50부터 제공하고(과거 15:55 대비 조기화), 빈도도 더 촘촘하게(초단위) 제공해 왔다. 즉, 경매는 정적 book이 아니라 고빈도 정보 갱신 프로세스다.

실무적으로는 다음이 중요하다:

• Revision Velocity: (|\Delta imbalance|)의 초당 변화량
• Sign Flip Rate: 불균형 부호 전환(매수↔매도) 빈도
• Indicative Price Jitter: 예상 체결가(참조가)의 짧은 구간 분산
• Staleness: 수신 지연/드랍으로 관측 상태가 실제 상태보다 뒤처진 정도

동일한 최종 불균형 크기라도, 도달 경로(path)에 따라 체결 품질은 크게 달라진다.

4) 마이크로구조 관찰과 모델 함의

A) Auction impact는 구간별로 비선형

연구(Paris auction 데이터)에서 추가 주문 충격은 대체로

1. 초기 zero-impact,
2. 중간 구간 linear,
3. 대량 구간 super-linear 형태를 보인다.
   → 라우터에서 “한 방에 크게 넣기” 정책은 특정 임계 이후 급격히 불리해질 수 있다.

B) 이벤트 가속 + 잠재 유동성 누적

closing 시점이 가까워질수록 이벤트율이 빨라지고 indicative 주변 유동성이 쌓이는 패턴이 관측된다.
→ 단순히 “늦게 넣으면 무조건 나쁨”이 아니라, 상태 변수(가속/누적/변동성) 조건부로 판단해야 한다.

C) 꼬리 리스크는 market order 자체 크기와 1:1이 아님

closing auction tail 연구는 큰 변동이 항상 큰 시장가 물량에서만 오는 게 아님을 보여준다.
→ imbalance 해소 구조(반대편 유동성 반응)가 깨질 때 tail이 두꺼워질 수 있다.

D) 영향의 일시/영속 분해 필요

Nasdaq vs NYSE 비교 연구는 closing auction impact의 일시 성분이 수일(대략 3~5일) 동안 소화되는 패턴을 보고한다.
→ TCA에서 당일 종가만 보면 과소평가될 수 있어, 사후 markout 창을 분리해 봐야 한다.

5) Production Feature Set (실전 우선순위)

Auction-state features

• seconds_to_close
• paired_shares
• imbalance_shares
• imbalance_side
• indicative_price

Dynamics features (핵심)

• imbalance_delta_1s, imbalance_delta_5s
• rev_velocity_ema (EMA of |Δimbalance|)
• sign_flip_count_30s
• indicative_jitter_bps_10s
• paired_growth_rate_10s

Reliability features

• noii_gap_ms (최근 업데이트 이후 경과)
• feed_drop_count_60s
• clock_skew_ms

Execution-context features

• residual_notional_to_cadv
• deadline_slack_sec
• loc_price_distance_bps (LOC 한정)

6) Two-Stage Modeling Stack

Stage A — Auction State Nowcast

목표:

• 최종 경매가 분포 (P(P_{close}|state_t))
• 체결률 분포 (P(fill_ratio|state_t, action_t))

권장:

• Quantile model(q50/q90/q97.5)
• 상태 전환(가속/안정)용 간단한 HMM 또는 tree-based classifier

Stage B — Action-Conditional Cost Model

각 액션(추가 MOC, LOC 조정, 대기)에 대해:

[ Score(a_t)=\mathbb{E}[IS|a_t] + \lambda,CVaR_{\alpha}(IS|a_t) + \eta,P(residual|a_t) ]

• 평균 IS만 최소화하지 말고, CVaR와 잔량확률을 함께 패널티 처리
• 상태가 불안정할수록(고 velocity, high jitter) (\lambda)를 키우는 동적 리스크 버짓 적용

7) Control Policy (운영 룰)

15:50–15:55 (초기 윈도우)

• 정보 수집 + 낮은 강도 참여
• revision velocity가 낮고 paired growth가 안정적일 때만 공격도 상향

15:55–15:58 (결정 구간)

• sign_flip_rate 급등 시 과도한 방향 베팅 금지
• LOC 가격 오프셋은 불확실성 밴드(예: q90~q10) 기반으로 제한

15:58–16:00 (테일 구간)

• cadence를 고정 주기에서 상태 기반 주기로 전환
• feed staleness 상승 시 수동적 가격개선 전략 축소, completion 우선
• 대형 단일 증분 주문 대신 분할 증분(impact kink 회피)

8) KPIs & Guardrails

1. RVI: Revision Velocity Index (표준화)
2. SFR: Sign Flip Rate (30s)
3. AJS: Auction Jitter Spread (indicative 변동성)
4. TCC95: Tail Closing Cost p95/p99
5. RNR: Residual Notional Ratio (after auction)
6. FSS: Feed Staleness Score

릴리즈 게이트(예시):

• TCC95 개선 + RNR 악화 없음
• FSS 상승 시 자동 보수모드 전환 동작 검증
• 종가+1m/+5m/+1d markout 일관 개선

9) 빠른 구현 체크리스트

[ ] NOII/imbalance raw stream을 초단위 시계열로 저장
[ ] revision velocity / sign flip / jitter 파생피처 추가
[ ] Stage A(가격/체결률 분포) + Stage B(행동별 비용) 분리 학습
[ ] 점수함수에 CVaR + residual penalty 포함
[ ] 15:58 이후 tail-mode 정책(분할 증분, completion 우선) 적용
[ ] TCC95/RNR/FSS 모니터링 및 자동 롤백 조건 설정

References

• Nasdaq Trader, The NASDAQ Opening and Closing Crosses (NOII dissemination window, order types):
  https://nasdaqtrader.com/Trader.aspx?id=OpenClose
• Nasdaq (Ed Coughlin), Automation and Information Produce Efficient Price Discovery in Nasdaq’s Auction Process (NOII 조기/고빈도 배포, 운영 맥락):
  https://www.nasdaq.com/articles/automation-and-information-produce-efficient-price-discovery-in-nasdaqs-auction-process
• NYSE Data Insights (Choey Li, 2023), Closing Auction: Immediate market impact, price drift and transaction cost of trading (imbalance 변화 vs 즉시 영향/CADV 임계):
  https://www.nyse.com/data-insights/closing-auction-immediate-market-impact-price-drift-and-transaction-cost-of-trading
• Salek, Challet, Muni Toke (2023), Price impact in equity auctions: zero, then linear:
  https://arxiv.org/abs/2301.05677
• Salek, Challet, Muni Toke (2024), Equity auction dynamics: latent liquidity models with activity acceleration:
  https://arxiv.org/abs/2401.06724
• Derksen et al. (2020), Heavy tailed distributions in closing auctions:
  https://arxiv.org/abs/2012.10145
• Jegadeesh & Wu (2022), Closing auctions: Nasdaq versus NYSE (JFE abstract/metadata):
  https://ideas.repec.org/a/eee/jfinec/v143y2022i3p1120-1139.html

TL;DR

종가 경매 슬리피지는 “최종 불균형 크기”보다 불균형 갱신 경로의 속도/전환/지연에 더 민감하다.
실전에서는 NOII revision dynamics를 분리 모델링(상태 nowcast + 행동별 비용)하고, 마지막 2분은 tail-mode 제어로 전환해야 p95/p99를 줄일 수 있다.