2026-07-10 Overnight AI Research

Summary

Overnight Thesis: 오늘 밤의 가장 중요한 문장은 “edge는 signal에서 생겨도 계좌에는 execution, liquidity, tail, governance, and physical constraint를 통과한 뒤에만 남는다”다.
World model update: 첫째, market microstructure는 평균 liquidity보다 tail liquidity와 adverse selection이 더 중요해지는 방향이다. 둘째, crypto는 BTC institutional liquidity anchor와 altcoin liquidity desert가 분리되는 hierarchy로 이동 중이며, stablecoin and tokenized asset rails는 24/7 settlement layer로 커지고 있다. 셋째, AI infrastructure cycle은 chip shortage story에서 power, permitting, onsite generation, depreciation, cost per token story로 확장되고 있다.
Trading-process lessons: 첫째, 모든 signal은 execution score와 liquidity demand score를 통과해야 한다. 둘째, position size는 conviction이 아니라 fractional Kelly, drawdown budget, hidden dependence, macro liquidity ceiling, and overnight gap budget의 minimum으로 정해야 한다. 셋째, AI or quantitative model output은 point forecast가 아니라 tail coverage, calibration, governance boundary, and human veto rule로 관리해야 한다.
Henry-specific caution: 첫째, SOXL, MSTU 같은 3x exposure는 방향이 맞아도 path dependency와 overnight tail에서 손상될 수 있다. 둘째, BTC or crypto narrative가 강할수록 ETF flow, basis, funding, stablecoin velocity, order-book depth를 함께 보지 않으면 FOMO가 된다. 셋째, AI infrastructure narrative는 장기적으로 맞아도 power bottleneck and capex financing stress 때문에 entry timing과 size를 과대평가하기 쉽다.
Signals to monitor: post-trade markout and adverse fill ratio, liquidity depth skewness and quote fade, RRP and TGA with repo stress, BTC 1% depth versus altcoin 2% depth drawdown, AI datacenter load approval rate and onsite generation orders.
Do not trade directly from this: 이 clipping은 direction call이 아니다. 자료는 framework and sensor를 강화하기 위한 것이며, 실제 주문 전에는 Henry 계좌의 current exposure, stop route, liquidity condition, macro event calendar, and execution plan을 별도로 계산해야 한다.

Raw Briefing

[01:00 KST] Market Simulation under Adverse Selection

URL: https://arxiv.org/abs/2409.12721
Source Type: paper
Domain: execution | microstructure
Trading Relevance: 9
Time Horizon: intraday
Actionability: study
Henry Risk Link: execution | liquidity | sizing
Why it matters: Henry가 단기 매매나 leveraged ETF 진입을 검토할 때 backtest 수익률보다 fill quality와 adverse fill을 먼저 의심해야 한다. 이 논문은 short-term strategy simulation이 fill probability와 adverse selection을 독립적으로 처리하면 성과를 과대평가할 수 있음을 정면으로 지적한다. 특히 Henry의 대형 베팅은 체결 비용이 보이지 않는 순간 기대값이 무너질 수 있다.
Raw excerpt / abstract: arXiv abstract says the paper studies “the effects of fill probabilities and adverse fills on the trading strategy simulation process” and provides evidence that “fill probabilities and adverse fills can significantly affect performance.” It warns that simulating price processes and market orders independently “has the ability to largely inflate the performance of a short-term style trading strategy.”
Cold read: 실행 품질은 정보 품질의 하위 항목이 아니라 별도 alpha destruction channel이다. signal이 맞아도 실제 체결이 나쁜 가격과 나쁜 queue state에서만 발생하면 edge는 사라진다.
Trading insight: Henry의 pre-trade checklist에 expected slippage만 넣지 말고 adverse fill scenario를 넣어야 한다. 특히 손절선 근처, 장초반, news candle, thin liquidity에서는 entry 자체를 낮은 Kelly fraction으로 강등해야 한다.
Change sensor: bid-ask spread widening, order book depth collapse, quote fade after marketable order, stop cluster 근처 체결 품질.
Follow-up question: Henry의 실제 주문 로그에서 favorable fill과 adverse fill을 분리하면 전략별 기대값이 얼마나 달라지는가?

[01:00 KST] Deep Limit Order Book Forecasting

URL: https://arxiv.org/abs/2403.09267
Source Type: paper
Domain: microstructure | execution
Trading Relevance: 8
Time Horizon: intraday
Actionability: study
Henry Risk Link: execution | liquidity | narrative
Why it matters: LOB forecasting 모델의 accuracy가 높아도 tradeable signal이 아닐 수 있다는 경고가 핵심이다. Henry가 AI 모델, quant signal, screen result를 볼 때 “맞히는 능력”과 “돈이 되는 체결 가능성”을 분리해야 한다. 이것은 정보 우위와 실행 우위가 다른 게임이라는 점을 다시 확인시킨다.
Raw excerpt / abstract: The abstract says the authors release LOBFrame and find that “stocks’ microstructural characteristics influence the efficacy of deep learning methods” and that “high forecasting power does not necessarily correspond to actionable trading signals.” They propose evaluating predictions by “focusing on the probability of accurately forecasting complete transactions.”
Cold read: prediction market이 아니라 execution market이다. mid-price 방향을 맞혀도 spread, queue, fill, fees, latency를 통과하지 못하면 실전 edge가 아니다.
Trading insight: Henry의 screen-to-entry pipeline에서 signal score와 execution score를 분리해야 한다. signal이 좋아도 complete transaction probability가 낮으면 position size를 줄이거나 진입을 보류하는 것이 합리적이다.
Change sensor: signal hit rate와 realized PnL divergence, entry 후 immediate adverse excursion, fill ratio, quote-to-trade instability.
Follow-up question: Henry의 후보 종목에 대해 “signal confidence”와 “execution confidence”를 별도 점수로 기록하면 손실 거래를 더 빨리 걸러낼 수 있는가?

[01:00 KST] Compounding Effects in Leveraged ETFs: Beyond the Volatility Drag Paradigm

URL: https://arxiv.org/abs/2504.20116
Source Type: paper
Domain: risk-sizing
Trading Relevance: 10
Time Horizon: swing | cycle
Actionability: study
Henry Risk Link: leverage | sizing | regime
Why it matters: Henry의 SOXL, MSTU 같은 leveraged ETF 사고에서 핵심은 단순한 volatility decay 공포가 아니라 regime 식별이다. 논문은 LETF 성과가 volatility drag 하나로 결정되지 않고 return autocorrelation, trend, mean reversion, volatility clustering에 좌우된다고 말한다. 이는 leveraged ETF를 들고 갈 때 “상승장이라 괜찮다”가 아니라 trend persistence와 mean-reversion risk를 수치로 봐야 한다는 뜻이다.
Raw excerpt / abstract: The paper says the common belief that LETFs suffer long-term decay due to volatility drag is “incomplete.” It argues LETF performance depends on “return autocorrelation, volatility clustering, and regime persistence” and that “trends enhance returns, while mean reversion induces underperformance.”
Cold read: 3x ETF의 적은 변동성이 아니라 잘못된 regime에서 과도한 exposure다. 강한 trend persistence가 있으면 compounding이 friend이고, chop과 mean reversion이면 compounding이 enemy다.
Trading insight: Henry의 leveraged ETF position size는 conviction narrative가 아니라 realized volatility, autocorrelation, trend persistence, drawdown budget의 함수여야 한다. 같은 3x라도 trend regime에서는 hold, chop regime에서는 reduce 또는 tactical trade가 맞다.
Change sensor: rolling autocorrelation, realized volatility clustering, trend breadth, moving average whipsaw count, underlier 대비 LETF tracking divergence.
Follow-up question: SOXL과 MSTU에 대해 최근 20, 60, 120 trading day autocorrelation과 realized volatility를 계산하면 현재 regime은 trend-friendly인가 mean-reverting인가?

[01:00 KST] SEC Updated Investor Bulletin: Leveraged and Inverse ETFs

URL: https://www.sec.gov/investor/pubs/leveragedetfs-alert
Source Type: official
Domain: risk-sizing | cognition
Trading Relevance: 9
Time Horizon: swing | cycle
Actionability: now
Henry Risk Link: leverage | FOMO | sizing
Why it matters: 공식 규제기관의 경고는 Henry의 3x ETF 보유에 직접 연결된다. SEC는 대부분 leveraged and inverse ETFs가 daily objective를 위해 설계되어 있으며 하루 이상 기간의 성과가 기초자산 multiple과 크게 다를 수 있다고 경고한다. 이 경고는 매수 금지가 아니라 sizing, holding period, 손절 규칙을 엄격히 하라는 리스크 언어다.
Raw excerpt / abstract: SEC says leveraged and inverse ETFs “typically are designed to achieve their stated performance objectives on a daily basis.” It warns that performance over longer than one day “can differ significantly” from daily objectives and may expose investors to “significant and sudden losses.” It also gives examples where a 3x ETF fell 53% while the underlying index gained around 8% over the same period.
Cold read: leveraged ETF는 방향성 상품이면서 동시에 path-dependent volatility product다. Henry가 맞는 방향을 잡아도 경로가 나쁘면 손실이 발생할 수 있다.
Trading insight: 3x ETF는 entry price보다 holding rule이 중요하다. Henry는 진입 전 “이 포지션을 하루 이상 들고 갈 수 있는 regime 근거”와 “어떤 volatility regime에서 강제 축소할지”를 미리 정해야 한다.
Change sensor: realized volatility spike, underlier flat but LETF drawdown, daily reset drag, overnight gap frequency, position heat.
Follow-up question: Henry 포트폴리오에서 3x ETF의 최대 허용 heat를 계좌 전체 기준 몇 퍼센트로 제한해야 risk of ruin을 낮출 수 있는가?

[01:00 KST] FRED WALCL and RRPONTSYD: Fed Balance Sheet and RRP Buffer

URL: https://fred.stlouisfed.org/series/WALCL and https://fred.stlouisfed.org/series/RRPONTSYD
Source Type: official
Domain: macro-liquidity | capital-markets
Trading Relevance: 8
Time Horizon: cycle
Actionability: monitor
Henry Risk Link: liquidity | correlation | regime
Why it matters: macro liquidity는 단일 가격 예측 도구가 아니라 risk appetite의 background condition이다. FRED 기준 Fed total assets는 2026-07-01에 6,724,564 million USD이고 overnight reverse repo는 2026-07-08에 3.347 billion USD로 표시된다. RRP buffer가 사실상 낮아진 상태에서는 TGA, Treasury issuance, reserves 변화가 risk asset liquidity에 더 민감하게 전달될 수 있다.
Raw excerpt / abstract: FRED WALCL page shows “2026-07-01: 6,724,564” with units “Millions of U.S. Dollars.” FRED RRPONTSYD page shows “2026-07-08: 3.347” with units “Billions of US Dollars” for overnight reverse repurchase agreements.
Cold read: net liquidity formula를 맹신하면 위험하지만, RRP가 낮을 때는 Treasury cash management가 시장 유동성에 더 날카롭게 작동할 수 있다. 이는 direction call이 아니라 leverage tolerance 조절 신호다.
Trading insight: Henry가 고베타와 3x ETF를 보유할 때 macro liquidity backdrop이 나빠지면 같은 chart setup이라도 position size를 줄여야 한다. liquidity regime은 entry trigger가 아니라 maximum exposure ceiling을 정하는 필터다.
Change sensor: WALCL weekly change, RRP near-zero persistence, Treasury General Account rebuild, bank reserves trend, SOFR stress.
Follow-up question: RRP buffer가 낮은 상태에서 TGA가 급증할 때 Henry의 portfolio heat를 자동으로 몇 단계 낮출 것인가?

[01:00 KST] Following the Flows: ETFs, Stablecoins, and Where Capital Actually Went

URL: https://blog.amberdata.io/following-the-flows-etfs-stablecoins-and-where-capital-actually-went
Source Type: research
Domain: crypto-structure | reflexivity
Trading Relevance: 9
Time Horizon: swing | cycle
Actionability: monitor
Henry Risk Link: liquidity | narrative | correlation
Why it matters: crypto flow 해석에서 headline outflow를 곧바로 capitulation으로 읽으면 안 된다. Amberdata는 October ETF outflows가 basis compression으로 인한 arbitrage unwind였고 fundamental selling이 아니었다고 해석한다. Henry가 BTC, MSTR, MSTU narrative를 볼 때 ETF flow, basis, stablecoin supply를 함께 봐야 함을 보여준다.
Raw excerpt / abstract: Amberdata highlights “ $29.3 B inn e tETF in f l o w s Y T D, ""257, 285 BTC " a cc u m u l a t e d b ys p o tETF s, " a pp ro x ima t e l y 7$ 269.4 billion” with “$77.3B YTD expansion.” It states October outflows were “mechanical arbitrage unwinds forced by basis compression” from “15%+” to under “5%.”
Cold read: ETF flow는 pure demand signal이 아니라 basis trade, issuer structure, arbitrage mechanics가 섞인 market structure data다. 잘못 읽으면 반대로 포지션을 잡게 된다.
Trading insight: BTC 관련 trade는 ETF net flow만 보지 말고 futures basis, open interest, funding, stablecoin supply, issuer-level concentration을 함께 봐야 한다. 특히 basis가 압축될 때 ETF outflow는 bearish signal이 아니라 trade unwind일 수 있다.
Change sensor: IBIT and FBTC net flows, BTC futures annualized basis, stablecoin supply growth, open interest with funding, ETF premium or discount.
Follow-up question: MSTR premium 변화는 ETF custody share와 BTC basis compression에 얼마나 민감하게 반응하는가?

[01:00 KST] The cost of compute: A $7 trillion race to scale data centers

URL: https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers
Source Type: research
Domain: ai-world-sensing | capital-markets
Trading Relevance: 8
Time Horizon: secular
Actionability: study
Henry Risk Link: narrative | dilution | regime
Why it matters: AI infrastructure는 단순한 growth story가 아니라 capital intensity와 ROI uncertainty의 문제다. McKinsey는 2030년까지 data center demand를 맞추려면 worldwide capex가 거의 7 trillion USD 필요하다고 추정한다. Henry가 AI, semiconductor, power, uranium, datacenter 관련 narrative를 볼 때 매출 성장뿐 아니라 financing capacity와 stranded asset risk를 같이 봐야 한다.
Raw excerpt / abstract: McKinsey says data centers are projected to require “ $6.7 t r i ll i o n w or l d w i d e " b y 2030, w i t h A I p rocess in g l o a d sre q u i r in g "$ 5.2 trillion” and traditional IT “$1.5 trillion.” It warns that “overinvesting in data center infrastructure risks stranding assets, while underinvesting means falling behind.”
Cold read: AI capex cycle은 secular boom이면서 동시에 capital allocation stress test다. 승자는 demand certainty, power access, chip supply, financing cost를 동시에 관리하는 곳이다.
Trading insight: AI narrative trades는 revenue acceleration만으로 추격하면 FOMO가 된다. capex 부담, power bottleneck, financing terms, utilization rate, inference monetization을 확인해야 한다.
Change sensor: hyperscaler capex revisions, data center utilization, power PPA announcements, chip backlog, credit spread for AI infrastructure borrowers.
Follow-up question: AI infrastructure chain에서 Henry가 exposure를 가져간다면 chip beta와 power bottleneck beta 중 어느 쪽이 better risk-adjusted edge인가?

[01:00 KST] 2026 Data Center Power Report: The New Realities Shaping AI Buildout

URL: https://www.bloomenergy.com/wp-content/uploads/power-report-2026-mid-year-pulse-final.pdf
Source Type: research
Domain: ai-world-sensing | macro-liquidity | capital-markets
Trading Relevance: 8
Time Horizon: secular
Actionability: monitor
Henry Risk Link: narrative | regime | execution
Why it matters: AI buildout의 병목이 GPU에서 power, permitting, community scrutiny, architecture로 확장되고 있다. Bloom Energy survey는 inference가 이미 AI compute의 절반 이상을 차지한다고 보고, power availability가 site selection의 핵심이라고 말한다. 이는 AI trade에서 “더 많은 GPU”보다 “전력과 grid를 누가 확보하는가”가 edge가 될 수 있음을 뜻한다.
Raw excerpt / abstract: The report says “power availability” is the defining constraint, US data center electricity demand is projected to “more than double by 2030,” and inference is “already accounting for over half of AI compute today.” It also notes developers rank availability of power as a top-three site selection factor at “51%.”
Cold read: AI scaling은 software curve만이 아니라 physical infrastructure curve다. inference adoption이 빨라질수록 power, cooling, grid interconnection, community approval이 bottleneck premium을 만든다.
Trading insight: AI infrastructure trade의 watchlist는 model release보다 power contract, interconnection backlog, local electricity price pushback, AC-to-DC architecture adoption이어야 한다. narrative가 뜨거울수록 physical bottleneck을 못 보는 투자자가 exit liquidity가 된다.
Change sensor: data center power demand forecast revisions, interconnection queue length, local permitting conflicts, AC-to-DC deployment timeline, onsite power plus CCUS adoption.
Follow-up question: power-constrained AI buildout이 uranium, gas turbine, grid equipment, cooling, datacenter REITs 중 어디에 가장 비대칭적인 pricing power를 주는가?

Run Summary [01:00 KST]

collected_count: 8
skipped_duplicates: 0
domain_mix: execution 25.0%, risk 25.0%, macro 12.5%, crypto 12.5%, AI-history 25.0%, microstructure is embedded inside execution items.
top_theme: 오늘의 핵심은 “signal보다 execution과 regime이 먼저”다. LOB 예측, adverse fill, leveraged ETF compounding, BTC ETF flow, AI compute capex 모두 겉보기 headline을 그대로 믿으면 손실로 이어지는 구조를 보여준다.
sharpest_insight: 대형 베팅은 정보 확신만으로 충분하지 않다. 체결 가능성, adverse selection, path dependency, liquidity regime, capital bottleneck이 동시에 통과될 때만 size를 키울 수 있다.
danger_of_misuse: 오늘 자료를 근거로 특정 종목이나 BTC를 즉시 매수하면 안 된다. 이 자료들은 direction call이 아니라 position size, execution filter, regime filter를 강화하기 위한 원재료다.
next_probe: Henry 포트폴리오의 3x ETF에 대해 rolling autocorrelation, realized volatility, drawdown budget, macro liquidity ceiling을 결합한 exposure throttle을 만들 수 있는가?

[02:00 KST] The New Demands of Optimal Execution

URL: https://rpc.cfainstitute.org/blogs/enterprising-investor/2026/new-demands-optimal-execution-machine-learning
Source Type: research
Domain: execution | microstructure
Trading Relevance: 9
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: execution | liquidity | sizing
Why it matters: Henry가 좋은 아이디어를 찾아도 실제 주문에서 alpha가 사라지면 계좌에는 남지 않는다. 이 글은 price impact, impact decay, liquidity mis-specification, cross-impact가 실행 성과를 좌우한다고 정리한다. 특히 correlated instruments를 동시에 다룰 때 한 종목의 주문이 다른 종목 가격에도 영향을 줄 수 있다는 점은 leveraged ETF와 BTC 관련 exposure를 함께 볼 때 중요하다.
Raw excerpt / abstract: CFA Institute states that “how you trade matters as much as what you trade.” It says a manager buying 2% of average daily volume does not execute at the quoted price, and that underestimating impact can lead to overly aggressive trading and turn a profitable signal into a losing strategy. It also warns that naive ML on historical trading data can mistake self-induced price moves for genuine predictive power.
Cold read: execution은 비용 항목이 아니라 strategy validity를 결정하는 모델 리스크다. backtest가 가격을 예측한 것인지, 자기 주문이 만든 움직임을 alpha로 착각한 것인지 분리해야 한다.
Trading insight: Henry의 pre-trade checklist에 order size versus average volume, expected impact decay, correlation cross-impact, and venue stress rule을 넣어야 한다. 대형 베팅은 chart setup만으로 확대하지 말고, 실제 체결 경로가 edge를 보존할 수 있을 때만 키운다.
Change sensor: spread widening, volume participation rate, post-trade markout, correlated ETF or futures slippage, realized fill versus decision price.
Follow-up question: Henry의 실제 주문에서 decision price, arrival price, fill price, exit price를 분리하면 어떤 종목이 alpha보다 execution loss가 큰가?

[02:00 KST] Order Splitting and Liquidity Replenishment Are Jointly Necessary for the Square-Root Law of Market Impact

URL: https://arxiv.org/abs/2607.04280v1
Source Type: paper
Domain: microstructure | execution
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: liquidity | execution | sizing
Why it matters: 시장 impact가 단순히 주문 크기만의 함수가 아니라 order splitting과 market maker liquidity replenishment의 상호작용이라는 점을 보여준다. Henry가 유동성이 얇은 종목이나 급등주를 추격할 때, 한 번에 들어가는 주문은 보이는 호가보다 훨씬 큰 비용을 만들 수 있다. 특히 손절과 익절 주문도 같은 impact 구조 안에서 설계해야 한다.
Raw excerpt / abstract: The abstract says the model reproduces a square-root law exponent near 0.539 across 2000 simulated stocks. Removing order splitting collapses the exponent from 0.549 to 0.324, and removing liquidity replenishment by market makers drops it to 0.386. The authors conclude that order splitting and liquidity replenishment are jointly necessary mechanisms within the model.
Cold read: price impact는 정적인 depth snapshot이 아니라 시간이 필요한 replenishment process다. 따라서 liquidity가 보이는 것보다 빨리 회복되는 시장과 회복되지 않는 시장의 주문 전략은 달라야 한다.
Trading insight: 대형 진입은 split order가 기본이고, thin market에서는 split 자체가 alpha를 노출시키는 신호가 될 수 있다. Henry는 expected entry price 하나가 아니라 staged fill plan과 stop liquidity를 같이 계산해야 한다.
Change sensor: order book refill speed, partial fill ratio, repeated child-order markout, volume concentration around Henry entry zone.
Follow-up question: Henry의 후보 종목에서 1분, 5분, 15분 depth replenishment speed를 계산하면 어떤 종목은 size를 줄여야 하는가?

[02:00 KST] Practical Kelly: Fractional Kelly, Estimation Error, and Drawdown Constraints

URL: https://mathandmarkets.com/p/the-mathematics-of-position-sizing-0d4
Source Type: blog
Domain: risk-sizing | cognition
Trading Relevance: 10
Time Horizon: swing | cycle
Actionability: now
Henry Risk Link: sizing | leverage | FOMO
Why it matters: Kelly는 베팅을 크게 하라는 면허가 아니라 상한선이다. 글은 half-Kelly가 full-Kelly 성장의 75%를 유지하면서 variance를 25%로 낮춘다고 설명한다. Henry의 3x ETF와 high-beta trade에서는 확신이 커질수록 오히려 estimation error와 drawdown constraint를 먼저 적용해야 한다.
Raw excerpt / abstract: The article says “Kelly is not a formula to follow blindly - it is an upper bound on reasonable bet sizes.” It gives the fractional Kelly relation where half-Kelly captures 75% of full-Kelly growth with 25% of variance. It also notes that biased return overestimation and volatility underestimation often push practical Kelly fractions toward 0.5 to 0.7, and drawdown limits can require even lower fractions.
Cold read: 대박을 노리는 계좌에서 가장 위험한 순간은 edge가 있다고 믿을 때다. edge estimate가 조금만 과장되어도 full Kelly는 계좌를 심하게 흔든다.
Trading insight: Henry의 포지션 사이즈는 conviction score에 바로 비례하면 안 된다. minimum of fractional Kelly, drawdown budget, liquidity limit, correlation heat, macro regime ceiling을 적용해야 한다.
Change sensor: realized volatility versus estimated volatility, win-rate drift, payoff ratio drift, consecutive loss cluster, portfolio heat.
Follow-up question: Henry 계좌의 최대 허용 drawdown을 기준으로 SOXL, MSTU, RGTI 각각의 practical Kelly cap은 몇 퍼센트인가?

[02:00 KST] Is Trend Still Your Friend?: A Microstructural Account of the Demise of Short-Term Trend-Following

URL: https://arxiv.org/abs/2607.01550v1
Source Type: paper
Domain: microstructure | risk-sizing
Trading Relevance: 9
Time Horizon: swing | cycle
Actionability: study
Henry Risk Link: regime | execution | narrative
Why it matters: trend following이 언제나 작동한다는 단순 신념을 깨는 자료다. 논문은 1995-2025년 약 100개 liquid futures에서 2009년 이후 short-term trend가 약해진 현상을 분석하고, small-tick contracts에서 trend PnL이 붕괴한 반면 large-tick contracts에서는 유지됐다고 보고한다. 이는 signal 자체보다 market microstructure regime이 전략 생존을 결정한다는 뜻이다.
Raw excerpt / abstract: The abstract says short-term trends have ceased to deliver reliable returns since around 2009. The key variable distinguishing degraded from surviving trends is volatility-normalized tick size: post-2008 trend PnL collapsed on small-tick contracts across horizons, while remaining essentially intact on large-tick ones. The authors argue HFT-dominated market making and liquidity withdrawal broke the trend impact feedback loop in small-tick books.
Cold read: 같은 momentum signal도 market design이 바뀌면 다른 payoff를 낸다. 추세는 가격 패턴이 아니라 execution feedback loop가 유지될 때 돈이 된다.
Trading insight: Henry가 breakout이나 momentum을 추격할 때, ticker의 tick size, depth, quote fade, HFT liquidity withdrawal sensitivity를 봐야 한다. trend가 맞아도 liquidity provider가 빠지는 시장에서는 entry가 늦으면 edge가 사라진다.
Change sensor: breakout follow-through failure, quote fade before signal execution, small-tick versus large-tick performance gap, slippage after momentum entry.
Follow-up question: Henry의 보유 및 관심 종목은 momentum이 surviving하는 large-tick-like microstructure인가, edge가 붕괴하기 쉬운 small-tick-like microstructure인가?

[02:00 KST] Outcome-Classified Precision Auditing of Filter Rules in Algorithmic DEX Trading

URL: https://arxiv.org/abs/2607.02830v1
Source Type: paper
Domain: execution | risk-sizing | crypto-structure
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: FOMO | sizing | execution
Why it matters: 좋은 trade를 고르는 것만큼 나쁜 trade를 거절한 기록을 검증하는 일이 중요하다. 이 논문은 Solana DEX trading에서 rejection filter를 사후 관찰로 감사하고, 보수적으로 3.7 대 1 save-to-miss ratio를 보고한다. Henry의 screen-to-entry pipeline도 진입 신호뿐 아니라 “안 들어가서 피한 손실”을 측정해야 한다.
Raw excerpt / abstract: The paper audits 99,510 follow-up samples across 2,402 unique rejection events over a 13-day Solana DEX window. The headline conservative save-to-miss ratio is 3.7 to 1 from measured drawdown saves, while a wider 14.8 to 1 interpretation fails a matched lifecycle validation. The methodological contribution is separating evidence bases and rejecting an unsupported wider claim.
Cold read: filter의 가치는 느낌이 아니라 rejected set의 forward outcome으로 검증된다. 과장된 save ratio는 위험하고, 보수적으로 살아남는 ratio만 risk system에 넣어야 한다.
Trading insight: Henry는 missed winner에 집착하기보다 rejected losers를 계량화해야 한다. FOMO를 줄이려면 “안 산 것”의 성과 데이터를 저장하고, filter가 실제로 drawdown을 줄였는지 확인해야 한다.
Change sensor: rejected setup forward return, max adverse excursion, missed winner count, save-to-miss ratio by filter type.
Follow-up question: Henry의 Finviz or screen-to-entry 후보 중 거절한 종목의 1일, 5일, 20일 forward outcome을 저장하면 어떤 filter가 진짜 돈을 지키는가?

[02:00 KST] Adverse Selection Rules Everything Around Me

URL: https://multicoin.capital/2026/02/17/adverse-selection-rules-everything-around-me/
Source Type: research
Domain: crypto-structure | microstructure | execution
Trading Relevance: 9
Time Horizon: intraday | swing
Actionability: monitor
Henry Risk Link: liquidity | execution | narrative
Why it matters: onchain 시장에서는 intent가 보이는 순간 execution cost가 구조적으로 올라간다. 글은 market maker가 informed flow와 uninformed flow를 다르게 가격화하며, onchain에서는 flow segmentation이 약해 모든 flow가 더 informed처럼 취급될 수 있다고 설명한다. Henry가 crypto, BTC, MSTR ecosystem narrative를 볼 때 liquidity headline보다 toxic flow, MEV, transaction inclusion risk를 같이 봐야 한다.
Raw excerpt / abstract: Multicoin writes that toxic order flow raises trading costs because market makers widen quotes to protect themselves. It says onchain markets lack the same retail versus professional segmentation as traditional markets, and that price discovery often starts on CEXs before arbitrage brings AMMs back in line. It lists six mitigation methods: delay execution, hide intent, segment flow, price risk dynamically, refuse flow, and social coordination.
Cold read: DeFi liquidity는 숫자로 보이는 TVL이나 pool depth만으로 판단하면 안 된다. intent visibility와 adverse transaction ordering이 있으면 apparent liquidity는 실제보다 비싸다.
Trading insight: crypto execution은 slippage tolerance만 조절하는 문제가 아니다. private routing, venue choice, order timing, volatility-based fee, and liquidation map을 함께 봐야 한다.
Change sensor: sandwich activity, private order flow share, failed transaction rate, CEX-DEX price gap, liquidity withdrawal during volatility.
Follow-up question: BTC and SOL ecosystem trades에서 Henry가 보는 liquidity 지표는 toxic flow cost를 반영하고 있는가?

[02:00 KST] The Central Bank Balance-Sheet Trilemma

URL: https://www.federalreserve.gov/econres/notes/feds-notes/the-central-bank-balance-sheet-trilemma-20260114.html
Source Type: official
Domain: macro-liquidity | capital-markets
Trading Relevance: 9
Time Horizon: cycle
Actionability: monitor
Henry Risk Link: liquidity | regime | correlation
Why it matters: Fed balance sheet는 단순한 risk-on 버튼이 아니라 reserves, money-market volatility, and intervention footprint 사이의 tradeoff다. 이 FEDS Note는 작은 balance sheet, 낮은 short-term rate volatility, 제한된 market intervention을 동시에 달성할 수 없다고 설명한다. Henry의 leveraged exposure는 이 tradeoff가 funding stress로 드러날 때 가장 취약하다.
Raw excerpt / abstract: The note says central banks face a balance-sheet trilemma: they can achieve only two of a small balance sheet, low volatility of short-term rates, and limited market intervention. It states that changes in the TGA, ON RRP, and foreign repo pool mechanically alter reserves, and that when reserve buffers are thin, small shocks can translate into outsized short-term funding-rate increases.
Cold read: liquidity regime은 선형이 아니다. reserves가 충분할 때는 TGA 변화가 잡음처럼 보이지만, buffer가 얇아지면 같은 충격이 funding stress로 확대된다.
Trading insight: Henry의 high-beta and 3x exposure ceiling은 Fed liquidity backdrop에 따라 달라져야 한다. repo stress나 short-rate volatility가 오르면 좋은 chart도 position size를 낮춰야 한다.
Change sensor: TGCR versus ON RRP spread, SOFR volatility, reserve scarcity indicators, Standing Repo Facility usage, TGA swings.
Follow-up question: Henry의 portfolio heat rule에 repo spread and reserve scarcity trigger를 어떤 threshold로 넣을 것인가?

[02:00 KST] FRED WTREGEN: Treasury General Account as Liquidity Drain or Release Valve

URL: https://fred.stlouisfed.org/series/WTREGEN
Source Type: official
Domain: macro-liquidity | capital-markets
Trading Relevance: 8
Time Horizon: cycle
Actionability: monitor
Henry Risk Link: liquidity | regime | leverage
Why it matters: TGA는 주식 가격을 직접 예측하는 지표가 아니라 reserves drain의 기계적 배경이다. FRED WTREGEN은 2026-07-01 TGA week average를 880,237 million USD로 표시하고, 직전 주 918,696 million USD에서 낮아진 상태를 보여준다. RRP buffer가 낮아진 환경에서는 TGA 재상승이 reserves를 더 민감하게 압박할 수 있다.
Raw excerpt / abstract: FRED lists WTREGEN as U.S. Treasury General Account weekly average, units in millions of U.S. dollars. Recent observations shown are 2026-07-01 at 880,237, 2026-06-24 at 918,696, 2026-06-17 at 880,713, 2026-06-10 at 828,122, and 2026-06-03 at 875,713.
Cold read: TGA level 하나로 매수와 매도를 결정하면 오판이다. 중요한 것은 TGA 변화가 reserves, RRP, repo rates, Treasury issuance calendar와 함께 어떤 stress pattern을 만드는가다.
Trading insight: Henry가 leverage를 쓸 때 TGA rebuild week에는 new risk를 줄이고, existing position도 stop discipline을 강화하는 방식이 더 합리적이다. macro liquidity는 entry signal이 아니라 maximum exposure cap이다.
Change sensor: weekly WTREGEN change, Treasury settlement calendar, RRP balance, bank reserves, repo rate spread.
Follow-up question: TGA weekly change가 어느 정도일 때 Henry의 leveraged ETF 신규 진입을 자동 보류할 것인가?

[02:00 KST] AI Capex 2026: The $690B Infrastructure Sprint

URL: https://futurumgroup.com/insights/ai-capex-2026-the-690b-infrastructure-sprint/
Source Type: research
Domain: ai-world-sensing | capital-markets
Trading Relevance: 8
Time Horizon: secular
Actionability: monitor
Henry Risk Link: narrative | dilution | regime
Why it matters: AI trade는 성장 narrative이면서 동시에 capex duration and financing risk trade다. Futurum은 Microsoft, Alphabet, Amazon, Meta, Oracle의 2026 capex commitment가 660-690 billion USD 수준이라고 정리하고, pure-play AI vendor revenue가 그 규모에 비해 아직 작다고 지적한다. Henry가 semiconductor, power, uranium, datacenter narrative를 볼 때 capex와 payback gap을 반드시 봐야 한다.
Raw excerpt / abstract: Futurum says the five largest US cloud and AI infrastructure providers have collectively committed to 660-690 billion USD in 2026 capex. It reports Amazon around 200 billion USD, Alphabet 175-185 billion USD, Meta 115-135 billion USD, Microsoft around 120 billion USD or more, and Oracle around 50 billion USD. It also notes Microsoft disclosed an 80 billion USD Azure backlog that cannot be fulfilled due to power constraints.
Cold read: AI infra cycle은 demand shortage보다 physical bottleneck and return timing의 문제로 진화 중이다. 수익이 오기 전에 capital이 먼저 나가고, power가 병목이면 valuation은 revenue보다 grid access에 반응할 수 있다.
Trading insight: AI 관련 대형 베팅은 revenue growth headline만으로 추격하면 FOMO다. capex revision, backlog quality, power constraint, inference cost decline, and financing terms를 함께 봐야 한다.
Change sensor: hyperscaler capex guidance, power availability, Azure or cloud backlog, model vendor revenue run-rate, data center financing spread.
Follow-up question: AI infra exposure에서 Henry에게 더 나은 asymmetric edge는 chip beta인가, power bottleneck beta인가, 아니면 financing stress short signal인가?

Run Summary [02:00 KST]

collected_count: 9
skipped_duplicates: 8
domain_mix: microstructure/execution 44%, risk-sizing/cognition 22%, macro-liquidity/capital-markets 22%, crypto-structure 11%, AI-history 11%. 일부 항목은 복수 domain에 걸쳐 계산됨.
top_theme: 오늘 추가 run의 핵심은 “edge는 signal이 아니라 market structure, sizing, and liquidity regime을 통과한 뒤에만 남는다”다.
sharpest_insight: Kelly, trend following, DEX filters, price impact, Fed reserves 모두 같은 결론을 가리킨다. 과거 수익률이나 headline signal을 그대로 믿지 말고, regime이 바뀌었을 때 edge가 사라지는 경로를 먼저 계산해야 한다.
danger_of_misuse: 이 자료를 근거로 AI, BTC, leveraged ETF를 즉시 매수하면 안 된다. 오늘 clipping은 direction call이 아니라 position size cap, execution filter, liquidity stress monitor를 강화하기 위한 raw material이다.
next_probe: Henry의 실제 포트폴리오에 대해 decision price to fill price slippage, practical Kelly cap, TGA and repo stress ceiling을 결합한 exposure throttle을 설계할 수 있는가?

[03:00 KST] Can Reinforcement Learning Efficiently Discover Price Manipulation?

URL: https://arxiv.org/abs/2607.06121
Source Type: paper
Domain: microstructure | execution | ai-world-sensing
Trading Relevance: 9
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: execution | liquidity | regime
Why it matters: RL이 시장 impact model 안에서 manipulation 전략을 스스로 찾을 수 있다는 점은 AI trading agent 시대의 새 리스크다. Henry가 AI 기반 signal이나 자동화된 execution을 볼 때, 수익이 genuine forecasting에서 온 것인지 price impact를 악용한 artifact인지 분리해야 한다. 대형 베팅의 실행 품질은 규제, liquidity, model governance 리스크와 연결된다.
Raw excerpt / abstract: The abstract says a model-free RL agent is compared with a model-based approach under an Almgren-Chriss framework with non-linear permanent impact and linear temporary impact. For intermediate volatility, the RL agent “successfully discovers profitable manipulative strategies” with limited data and outperforms the model-based method when parameter estimates suffer sampling error. The authors highlight “risks associated with deploying learning algorithms in financial markets without appropriate safeguards.”
Cold read: AI가 alpha를 찾는다는 문장은 AI가 market structure의 취약점을 학습한다는 뜻도 된다. edge와 manipulation의 경계가 execution layer에서 흐려질 수 있다.
Trading insight: Henry의 AI-assisted trading은 signal score만이 아니라 no-manipulation, market impact, and post-trade markout audit을 요구한다. 전략이 작동해도 자기 주문이 만든 가격 변화로 수익을 착각하면 실전에서는 alpha가 아니라 규제 리스크다.
Change sensor: post-trade price reversal, order size versus impact curve, model action clustering near thin liquidity, venue compliance warnings.
Follow-up question: Henry의 자동화 signal에 대해 “forecasting PnL”과 “self-impact PnL”을 분리하는 audit metric을 만들 수 있는가?

[03:00 KST] A Limit Order Market with Uncertain Informed Trading Participation

URL: https://arxiv.org/abs/2607.04221
Source Type: paper
Domain: microstructure | execution
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: liquidity | execution | sizing
Why it matters: 이 논문은 liquidity supplier가 informed trader의 실제 수를 모르는 환경에서 price impact가 단순한 expected informed count로 결정되지 않는다고 말한다. Henry에게 중요한 교훈은 호가창의 liquidity가 “평균적”으로 충분해 보여도 tail state에서는 훨씬 비싸질 수 있다는 점이다. 유동성이 얇은 성장주, 급등주, crypto 관련 종목에서 size를 키울 때 특히 중요하다.
Raw excerpt / abstract: The abstract says liquidity suppliers know the distribution of informed trader count, but not its realization. For bounded asset values with power law endpoint behavior, equilibrium price impact follows a power law whose exponent is determined jointly by the asset value tail and the full distribution of the informed trader count, “not determined by the expected number of informed traders alone.”
Cold read: market impact는 평균 참여자 수의 함수가 아니라 informed flow distribution의 tail 구조다. 평균 liquidity만 보고 size를 정하면 tail adverse selection을 놓친다.
Trading insight: pre-trade sizing은 average volume보다 “who else may be informed now”를 질문해야 한다. earnings, news, sector shock, options expiry, crypto liquidation events에서는 같은 주문 크기도 더 높은 adverse selection charge를 받는다.
Change sensor: abnormal spread widening, depth evaporating after small prints, news-linked order imbalance, quote fade around breakout.
Follow-up question: Henry의 watchlist 중 informed participation uncertainty가 가장 큰 ticker는 무엇이며, 그때 size cap을 얼마나 낮춰야 하는가?

[03:00 KST] A Gabor—Epps Uncertainty Principle for Traders

URL: https://arxiv.org/abs/2607.04130
Source Type: paper
Domain: microstructure | execution | risk-sizing
Trading Relevance: 8
Time Horizon: intraday
Actionability: study
Henry Risk Link: correlation | execution | regime
Why it matters: correlation은 하나의 고정 숫자가 아니라 clock choice에 따라 달라지는 관측값이다. 논문은 high-frequency correlation이 clock time만으로 관측되지 않고 market activity, order-flow overlap, finite coupling response를 통해 해석되어야 한다고 말한다. Henry가 SOXL, semiconductor basket, BTC, MSTR, MSTU 같은 correlated exposure를 동시에 볼 때 intraday correlation을 과신하면 hedge와 sizing이 무너질 수 있다.
Raw excerpt / abstract: The abstract states that “high-frequency correlation is not observed in clock time alone” and is resolved through market activity, order-flow overlap, and finite coupling response. It warns that at event scales, the more precisely one localizes market activity in time, the less well one can resolve stable cross-asset dependence, creating substantial clock risk.
Cold read: correlation은 리스크 모델의 입력값이 아니라 관측 프레임의 산출물이다. 빠른 시장에서는 시간 해상도를 높일수록 안정적 관계를 잃을 수 있다.
Trading insight: Henry의 correlation heat는 daily beta만으로 충분하지 않다. event time, volume time, and clock time correlation을 분리해야 leveraged ETF와 single-name beta가 동시에 깨지는 순간을 더 잘 볼 수 있다.
Change sensor: correlation breakdown during volume spikes, ETF versus component lag, futures lead-lag instability, volume-clock divergence.
Follow-up question: SOXL, NVDA, SMH, QQQ의 correlation을 clock time과 volume time으로 나누면 Henry의 hedge assumption이 달라지는가?

[03:00 KST] Exact Conditional Simulation of Point Processes for Pathwise Market Impact

URL: https://arxiv.org/abs/2607.03239
Source Type: paper
Domain: execution | microstructure
Trading Relevance: 9
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: execution | liquidity | sizing
Why it matters: market impact는 실제 가격 경로와 “내 주문이 없었으면 나왔을 counterfactual path”의 차이다. 이 논문은 그 counterfactual을 point process conditional simulation으로 추정하려는 방법을 제시한다. Henry의 실전에는 decision price, fill price, exit price만 기록하는 것을 넘어, 내 주문이 시장을 얼마나 움직였는지 추정하는 post-trade discipline이 필요하다는 의미다.
Raw excerpt / abstract: The abstract defines market impact as the difference between the observed price trajectory under an execution strategy and the counterfactual trajectory that would have prevailed without it. It presents an exact event-driven algorithm that reconstructs counterfactual paths on a common randomness source, enabling pathwise market impact estimation for aggressive, passive, and mixed strategies.
Cold read: execution cost는 spread plus fee가 아니라 내가 만든 경로 변화까지 포함한다. 진입이 맞아도 내가 가격을 끌어올린 뒤 mean reversion을 맞으면 edge가 사라진다.
Trading insight: Henry의 order journal에는 arrival price, child fill, immediate markout, and counterfactual benchmark를 남겨야 한다. 특히 thin liquidity에서 수익률이 낮아지는 전략은 alpha 문제가 아니라 self-impact 문제일 수 있다.
Change sensor: fill 이후 1분, 5분, 30분 markout, partial fill slippage, price reversion after completion, child order footprint.
Follow-up question: Henry의 과거 주문 중 entry 직후 markout이 반복적으로 나쁜 종목은 어떤 execution rule을 바꿔야 하는가?

[03:00 KST] When Large Trades Are Not News: Liquidity Tail Risk and Price Discovery

URL: https://arxiv.org/abs/2607.01198
Source Type: paper
Domain: microstructure | execution | risk-sizing
Trading Relevance: 9
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: liquidity | regime | execution
Why it matters: 큰 거래가 항상 informed signal은 아니다. 논문은 uninformed liquidity demand가 heavy-tailed이면 같은 large order imbalance도 private information이 아니라 liquidity shock으로 남을 수 있다고 설명한다. Henry가 volume spike나 block print를 해석할 때, “누가 알고 산다”로 바로 narrative를 붙이면 FOMO가 생긴다.
Raw excerpt / abstract: The abstract asks when a large trade is news and when it is a liquidity shock. With thin-tailed noise, large order imbalances are quickly interpreted as private information; with heavy-tailed liquidity demand, the same imbalances remain plausibly liquidity-driven. Heavy-tailed liquidity demand flattens and concavifies price impact, slows learning from order flow, and delays the decline of adverse-selection premia.
Cold read: volume은 정보가 아니라 정보와 liquidity stress가 섞인 혼합 신호다. tail liquidity regime에서는 큰 주문을 보고 바로 방향을 따라가면 exit liquidity가 될 수 있다.
Trading insight: breakout volume을 볼 때 Henry는 news confirmation, spread behavior, subsequent depth replenishment, and follow-through를 함께 확인해야 한다. large print alone은 position size 확대 근거가 아니다.
Change sensor: large trade follow-through failure, spread resilience, depth recovery speed, repeated imbalance without price discovery.
Follow-up question: Henry가 추격매수한 거래 중 volume spike가 정보가 아니라 liquidity shock이었던 사례는 무엇인가?

[03:00 KST] Innovating Risk Modelling for Global Funds

URL: https://arxiv.org/abs/2607.07465
Source Type: paper
Domain: risk-sizing | capital-markets
Trading Relevance: 8
Time Horizon: swing | cycle
Actionability: study
Henry Risk Link: correlation | sizing | narrative
Why it matters: benchmark 대비 active risk는 Henry의 실제 계좌 리스크를 설명하지 못한다. 논문은 benchmark deviation이 아니라 portfolio 내부 covariance와 PCA factor를 다시 보자고 제안한다. Henry의 계좌가 SOXL, RGTI, NXE, MSTU처럼 특정 narrative와 beta에 집중될 때, 외부 benchmark보다 내부 공통 factor가 더 중요하다.
Raw excerpt / abstract: The abstract says Markowitz defined portfolio risk as an internal property built from covariance among holdings, but later simplifications made risk a distance from an index. For a global book concentrated in a few markets and innovation sectors, the active-risk number measures mismatch, not risk. The proposed engine uses PCA, generative-AI labeling, clustering mismatch, PCA Risk Score, Bleed score, and a timing gate.
Cold read: 개인 계좌의 리스크는 S&P 500과 얼마나 다른가가 아니라 같은 shock에 얼마나 같이 깨지는가다. benchmark-relative comfort는 실제 drawdown protection이 아니다.
Trading insight: Henry의 portfolio heat는 ticker별 비중 합계가 아니라 hidden common factor exposure로 계산해야 한다. AI beta, semiconductor beta, uranium beta, BTC reflexivity beta가 동시에 커지면 종목 수가 많아도 분산이 아니다.
Change sensor: first PCA factor variance share, holdings correlation spike, cluster mismatch ratio, slow capital bleed names.
Follow-up question: Henry 계좌의 최근 60일 returns로 PCA를 돌리면 지배 factor는 semiconductor, leverage, BTC, uranium 중 무엇인가?

[03:00 KST] Split-Session Cluster GARCH for Overnight and Intraday Returns

URL: https://arxiv.org/abs/2607.03669
Source Type: paper
Domain: risk-sizing | macro-liquidity | execution
Trading Relevance: 9
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: leverage | regime | sizing
Why it matters: overnight risk와 intraday risk는 같은 volatility 숫자로 합치면 안 된다. 논문은 overnight and intraday returns가 서로 다른 tail behavior를 보이며, session-specific tail parameters가 fit을 크게 개선한다고 보고한다. Henry가 한국 CMA 계좌로 미국 high-beta와 leveraged ETF를 보유할 때, 장중 대응 가능한 리스크와 잠자는 동안 맞는 gap risk를 분리해야 한다.
Raw excerpt / abstract: The abstract proposes Split-Session Cluster GARCH for heavy-tailed multivariate dependence among returns decomposed into overnight and intraday components. It finds pronounced tail heterogeneity between overnight and intraday returns, and says session-specific tail parameters substantially improve fit versus a common multivariate-t specification. Asset-level tail heterogeneity gives the strongest out-of-sample likelihood and GMV portfolio performance in the 100-asset application.
Cold read: overnight gap은 intraday noise의 연장이 아니라 다른 tail process다. stop loss가 있어도 장외 gap은 주문으로 막히지 않는다.
Trading insight: Henry의 leveraged ETF holding rule에는 overnight gap budget을 별도로 넣어야 한다. 장중 손절 계획이 있어도 overnight tail이 커지는 이벤트 주간에는 size를 낮추거나 hedge를 검토해야 한다.
Change sensor: overnight versus intraday realized volatility, earnings gap frequency, macro event calendar, after-hours liquidity, session-specific correlation.
Follow-up question: SOXL, MSTU, RGTI의 손실 기여를 overnight gap과 intraday drift로 나누면 어떤 보유 규칙이 바뀌는가?

[03:00 KST] Generating Plausible Stress Scenarios via Large Deviations

URL: https://arxiv.org/abs/2606.31122
Source Type: paper
Domain: risk-sizing | macro-liquidity | cognition
Trading Relevance: 8
Time Horizon: cycle
Actionability: study
Henry Risk Link: leverage | correlation | regime
Why it matters: stress test를 손으로 고르면 너무 극단적이거나 너무 안일해질 수 있다. 이 논문은 큰 손실 조건에서 risk factors가 가장 그럴듯한 stress configuration 주변에 모인다는 large deviations 원리를 활용한다. Henry에게 필요한 것은 공포 시나리오 나열이 아니라 plausibility와 damage가 동시에 큰 시나리오를 찾는 절차다.
Raw excerpt / abstract: The abstract warns that handpicked stress tests can overlook dangerous configurations or overemphasize implausible shocks. It develops representative stress distributions and extrapolates observed samples into more extreme scenarios while preserving relative plausibility of stress mechanisms. Numerical experiments recover stressed loss laws and stress diagnostics even when benchmark generators fail to produce stressed samples.
Cold read: 최악의 시나리오는 상상력이 아니라 조건부 확률의 문제다. 계좌를 죽이는 것은 가장 무서운 이야기가 아니라 그럴듯하면서 손실이 큰 조합이다.
Trading insight: Henry의 portfolio risk review는 단일 crash scenario보다 “most likely path to unacceptable drawdown”을 찾아야 한다. 예를 들어 rates up, liquidity drain, semiconductor beta reversal, BTC basis unwind가 동시에 어느 정도 발생하면 계좌 heat가 위험해지는지 본다.
Change sensor: correlated downside clusters, liquidity stress plus volatility spike, factor co-movement under drawdown, stress scenario plausibility ranking.
Follow-up question: Henry 계좌의 20% drawdown을 만드는 가장 그럴듯한 factor path는 무엇이며, 그 전에 줄일 수 있는 exposure는 무엇인가?

[03:00 KST] The Future of AI Workloads

URL: https://www.mckinsey.com/featured-insights/week-in-charts/the-future-of-ai-workloads
Source Type: research
Domain: ai-world-sensing | capital-markets
Trading Relevance: 8
Time Horizon: secular
Actionability: monitor
Henry Risk Link: narrative | regime | dilution
Why it matters: AI infrastructure narrative가 training에서 inference로 이동하면 winner의 조건도 바뀐다. McKinsey는 inference workloads가 2030년 data center demand의 40% 이상을 차지하고 2030년까지 35% CAGR로 성장할 수 있다고 제시한다. Henry가 chip, power, datacenter, uranium narrative를 볼 때 training cluster headline보다 inference distribution, latency, power density, utilization economics를 봐야 한다.
Raw excerpt / abstract: McKinsey says AI is the main growth engine for US data centers, reshaping economics, power planning, and leasing decisions. Its chart description says global data center demand rises from 82.3 GW in 2025 to 219.0 GW by 2030, a 22% annual growth rate, and that inference workloads could make up more than 40% of data center demand in 2030, growing 35% CAGR until 2030.
Cold read: AI capex는 단순히 더 큰 training run을 위한 race가 아니라 always-on inference infrastructure로 변하고 있다. 이는 revenue quality와 power bottleneck의 중요도를 높인다.
Trading insight: AI exposure는 GPU shipment만 보면 늦다. inference utilization, latency-sensitive edge deployment, power contract, cooling, and cloud margin compression을 같이 봐야 FOMO를 줄일 수 있다.
Change sensor: inference share of cloud workload, hyperscaler leasing mix, data center GW demand revisions, cloud gross margin, power purchase agreement pricing.
Follow-up question: Henry가 AI infrastructure에 베팅한다면 training spike 수혜주와 inference annuity 수혜주를 어떻게 구분할 것인가?

[03:00 KST] CoinGlass Bitcoin ETF Fund Flows and Holdings Dashboard

URL: https://www.coinglass.com/etf/bitcoin
Source Type: research
Domain: crypto-structure | macro-liquidity
Trading Relevance: 8
Time Horizon: swing | cycle
Actionability: monitor
Henry Risk Link: liquidity | narrative | correlation
Why it matters: BTC ETF flow는 MSTR, MSTU, BTC sentiment를 해석할 때 중요한 구조 데이터지만 단독 매수 신호는 아니다. CoinGlass dashboard는 Jul 09 03:50 update 기준 Bitcoin Spot ETF total net inflow를 51.72B USD, 640.07K BTC로 표시했고 daily total net inflow는 -84.90M USD, -1.34K BTC로 표시했다. 누적 flow가 크더라도 daily flow, basis, funding, stablecoin supply를 같이 봐야 한다.
Raw excerpt / abstract: CoinGlass page shows Bitcoin Spot ETF Total Net Inflow of + $51.72 B an d + 640.07 K BTC, D ai l y T o t a lN e t I n f l o w o f -$ 84.90M and -1.34K BTC, and Total Net Assets of $72.79 B, w i t h l a s t u p d a t e J u l 09, 3 : 50 A M . T h es am e p a g e h e a d ers h o w scry pt o f u t u reso p e nin t eres t o f$ 107.19B, up 0.75%, and 24h liquidation of $149.96M, down 59.42%.
Cold read: ETF custody is now a structural demand and liquidity channel, but daily outflow alone does not prove regime break. Flow must be separated into spot demand, arbitrage unwind, basis compression, and risk-off redemption.
Trading insight: Henry should avoid reading one-day ETF outflow as automatic sell signal or one-day inflow as automatic buy signal. BTC-related sizing should require ETF flow, futures basis, funding, OI, stablecoin supply, and MSTR premium to align.
Change sensor: daily ETF net flow streak, futures basis compression, perp funding, stablecoin supply growth, MSTR premium versus BTC, liquidation clusters.
Follow-up question: MSTR or MSTU exposure should be capped when ETF flow weakens but futures OI rises and funding stays positive, because that may signal leverage rather than spot demand?

Run Summary [03:00 KST]

collected_count: 10
skipped_duplicates: 9
domain_mix: microstructure/execution 50%, risk-sizing/cognition 30%, macro-liquidity/capital-markets 20%, crypto-structure 10%, AI-history 20%. 복수 domain 항목이 있어 합계는 100%를 초과한다.
top_theme: 이번 run의 핵심은 “평균값이 아니라 tail state와 observation frame이 계좌를 결정한다”다. informed trader 수의 불확실성, liquidity tail risk, overnight tail heterogeneity, AI inference power demand, BTC ETF flow 모두 headline 숫자보다 hidden state를 요구한다.
sharpest_insight: Henry의 대형 베팅은 direction conviction보다 execution state, tail liquidity, overnight gap, hidden common factor, and flow decomposition을 먼저 통과해야 한다.
danger_of_misuse: 오늘 자료를 특정 ticker 매수 근거로 쓰면 위험하다. 이 자료들은 signal 강화가 아니라 size cap, stress test, flow interpretation, and execution audit을 강화하기 위한 raw material이다.
next_probe: Henry 계좌에 대해 overnight gap budget, PCA hidden factor, ETF and basis flow filter, post-trade markout을 결합한 daily exposure throttle을 만들 수 있는가?

[04:01 KST] Square-Root Price Impact Is Necessary for Endogenous Manipulation Cycles in Learning-Agent Markets

URL: https://arxiv.org/abs/2607.05141v1
Source Type: paper
Domain: microstructure | execution | ai-world-sensing
Trading Relevance: 9
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: execution | liquidity | regime
Why it matters: AI agent가 시장에서 edge를 찾는다는 말은 동시에 market impact를 이용한 predatory cycle을 찾을 수 있다는 뜻이다. 이 논문은 square-root impact가 agent-based market에서 manipulation cycle의 필요 조건으로 작동한다고 주장한다. Henry가 자동화 signal이나 AI agent output을 볼 때, 수익이 forecast skill인지 시장 구조 취약점 exploit인지 분리해야 한다.
Raw excerpt / abstract: arXiv abstract says a single evolutionary-optimized institutional agent interacts with 20,000 herding retail traders and “spontaneously discovers a multi-cycle predatory strategy.” It reports 8 to 11 complete cycles over 2000 trading days and links endogenous manipulation cycles to square-root price impact.
Cold read: AI trading의 위험은 틀린 예측만이 아니다. 맞는 듯 보이는 수익이 liquidity extraction, herding amplification, and self-induced cycle에서 나올 수 있다.
Trading insight: Henry의 AI-assisted strategy에는 post-trade markout, impact footprint, and manipulation-risk audit이 필요하다. 수익률이 좋아도 체결 후 가격이 반복적으로 되돌아오면 alpha가 아니라 market impact artifact일 수 있다.
Change sensor: child-order footprint, retail herding burst, impact then reversal pattern, agent action clustering near thin liquidity.
Follow-up question: Henry의 자동화 후보 signal에서 self-impact PnL과 genuine forecast PnL을 어떻게 분리할 것인가?

[04:01 KST] Liquidity Premium and Investment Horizons

URL: https://arxiv.org/abs/2607.01377v1
Source Type: paper
Domain: microstructure | risk-sizing
Trading Relevance: 8
Time Horizon: swing | cycle
Actionability: study
Henry Risk Link: liquidity | sizing | regime
Why it matters: liquidity premium을 단순히 싸게 사서 오래 들고 가는 보상으로 보면 위험하다. 이 논문은 Kyle price-impact coefficient를 daily equity order flow에서 추정하고 후속 수익률과의 관계를 보려 한다. Henry에게 핵심은 illiquidity가 expected return의 원천이 될 수도 있지만, exit 불가능성과 drawdown amplification의 원천이기도 하다는 점이다.
Raw excerpt / abstract: The abstract says the paper estimates Kyle’s price-impact coefficient directly from daily equity order flow using CRSP data from 2020 to 2025. It constructs firm-month measures of signed order flow and tests whether the estimated price-impact coefficient forecasts cross-sectional stock returns.
Cold read: liquidity는 비용이면서 factor다. 보상이 있는 구간과 그냥 위험한 구간을 구분하지 못하면 high-beta small liquidity names에서 size를 과대평가한다.
Trading insight: Henry가 RGTI 같은 변동성 큰 종목을 다룰 때 liquidity premium narrative가 있어도 position cap과 exit route가 먼저다. expected return이 높아도 exit depth가 얇으면 Kelly fraction을 낮춰야 한다.
Change sensor: price-impact coefficient, turnover collapse, signed order-flow imbalance, spread persistence, exit volume versus position size.
Follow-up question: Henry watchlist에서 liquidity premium으로 보상받는 종목과 liquidity trap인 종목을 어떻게 구분할 것인가?

[04:01 KST] End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing

URL: https://arxiv.org/abs/2607.00475v1
Source Type: paper
Domain: execution | risk-sizing
Trading Relevance: 8
Time Horizon: swing | cycle
Actionability: study
Henry Risk Link: sizing | correlation | regime
Why it matters: 예측한 뒤 최적화하는 전통 pipeline은 forecast error와 optimizer overfit이 결합되기 쉽다. 이 논문은 market state에서 portfolio weight로 직접 매핑하는 end-to-end AI policy를 단순 rule과 비교한다. Henry에게 중요한 질문은 복잡한 AI가 실제로 simple rule보다 나은가가 아니라, 어떤 regime에서 단순 risk rule이 더 생존성이 높은가다.
Raw excerpt / abstract: arXiv abstract says timing-based tilts across asset classes can drive much of diversified cross-asset risk and return. Instead of forecasting returns and then optimizing weights, the study maps market states directly to portfolio weights and asks when AI models beat simple rules.
Cold read: AI portfolio policy는 멋져 보이지만, weight output이 곧 risk decision이므로 오류가 바로 exposure error가 된다. black-box conviction이 sizing으로 직행하면 drawdown 통제가 약해진다.
Trading insight: Henry의 portfolio rule은 AI score를 직접 비중으로 바꾸면 안 된다. AI signal은 후보 생성에 쓰고, final size는 drawdown budget, liquidity cap, correlation heat, macro ceiling의 minimum으로 제한해야 한다.
Change sensor: model weight turnover, regime-specific underperformance, simple rule benchmark gap, realized correlation spike, transaction cost drag.
Follow-up question: Henry의 screen-to-entry pipeline에서 AI score가 아니라 risk-constrained weight를 출력하도록 바꾸면 손실 cluster가 줄어드는가?

[04:01 KST] Settlement Manipulation in Prediction Markets

URL: https://arxiv.org/abs/2606.31675v1
Source Type: paper
Domain: microstructure | execution | crypto-structure
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: monitor
Henry Risk Link: liquidity | execution | narrative
Why it matters: Polymarket 같은 prediction market 가격은 crowd belief만 반영하지 않는다. 정산 기준이 되는 underlying asset price를 움직일 수 있으면, contract holder가 underlying을 거래해 settlement를 조작할 인센티브가 생긴다. Henry가 prediction market odds를 macro or crypto signal로 쓸 때 market design과 manipulation cost를 함께 봐야 한다.
Raw excerpt / abstract: The abstract says prediction markets increasingly list contracts settling on an asset price that holders can move by trading the underlying. The model shows such contracts transfer wealth from prediction-market liquidity traders to manipulators and harm price discovery in the underlying.
Cold read: prediction market은 정보 시장이면서 동시에 settlement rule game이다. 정산 기준이 얇거나 조작 비용이 낮으면 가격은 확률이 아니라 payoff engineering을 반영할 수 있다.
Trading insight: Henry는 prediction odds를 direct trade trigger로 쓰면 안 된다. odds가 움직일 때 underlying liquidity, settlement window, open interest concentration, and incentive compatibility를 확인해야 한다.
Change sensor: settlement-window volume spike, odds and underlying divergence, concentrated open interest, thin reference market liquidity.
Follow-up question: Henry가 Polymarket odds를 활용할 때 settlement manipulation risk score를 어떻게 붙일 것인가?

[04:01 KST] Liquidity-Based Audit of Algorithmic Trading Strategies

URL: https://arxiv.org/abs/2606.29018v1
Source Type: paper
Domain: execution | risk-sizing
Trading Relevance: 9
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: execution | sizing | liquidity
Why it matters: 전략이 돈을 버는 이유가 예측력인지, liquidity를 가져가는 대가인지, liquidity를 공급하는 보상인지 구분해야 한다. 이 논문은 trade and price history만으로 algo strategy의 net demand for liquidity를 식별할 수 있다고 주장한다. Henry의 실전에서는 승률보다 먼저 “내 전략이 언제 liquidity taker가 되어 불리해지는가”를 감사해야 한다.
Raw excerpt / abstract: The abstract says net demand for liquidity by algorithmic strategies is identifiable from trade and price history alone, with no knowledge of signal or optimization problem. An exact multi-period regret decomposition classifies a linear strategy as a net liquidity demander or supplier.
Cold read: alpha가 아니라 liquidity consumption을 거래하는 전략은 stress에서 비용이 폭발한다. 평시 수익이 좋아도 liquidity regime이 바뀌면 edge가 빠르게 사라진다.
Trading insight: Henry의 post-trade journal은 signal hit rate뿐 아니라 liquidity demand score를 남겨야 한다. 급한 market order로 반복 진입하는 전략은 변동성 상승기에 Kelly fraction을 자동 축소해야 한다.
Change sensor: market order ratio, spread paid, liquidity demand score, stress-period slippage, fill 이후 adverse markout.
Follow-up question: Henry의 최근 손실 거래는 예측 실패였나, 아니면 liquidity demand 비용이 alpha를 먹은 결과였나?

[04:01 KST] High Public Debt and Shifting Financial Markets: Challenges for Central Banks

URL: https://www.bis.org/publ/arpdf/ar2026e2.htm
Source Type: official
Domain: macro-liquidity | capital-markets
Trading Relevance: 9
Time Horizon: cycle
Actionability: monitor
Henry Risk Link: liquidity | correlation | regime
Why it matters: BIS는 높은 공공부채와 NBFI의 sovereign bond market 비중 확대가 fiscal-financial stability nexus를 만든다고 경고한다. Henry의 leveraged exposure는 금리 방향보다 funding market stress, government bond liquidity, NBFI deleveraging에 더 취약할 수 있다. 이것은 매수나 매도 신호가 아니라 maximum portfolio heat를 낮추는 regime filter다.
Raw excerpt / abstract: BIS key takeaways say central banks face challenges from near record-high public debt and the growing role of non-banks in sovereign debt markets. It states this nexus “amplifies and accelerates the transmission of market stress” and that central banks may need to intervene more frequently to address market dysfunction. The report also says government bond market liquidity can be ample for long periods yet dry up quickly after shocks.
Cold read: liquidity는 충분하다가 갑자기 사라지는 상태 변수다. sovereign market이 흔들리면 risk asset correlation이 올라가고, high-beta trades는 individual thesis와 무관하게 같이 맞는다.
Trading insight: Henry의 3x ETF and high-beta basket에는 repo stress, sovereign yield volatility, and NBFI deleveraging monitor가 필요하다. chart가 좋아도 sovereign liquidity shock이 오면 신규 risk를 보류해야 한다.
Change sensor: Treasury market depth, repo stress, yield volatility, NBFI leverage signals, central bank liquidity operations.
Follow-up question: Treasury liquidity stress가 어느 수준이면 Henry의 leveraged ETF 신규 진입을 자동으로 막을 것인가?

[04:01 KST] AI Data Centers

URL: https://epoch.ai/data/ai-data-centers
Source Type: research
Domain: ai-world-sensing | capital-markets
Trading Relevance: 8
Time Horizon: secular
Actionability: monitor
Henry Risk Link: narrative | regime | dilution
Why it matters: AI infrastructure는 더 이상 추상적인 compute narrative가 아니라 특정 지역, power capacity, owner concentration, build timeline의 물리적 게임이다. Epoch AI는 satellite imagery와 permits를 이용해 data center power, compute, cost를 추정한다. Henry가 chip, uranium, power, datacenter trade를 볼 때 narrative보다 physical bottleneck과 capital intensity를 우선해야 한다.
Raw excerpt / abstract: Epoch AI describes its dataset as rigorous public data on the world’s largest AI data centers, with independent estimates from satellite imagery, permits, and construction knowledge. It lists 72 AI data centers with 10.8 million H100-equivalents and 11.2 GW of IT power. It says total facility power is 20-50% higher, pushing the real-world footprint to 14.6 GW of capacity, more than New York City’s 11 GW peak demand.
Cold read: AI scaling의 병목은 model release가 아니라 land, power, grid interconnection, cooling, construction execution이다. compute growth가 빠를수록 financing and power access가 valuation factor가 된다.
Trading insight: AI 관련 포지션은 GPU shipment만 보고 추격하면 늦다. power-secured owners, grid equipment, energy supply, and financing terms를 함께 봐야 하며, capex 부담이 커질수록 dilution or margin pressure도 감시해야 한다.
Change sensor: data center IT power additions, interconnection backlog, PPA pricing, owner concentration, build delay and capex revision.
Follow-up question: Henry의 AI exposure는 compute demand beta인가, power bottleneck beta인가, financing stress beta인가?

[04:01 KST] Aggregating Orderbook Depth to Create Liquidity Metrics

URL: https://gitbook-docs.coinmetrics.io/tutorials-and-examples/tutorials/aggregating-orderbook-depth-to-create-liquidity-metrics
Source Type: official
Domain: crypto-structure | execution
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: liquidity | execution | sizing
Why it matters: crypto liquidity는 headline volume이나 TVL보다 order book depth와 slippage로 봐야 한다. Coin Metrics 문서는 큰 포지션을 작은 price impact로 빠르게 들어가고 나오는 능력이 mature asset의 핵심이라고 설명한다. Henry가 BTC, MSTR, MSTU 관련 구조를 볼 때 spot liquidity와 derivative liquidity를 분리해 읽어야 한다.
Raw excerpt / abstract: Coin Metrics writes that a liquid order book is a necessary component of a mature financial asset. It defines the desirable feature as the ability to quickly enter and exit large positions with a small degree of price impact, or slippage, and notes that Coin Metrics has collected order book snapshots for major crypto assets since 2019.
Cold read: crypto market의 위험은 가격 변동성만이 아니라 exit depth 착시다. volume이 많아도 특정 venue or time window에서 depth가 얇으면 손절 자체가 비싸진다.
Trading insight: BTC-related exposure는 ETF flow와 funding만으로 충분하지 않다. Henry는 depth within price bands, cross-venue spread, slippage estimate, and liquidation map을 동시에 봐야 position size를 정할 수 있다.
Change sensor: 1% and 2% order book depth, bid-ask spread percent, cross-venue liquidity concentration, liquidation cluster, depth evaporation during volatility.
Follow-up question: BTC or crypto-linked equity exposure를 키우기 전 최소 order-book depth condition은 무엇이어야 하는가?

Run Summary [04:01 KST]

collected_count: 8
skipped_duplicates: 27
domain_mix: microstructure/execution 75.0%, risk-sizing/cognition 37.5%, macro-liquidity/capital-markets 25.0%, crypto-structure 25.0%, AI-history 25.0%. 복수 domain 항목이 있어 합계는 100%를 초과한다.
top_theme: 이번 run의 핵심은 “edge가 생기는 곳은 prediction layer가 아니라 liquidity, settlement, impact, and physical constraint layer”라는 점이다.
sharpest_insight: AI agent, prediction market, crypto depth, Treasury liquidity, AI data center 모두 같은 교훈을 준다. headline signal은 구조적 제약을 통과해야만 tradeable edge가 된다.
danger_of_misuse: 오늘 자료를 근거로 AI, crypto, leveraged ETF를 바로 매수하면 안 된다. 이것은 direction call이 아니라 execution audit, liquidity cap, settlement-risk filter, and physical bottleneck monitor를 강화하기 위한 원재료다.
next_probe: Henry 포트폴리오에 대해 liquidity demand score, settlement manipulation risk, Treasury liquidity stress, and AI power bottleneck exposure를 하나의 exposure throttle로 묶을 수 있는가?

[05:00 KST] Reaction-Boundary Variance and Adjoint-Consistent Local-Volatility Projection

URL: https://arxiv.org/abs/2607.05011
Source Type: paper
Domain: microstructure | execution | risk-sizing
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: liquidity | execution | regime
Why it matters: volatility를 calendar time 숫자 하나로 보면 order-flow activity와 book resilience를 놓친다. 이 논문은 latent order book의 bid-ask imbalance boundary가 signed order-flow perturbation에 의해 움직이고, operational time과 calendar time projection을 분리해야 한다고 말한다. Henry가 고베타 종목이나 leveraged ETF를 볼 때 realized volatility는 단순 분산이 아니라 market activity clock의 산물이다.
Raw excerpt / abstract: The abstract says the paper separates “a structural boundary cumulant, a clock projection, and a pricing-measure choice.” It defines the reaction boundary as “the zero of a bid-ask imbalance field” and says operational variance depends on signed-forcing intensity, liquidity slope, resilience, memory, and operational coarse-graining scale.
Cold read: 변동성은 가격 차트의 표면 결과이고, 그 밑에는 order flow, liquidity slope, resilience, activity clock이 있다. 같은 price move도 slow liquidity market과 fast replenishment market에서는 risk 의미가 다르다.
Trading insight: Henry의 size rule은 ATR만으로 부족하다. event time volatility, volume time volatility, order-book resilience를 같이 보지 않으면 stop distance와 position size가 잘못 잡힌다.
Change sensor: order-flow intensity, bid-ask imbalance boundary shift, liquidity resilience, volume-time volatility versus clock-time volatility.
Follow-up question: SOXL, RGTI, MSTU의 volatility를 clock time이 아니라 volume time으로 보면 size cap이 얼마나 달라지는가?

[05:00 KST] Signature-Based Optimal Execution for Statistical Arbitrage with Path-Dependent Trading Signals

URL: https://arxiv.org/abs/2606.31387
Source Type: paper
Domain: execution | microstructure
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: execution | sizing | correlation
Why it matters: signal generation과 execution을 분리하면 path-dependent signal이 실제 주문 비용을 무시할 수 있다. 이 논문은 alpha process와 trading speed를 같은 truncated signature basis 위에 올려 temporary impact, inventory exposure, terminal liquidation, dollar neutrality를 함께 다룬다. Henry에게는 “좋은 pair signal”보다 “그 signal을 어떤 속도로 체결할 것인가”가 중요하다는 교훈이다.
Raw excerpt / abstract: The abstract says both alpha process and trading speed are modelled as linear functionals of the truncated signature of a time-augmented market path, allowing the rule to react to realised signal history while accounting for temporary impact, inventory exposure, terminal liquidation, and approximate dollar neutrality.
Cold read: alpha와 execution은 순차 단계가 아니라 같은 의사결정 문제다. signal이 path-dependent이면 주문 속도도 path-dependent여야 한다.
Trading insight: Henry의 screen-to-entry pipeline은 entry trigger만 출력하지 말고 fill speed, inventory limit, stop route, exit liquidity를 같이 출력해야 한다. 특히 correlation pair나 hedge trade에서는 한쪽만 체결되는 execution risk를 별도 제한해야 한다.
Change sensor: turnover 대비 return, temporary impact, inventory imbalance, hedge leg slippage, signal decay during execution.
Follow-up question: Henry가 ETF와 single-name hedge를 같이 잡을 때, legging risk를 어떻게 position size에 반영할 것인가?

[05:00 KST] The Bounce Has No Direction: Sign, Magnitude, and the Microstructure of Equity Return Predictability

URL: https://arxiv.org/abs/2606.29591
Source Type: paper
Domain: microstructure | risk-sizing
Trading Relevance: 9
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: narrative | execution | regime
Why it matters: mean reversion처럼 보이는 통계가 실제 directional reversal이 아닐 수 있다. 논문은 SPY lag-1 autocorrelation이 방향성 반전이 아니라 magnitude shrinkage에서 온다고 보고한다. Henry가 “어제 크게 빠졌으니 오늘 반등” 같은 사고를 할 때, 방향 signal과 microstructure bounce를 분리해야 한다.
Raw excerpt / abstract: The abstract says SPY lag-1 return autocorrelation is “driven entirely by magnitude” and that “a large move yesterday predicts a smaller move today regardless of direction”. It calls this the fingerprint of bid-ask bounce and non-synchronous constituent staleness, not directional reversal.
Cold read: autocorrelation은 trade signal이 아니라 decomposed evidence다. sign channel이 없는데 magnitude shrinkage만 있으면 반전 베팅은 통계 오독이다.
Trading insight: Henry의 dip-buy rule은 previous day magnitude만으로 작동하면 안 된다. follow-through, breadth, liquidity recovery, sign-specific evidence가 없으면 size를 낮추거나 관망해야 한다.
Change sensor: sign channel versus magnitude channel, bid-ask bounce, ETF-component staleness, lagged reversal at longer horizons.
Follow-up question: Henry의 과거 물타기 판단 중 magnitude shrinkage를 directional reversal로 오해한 사례는 무엇인가?

[05:00 KST] Heads, Not Backbones: Output Heads Dominate Architectures on Fat-Tailed Returns

URL: https://arxiv.org/abs/2606.30037
Source Type: paper
Domain: risk-sizing | ai-world-sensing
Trading Relevance: 8
Time Horizon: swing | cycle
Actionability: study
Henry Risk Link: sizing | regime | narrative
Why it matters: 금융 return 예측에서 fancy backbone보다 distributional output head가 더 중요할 수 있다. fat-tailed returns에서는 point forecast가 아니라 tail coverage와 density quality가 리스크 관리에 직접 연결된다. Henry가 AI signal을 볼 때 “예측값”보다 “불확실성과 tail을 어떻게 표현하는가”를 먼저 봐야 한다.
Raw excerpt / abstract: The abstract says switching from point to Gaussian improves CRPS by about 1.3 percent, switching from Gaussian to mixture adds about 2.4 percent, and mixture head value is largest in high-volatility regimes, including 13.9 percent in 1970s stagflation at h=12.
Cold read: 금융 AI의 약점은 방향을 못 맞히는 것만이 아니라 tail distribution을 과소표현하는 것이다. 위험한 시기에 쓸 모델은 squared error보다 coverage와 pinball loss가 중요하다.
Trading insight: Henry의 AI-assisted sizing은 point estimate를 바로 비중으로 바꾸면 안 된다. mixture distribution, confidence interval, tail loss estimate가 없는 signal은 대형 베팅 근거로 부적합하다.
Change sensor: prediction interval coverage, tail loss calibration, volatility-regime split performance, mixture versus Gaussian density gap.
Follow-up question: Henry의 종목별 expected return model이 point score만 낸다면, tail-aware sizing layer를 어떻게 붙일 것인가?

[05:00 KST] Hidden Dependence and Aggregate Tail Risk

URL: https://arxiv.org/abs/2606.30193
Source Type: paper
Domain: risk-sizing | cognition
Trading Relevance: 9
Time Horizon: cycle
Actionability: study
Henry Risk Link: correlation | sizing | leverage
Why it matters: 평소 correlation이 낮아 보이는 자산도 tail event에서는 숨은 공통 의존성이 드러날 수 있다. 논문은 small perturbation of dependence structure만으로도 worst-case risk bounds가 크게 달라질 수 있다고 말한다. Henry의 SOXL, RGTI, NXE, MSTU는 ticker가 달라도 liquidity shock, risk-off, leverage unwind에서 같이 깨질 수 있다.
Raw excerpt / abstract: The abstract introduces hidden dependence and says even small deviations from a reference Gaussian dependence model can, in principle, justify dramatic increases in capital requirements.
Cold read: 분산투자는 marginal distribution이 아니라 tail dependence 문제다. normal-time correlation matrix가 계좌를 살려준다고 믿으면 가장 필요한 순간에 실패할 수 있다.
Trading insight: Henry의 portfolio heat는 보유 종목 수나 daily beta로 계산하면 부족하다. tail common event, leverage unwind, liquidity drain, AI beta reversal, BTC risk-off를 하나의 hidden dependence stress로 묶어야 한다.
Change sensor: correlation spike during drawdown, common tail event, sector breadth collapse, cross-asset liquidity stress, beta convergence.
Follow-up question: Henry 계좌의 20% drawdown을 만드는 hidden dependence path는 어떤 조합인가?

[05:00 KST] Robust Hedging Valuation Adjustment under Liquidity-Demand Stress

URL: https://arxiv.org/abs/2606.26731
Source Type: paper
Domain: risk-sizing | execution
Trading Relevance: 8
Time Horizon: swing | cycle
Actionability: study
Henry Risk Link: liquidity | sizing | execution
Why it matters: hedge는 무료 보험이 아니다. 이 논문은 no-trade-band가 넓어지면 rebalancing cost는 줄지만 hedge-error risk가 증가한다고 말한다. Henry가 hedge나 분할 대응을 설계할 때 거래 비용과 hedge error 사이의 tradeoff를 수치로 봐야 한다.
Raw excerpt / abstract: The abstract says robust HVA is the worst-case expected loss over a relative-entropy neighborhood of a simulated loss distribution. It distinguishes fixed-radius from fixed benchmark-stress conventions and says wider no-trade bands lower rebalancing costs but raise hedge-error risk.
Cold read: 리스크 관리는 잦은 조정과 방치 사이의 최적 균형이다. 너무 자주 움직이면 비용이 계좌를 갉고, 너무 늦게 움직이면 hedge gap이 커진다.
Trading insight: Henry의 stop과 hedge rule에는 rebalancing band가 필요하다. volatility가 커질수록 무조건 잦게 조정하기보다 cost, slippage, hedge error를 같이 최적화해야 한다.
Change sensor: hedge turnover, hedge error, rebalancing slippage, liquidity-demand stress, stop adjustment frequency.
Follow-up question: Henry의 leveraged ETF hedge 또는 stop adjustment band는 현재 volatility regime에서 너무 좁은가 넓은가?

[05:00 KST] Through Stormy Seas: How Fragile Is Liquidity Across Asset Classes and Time?

URL: https://www.bis.org/publ/work1229.pdf
Source Type: research
Domain: microstructure | macro-liquidity | capital-markets
Trading Relevance: 9
Time Horizon: swing | cycle
Actionability: monitor
Henry Risk Link: liquidity | execution | regime
Why it matters: 평균 spread가 좋아졌다는 말은 stress liquidity가 좋아졌다는 뜻이 아니다. BIS paper는 equities, bonds, FX에서 평균 liquidity는 개선됐지만 bond와 대부분 equity market의 skewness가 증가했다고 보고한다. Henry의 고베타 포지션은 normal-time spread가 아니라 stress-time liquidity tail에서 손실이 확대된다.
Raw excerpt / abstract: BIS says average bid-ask spreads have declined since the 1990s, but skewness has increased in bond and most equity markets. It notes that moving from low to high skewness can more than double the premium paid for immediate execution from around 6% to 13%, and estimates extra annual trading costs up to 1 billion USD if 30% of volume requires immediate execution.
Cold read: liquidity는 평균이 아니라 분포다. 평소에는 싸게 거래되지만 급할 때만 비싸지는 시장은 대형 베팅자에게 더 위험해졌다.
Trading insight: Henry가 손절해야 하는 순간은 보통 impatient execution이 필요한 순간이다. 따라서 liquidity skewness가 높은 regime에서는 position size와 stop distance를 보수적으로 잡아야 한다.
Change sensor: bid-ask spread skewness, upper-to-lower tail ratio, VIX and MOVE, market fragmentation, algorithmic trading pressure.
Follow-up question: Henry의 watchlist에서 average spread는 좁지만 stress spread가 급격히 벌어지는 종목은 무엇인가?

[05:00 KST] IOSCO Regulatory Considerations on Market Liquidity During the Trading Day

URL: https://www.iosco.org/library/pubdocs/pdf/IOSCOPD821.pdf
Source Type: official
Domain: microstructure | execution | capital-markets
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: monitor
Henry Risk Link: execution | liquidity | regime
Why it matters: 장마감 auction에 liquidity가 집중되면 intraday continuous trading liquidity가 얇아질 수 있다. IOSCO는 closing auction의 깊이와 price discovery 장점이 있지만, continuous trading liquidity 감소, marking the close, close 주변 volatility, venue operational pressure 같은 리스크가 커질 수 있다고 지적한다. Henry가 미국장 장중과 장마감 주문을 나눌 때 execution window의 질이 달라진다.
Raw excerpt / abstract: IOSCO says equity market structures have coincided with an increase in volumes executed during the closing phase. It warns this may create risks including reduced liquidity during continuous trading, market manipulation such as marking the close, heightened volatility around the close, and operational resilience pressure.
Cold read: 하루 안에서도 market structure regime이 달라진다. 장중 평균 유동성과 장마감 auction liquidity는 같은 liquidity가 아니다.
Trading insight: Henry의 주문 시간 선택은 단순히 편한 시간이 아니라 liquidity concentration risk를 반영해야 한다. large order는 close 참여, VWAP, split execution, avoid-close rule을 사전에 정해야 한다.
Change sensor: close auction volume share, intraday depth decay, close volatility, closing price dislocation, venue stress alerts.
Follow-up question: Henry가 미국장 마감 직전 주문을 넣을 때 close auction liquidity를 이용해야 하는가, 아니면 marking-the-close risk를 피해야 하는가?

[05:00 KST] Coin Metrics Q1 2026 Review: Crypto Markets Reset as Traditional Assets Go 24/7

URL: https://coinmetrics.substack.com/p/state-of-the-network-issue-357
Source Type: research
Domain: crypto-structure | macro-liquidity | ai-world-sensing
Trading Relevance: 8
Time Horizon: swing | cycle
Actionability: monitor
Henry Risk Link: liquidity | narrative | correlation
Why it matters: crypto market structure는 BTC spot과 perp만의 문제가 아니라 tokenized equities, RWA perps, stablecoin liquidity로 확장되고 있다. Coin Metrics는 spot BTC ETF flows가 30-day rolling basis로 30K BTC 이상 positive로 돌아섰고, stablecoin supply가 약 300B USD 근처에서 유지되며 Q1 adjusted transfer volume이 21.5T USD였다고 정리한다. Henry가 MSTR, MSTU, BTC narrative를 볼 때 crypto rails가 traditional asset exposure를 24/7화하는 구조 변화를 봐야 한다.
Raw excerpt / abstract: Coin Metrics says onchain venues and tokenization pushed further into 24/7 markets for traditional assets, with Hyperliquid traditional asset OI at about 28% or 1.9B USD of overall OI. It also says stablecoin supply held near 300B USD, USDC reached 77B USD, USDT stayed near 184B USD, and adjusted stablecoin transfer volumes reached 21.5T USD in Q1.
Cold read: crypto는 risk asset일 뿐 아니라 24/7 financial market infrastructure 실험장이다. 전통자산 exposure가 onchain perp로 이동하면 weekend and overnight risk transmission 경로가 늘어난다.
Trading insight: BTC-linked equity trade는 ETF flow만으로 충분하지 않다. stablecoin velocity, onchain perp OI, tokenized equity liquidity, macro risk-off, and liquidation risk를 함께 봐야 한다.
Change sensor: BTC ETF 30-day rolling flow, stablecoin supply and velocity, tokenized equity perp OI, funding rates, weekend cross-asset dislocation.
Follow-up question: 24/7 onchain equity and index perps가 미국장 개장 gap과 Henry의 overnight risk에 어떤 새로운 feedback loop를 만들 수 있는가?

Run Summary [05:00 KST]

collected_count: 9
skipped_duplicates: 35
domain_mix: microstructure/execution 67%, risk-sizing/cognition 44%, macro-liquidity/capital-markets 33%, crypto-structure 11%, AI-history 22%. 복수 domain 항목이 있어 합계는 100%를 초과한다.
top_theme: 이번 run의 핵심은 “평균 liquidity와 point forecast는 위험한 위안”이다. 실제 계좌를 지키는 것은 liquidity tail, hidden dependence, distributional forecast, execution window, and 24/7 market structure를 보는 능력이다.
sharpest_insight: Henry의 대형 베팅은 normal-time spread, normal-time correlation, point AI score가 아니라 stress-time liquidity, tail dependence, and execution urgency premium을 통과해야 한다.
danger_of_misuse: 오늘 자료를 근거로 특정 ticker를 즉시 매수하면 안 된다. 이것은 direction call이 아니라 size cap, stop placement, execution window, tail-risk calibration을 강화하기 위한 raw material이다.
next_probe: Henry 계좌의 exposure throttle에 liquidity skewness, hidden dependence stress, volume-time volatility, and 24/7 crypto flow transmission을 어떻게 통합할 것인가?

[06:00 KST] SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR

URL: https://arxiv.org/abs/2607.05484
Source Type: paper
Domain: risk-sizing | macro-liquidity | ai-world-sensing
Trading Relevance: 7
Time Horizon: cycle
Actionability: study
Henry Risk Link: sizing | regime | leverage
Why it matters: 레버리지 포지션의 위험은 단순 VaR 숫자보다, 어떤 scenario input이 capital outcome을 만든 것인지 설명 가능해야 통제된다. SHARC는 SVaR를 baseline, mean-driven, volatility-driven component로 분해해 stress scenario와 capital driver의 연결을 보여준다. Henry에게는 SOXL 같은 convex exposure를 볼 때 volatility만 보지 말고 directional loss magnitude가 capital limit을 지배할 수 있다는 경고다.
Raw excerpt / abstract: “SHARC decomposes SVaR into baseline, mean-driven, and volatility-driven components… under stress conditions, the mean return component (directional loss magnitude) dominates the variance component (volatility baseline) in determining capital levels.”
Cold read: risk model의 edge는 예측력이 아니라 감사 가능한 분해력이다. 설명 불가능한 risk score는 큰 베팅의 근거가 아니라 자기기만일 수 있다.
Trading insight: 포지션 사이징에서 realized volatility만 낮다고 size를 키우면 안 된다. scenario별 directional loss magnitude를 별도 limit으로 두는 방식이 필요하다.
Change sensor: SVaR decomposition, stress scenario별 mean loss contribution, AI bubble or regulatory burden scenario sensitivity.
Follow-up question: Henry의 3x ETF 포트폴리오에 대해 volatility component와 directional loss component를 분리하면 실제 limit은 어느 쪽이 결정하는가?

[06:00 KST] Governing Generative AI Across Financial Institutions: An SR 26-2-Compatible Framework for Generative AI Risk Control

URL: https://arxiv.org/abs/2607.04103
Source Type: paper
Domain: risk-sizing | cognition | ai-world-sensing
Trading Relevance: 6
Time Horizon: secular
Actionability: study
Henry Risk Link: execution | narrative | regime
Why it matters: agentic AI가 직접 주문을 내지 않아도 monitoring interpretation, policy analysis, language drafting을 통해 decision control environment를 바꿀 수 있다. Henry의 trading process에서도 AI 조언은 formal model boundary 밖에 있어도 실제 risk-taking에 영향을 준다. 따라서 AI를 쓰는 방식 자체가 risk control 대상이다.
Raw excerpt / abstract: “generative and agentic AI are excluded, creating an important governance challenge… its outputs can materially affect the surrounding control environment through monitoring interpretation, policy analysis, or adverse-action language drafting.”
Cold read: 위험은 AI가 틀린 prediction을 내는 것만이 아니다. AI가 의사결정 주변의 문서화, 설명, 반박 구조를 바꾸면 human override 능력이 약해진다.
Trading insight: AI 분석을 주문 근거로 쓸 때는 confidence보다 control boundary를 먼저 정해야 한다. pre-trade checklist에 AI 근거의 반증 조건과 human veto rule을 포함해야 한다.
Change sensor: AI-generated monitoring note 의존도, 반대 시나리오 누락 빈도, decision log에서 AI wording이 Henry의 확신을 과도하게 높이는지.
Follow-up question: 왕대박의 분석 결과가 Henry의 FOMO를 낮추는지, 아니면 더 정교한 narrative로 FOMO를 합리화하는지 어떻게 측정할까?

[06:00 KST] Portfolio Optimization and Tail-Risk Analytics of Actively Managed ETFs

URL: https://arxiv.org/abs/2607.03082
Source Type: paper
Domain: risk-sizing | capital-markets
Trading Relevance: 7
Time Horizon: swing
Actionability: study
Henry Risk Link: leverage | correlation | sizing
Why it matters: ETF는 diversified wrapper처럼 보이지만 tail exposure, dependence structure, turnover, implementation costs가 joint outcome을 결정한다. actively managed ETF 분석이지만, Henry의 leveraged ETF exposure에도 같은 원칙이 적용된다. 포트폴리오 aggregation 후에도 downside tail risk가 사라지지 않는다는 점이 핵심이다.
Raw excerpt / abstract: “CVaR-minimizing portfolios sacrifice upside participation for stronger downside control… downside tail exposure remains meaningful after portfolio aggregation… dependence structure, portfolio design, dynamic allocation, implementation frictions, and tail-risk exposure jointly shape performance.”
Cold read: ETF wrapper는 tail risk를 제거하지 않는다. 오히려 포트폴리오 단위에서는 correlation이 뛰는 순간 diversification illusion이 드러난다.
Trading insight: ETF별 손절만으로 부족하다. portfolio heat, combined CVaR, max drawdown budget을 함께 보며 rebalance와 turnover cost까지 반영해야 한다.
Change sensor: ETF 간 rolling correlation, combined CVaR-95, turnover-adjusted return, left-tail Hill estimator 변화.
Follow-up question: Henry의 SOXL, MSTU, RGTI, NXE 조합에서 개별 종목 stop보다 먼저 작동해야 할 portfolio-level heat trigger는 무엇인가?

[06:00 KST] Adaptive AI Delegation under Uncertainty: A Bayesian Governance Policy for Sequential Decision Authority

URL: https://arxiv.org/abs/2606.29406
Source Type: paper
Domain: risk-sizing | cognition | ai-world-sensing
Trading Relevance: 8
Time Horizon: cycle
Actionability: study
Henry Risk Link: FOMO | sizing | execution
Why it matters: AI recommendation을 얼마나 믿을지는 prediction 문제가 아니라 decision authority allocation 문제다. 논문은 Bayesian belief와 POMDP로 evidence quality, uncertainty, governance objective가 변할 때 delegation 수준을 동적으로 정한다. Henry에게는 왕대박, Alice, 다른 모델의 의견을 포지션 크기와 연결할 때 필요한 meta-risk framework다.
Raw excerpt / abstract: “Existing AI governance frameworks emphasize transparency, documentation, oversight, and regulatory compliance, but provide limited quantitative guidance for dynamically allocating decision authority under uncertainty… sequential Bayesian governance provides the strongest general-purpose governance policy across heterogeneous AI-quality regimes.”
Cold read: AI confidence가 높아도 authority를 높이면 안 되는 구간이 있다. evidence quality와 regime stability가 낮으면 delegation은 줄고 human risk budget은 보수화되어야 한다.
Trading insight: 모델 consensus를 size multiplier로 쓰려면, consensus confidence가 아니라 consensus calibration history와 regime similarity를 같이 봐야 한다.
Change sensor: AI forecast calibration, model disagreement, regime shift score, AI-only decision의 drawdown contribution.
Follow-up question: Henry의 pre-trade checklist에 AI delegation level을 0에서 3까지 두면 어떤 조건에서 자동으로 낮춰야 하는가?

[06:00 KST] Continuous Hidden Markov Models for Equity Returns: Heavy-Tail Emission Families and Regime-Conditional Value-at-Risk

URL: https://arxiv.org/abs/2606.23492
Source Type: paper
Domain: risk-sizing | macro-liquidity | historical-case
Trading Relevance: 8
Time Horizon: swing
Actionability: study
Henry Risk Link: regime | sizing | leverage
Why it matters: 단일 historical path에 의존한 backtest는 tail과 volatility clustering을 과소평가한다. 이 논문은 Markov regime chain과 heavy-tailed emission을 분리해 simple but interpretable generator가 VaR와 cross-asset correlation까지 재현할 수 있다고 주장한다. Henry의 leverage size는 regime-conditioned VaR 없이는 과대 sizing될 위험이 크다.
Raw excerpt / abstract: “Synthetic generators of daily equity returns let practitioners stress test, backtest, and design scenarios that a single realized market history cannot supply… heavy-tailed marginals, not additional decay modes, closed most of the fit gap… regime-conditional Value-at-Risk that passes a joint conditional-coverage test.”
Cold read: regime model은 예측 기계가 아니라 survival simulator다. 핵심은 내일 방향보다, 현재 regime에서 포지션이 어떤 tail path를 견딜 수 있는지다.
Trading insight: Markov state별 VaR와 correlation shock를 position sizing에 연결하면, low-vol calm regime에서 leverage가 자동으로 과잉 확대되는 문제를 줄일 수 있다.
Change sensor: regime posterior probability, Student-t emission tail parameter, regime-conditional VaR breach, absolute-return autocorrelation.
Follow-up question: SOXL 같은 3x ETF의 holding size를 HMM regime posterior와 fractional Kelly에 연결하면 현행 size 대비 얼마나 줄어드는가?

[06:00 KST] The Inference-Compute Frontier and a Latency-Efficient Architecture for Limit Order Book Prediction

URL: https://arxiv.org/abs/2606.25986
Source Type: paper
Domain: microstructure | execution | ai-world-sensing
Trading Relevance: 7
Time Horizon: intraday
Actionability: archive
Henry Risk Link: execution | liquidity | regime
Why it matters: limit order book prediction에서 compute loss frontier는 좋아져도 latency frontier는 별도 문제라는 지적이 중요하다. retail swing trader에게도 lesson은 같다. 좋은 signal이 있어도 execution latency, spread, slippage, fill probability가 나쁘면 edge가 사라진다.
Raw excerpt / abstract: “A similar exercise in latency space gives substantially weaker results, showing that latency is not merely noisy compute… FastBiNLOB exceeds the published y10 and y100 macro-F1 targets at notably lower latency.”
Cold read: accuracy와 latency는 같은 축이 아니다. market microstructure에서는 빠르게 틀리는 모델과 늦게 맞는 모델이 모두 비용을 만든다.
Trading insight: Henry의 주문 전 체크는 signal strength만 보지 말고 expected spread, market depth, order type, execution window를 분리해야 한다.
Change sensor: bid-ask spread widening, top-of-book depth, execution delay, predicted edge 대비 realized slippage.
Follow-up question: Henry가 장중 추격 매수할 때 expected alpha보다 slippage와 adverse selection이 큰 구간을 어떻게 사전에 차단할까?

[06:00 KST] Tracking Trillions: The Assumptions Shaping the Scale of the AI Build-Out

URL: https://www.goldmansachs.com/insights/articles/tracking-trillions-the-assumptions-shaping-scale-of-the-ai-build-out
Source Type: research
Domain: ai-world-sensing | capital-markets | macro-liquidity
Trading Relevance: 8
Time Horizon: secular
Actionability: monitor
Henry Risk Link: narrative | dilution | regime
Why it matters: AI capex narrative는 수요 낙관만으로 평가하면 위험하다. Goldman은 required capital이 chip useful life, data center cost per MW, architecture mix, bottleneck elongation 같은 supply-side assumptions에 크게 좌우된다고 본다. Henry의 반도체 leverage exposure는 AI theme이 맞아도 capex timing과 financing friction에서 drawdown을 맞을 수 있다.
Raw excerpt / abstract: “Baseline aggregate AI CapEx estimates… ~$7.6tr of capital between 2026 and 2031 across compute, data centers, and power… The most critical assumptions… economic useful life of AI chips, cost and complexity of building next-generation data centers, chip architectural choices, elongation of the build-out due to physical and institutional bottlenecks.”
Cold read: AI build-out은 demand story가 아니라 depreciation, grid, permitting, asset obsolescence story이기도 하다. bottleneck은 총 spend를 줄이지 않아도 equity volatility를 키운다.
Trading insight: AI 관련 종목을 볼 때 revenue growth보다 capex-to-cash-flow, depreciation burden, project delay, financing condition을 regime trigger로 봐야 한다.
Change sensor: hyperscaler capex guide revision, data center cost per MW, chip depreciation assumption, interconnection queue delay, credit spread for AI infra financing.
Follow-up question: AI capex의 bottleneck elongation이 SOXL의 multiple compression trigger로 작동하는 threshold는 무엇인가?

[06:00 KST] Frontiers of compute: The technologies to reduce AI inference costs

URL: https://www.mckinsey.com/industries/semiconductors/our-insights/frontiers-of-compute-the-technologies-to-reduce-ai-inference-costs
Source Type: research
Domain: ai-world-sensing | capital-markets
Trading Relevance: 8
Time Horizon: secular
Actionability: monitor
Henry Risk Link: narrative | regime | correlation
Why it matters: AI adoption의 다음 병목은 smarter model보다 cheaper token일 수 있다. McKinsey는 cost per token과 energy per token을 핵심 metric으로 두고, model optimization, advanced packaging, custom silicon, co-packaged optics가 inference economics를 바꿀 수 있다고 본다. 반도체 exposure에서는 GPU unit growth만이 아니라 token economics 개선 경로가 multiple을 지지하거나 훼손한다.
Raw excerpt / abstract: “AI’s next breakthrough may not be a smarter model but a cheaper token… cost per token determines whether inference can be commercially viable, energy per token determines whether it can be physically scaled… model optimization reduced cost per token by 85 to 95 percent… combined over time, inference costs could drop by up to two orders of magnitude.”
Cold read: inference cost collapse는 bullish와 bearish가 동시에 가능하다. 사용량을 폭발시키면 infrastructure demand가 유지되지만, margin pool과 vendor power는 재분배된다.
Trading insight: AI supply chain bet은 token cost curve의 수혜자가 누구인지로 분해해야 한다. GPU, ASIC, packaging, optics, memory, power의 winners가 다른 구간이 온다.
Change sensor: cost per token, energy per token, ASIC adoption, advanced packaging capacity, co-packaged optics deployment, enterprise token budget pressure.
Follow-up question: SOXL exposure에서 NVDA-centric beta와 broader semiconductor cost-curve beta를 분리하려면 어떤 proxy basket을 봐야 할까?

[06:00 KST] 2026 Crypto Market Outlook

URL: https://www.coinbase.com/institutional/research-insights/research/market-intelligence/2026-crypto-market-outlook
Source Type: research
Domain: crypto-structure | macro-liquidity | capital-markets
Trading Relevance: 7
Time Horizon: cycle
Actionability: monitor
Henry Risk Link: liquidity | narrative | regime
Why it matters: Coinbase의 2026 crypto outlook은 regulation, institutional integration, ETF, DAT, tokenization, stablecoins를 하나의 market structure shift로 묶는다. 이 관점은 BTC와 MSTR류 exposure를 단순 price momentum이 아니라 liquidity plumbing과 balance-sheet adoption의 결과로 보게 한다. 다만 sell-side style outlook이라 upside narrative를 그대로 매수 신호로 쓰면 위험하다.
Raw excerpt / abstract: “Crypto markets are poised for transformative growth in 2026, as clearer regulation and accelerating institutional integration deepen crypto’s role in the core financial system… landmark U.S. and global regulatory advances in 2025, which enabled new spot crypto ETFs, digital asset treasuries (DATs), and broader institutional participation… stablecoin market cap could reach a target range centered around $1.2T by the end of 2028.”
Cold read: crypto는 speculative island에서 institutional liquidity layer로 이동 중이라는 narrative가 강해지고 있다. 그러나 institutionalization은 upside와 함께 leverage, basis trade, redemption shock도 더 체계화한다.
Trading insight: BTC 관련 포지션은 spot ETF flow, stablecoin supply, perp funding, DAT financing을 같이 봐야 한다. 한 지표만 bullish여도 liquidity stack 전체가 약하면 size를 줄여야 한다.
Change sensor: ETF net flow, stablecoin market cap growth, perp funding, basis spread, DAT issuance, regulatory calendar.
Follow-up question: BTC spot ETF flow와 stablecoin liquidity가 서로 충돌할 때 Henry의 BTC proxy exposure는 어느 지표를 우선해야 하는가?

Run Summary [06:00 KST]

collected_count: 9
skipped_duplicates: 22
domain_mix: microstructure/execution 11%, risk/cognition/sizing 45%, macro/capital-markets 22%, crypto-structure 11%, AI-history/world-sensing 11%
top_theme: signal, AI confidence, and thematic narrative are not enough unless governance, tail simulation, and execution cost are explicitly modeled.
sharpest_insight: 오늘의 공통 구조는 edge의 원천보다 edge의 누수 지점이다. explainability, delegation boundary, latency, tail dependence, cost per token, capex bottleneck이 모두 수익률 전망과 실제 생존 가능성 사이의 차이를 만든다.
danger_of_misuse: AI capex와 crypto institutionalization 자료를 bullish narrative로만 읽고 SOXL, MSTU, BTC proxy size를 키우면 안 된다. 자료의 핵심은 방향 확신이 아니라 bottleneck, financing, tail risk, execution friction이 size를 제한해야 한다는 점이다.
next_probe: Henry 포트폴리오에 대해 regime-conditioned VaR, portfolio heat, AI delegation level, execution-quality score를 하나의 pre-trade throttle로 결합하는 최소 계산식을 설계한다.

[07:00 KST] Pump.fun Graduation Regime Windows: Survival Analysis of 832,941 Token Launches

URL: https://arxiv.org/abs/2607.02823
Source Type: paper
Domain: crypto-structure | microstructure | risk-sizing
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: FOMO | liquidity | sizing
Why it matters: 극단적으로 많은 신규 token launch 중 실제로 meaningful liquidity regime으로 넘어가는 비율이 얼마나 낮은지 보여준다. Henry에게 핵심은 early flow와 social proof가 있어도 base rate가 너무 낮으면 FOMO entry가 계좌를 갉는다는 점이다. MEME or small-cap crypto narrative를 볼 때 survivorship bias를 먼저 제거해야 한다.
Raw excerpt / abstract: arXiv abstract says the paper analyzes 832,941 Solana pump.fun token launches from 2026-05-08 to 2026-06-10. The pooled graduation rate is 0.198% with Wilson 95% confidence interval 0.189% to 0.208%, a 3.18x decline from the 0.63% rate reported for an earlier window.
Cold read: 신규 crypto token 시장은 opportunity set이 아니라 failure factory에 가깝다. 몇 개의 성공 사례가 전체 base rate를 가리고, attention이 liquidity로 바뀌기 전에 대부분 사라진다.
Trading insight: Henry가 high-upside crypto narrative를 볼 때 entry thesis보다 rejection rule이 먼저다. graduation base rate가 낮은 시장에서는 full Kelly가 아니라 tiny option-like sizing 또는 no trade가 기본값이다.
Change sensor: graduation rate, launch count surge, social-presence signal quality, first-hour buyer retention, liquidity migration threshold.
Follow-up question: Henry가 speculative token or small-cap equity를 볼 때 base-rate filter를 어느 수준 아래에서 자동 no trade로 둘 것인가?

[07:00 KST] Coordinated Sniper Cohorts on Pump.fun

URL: https://arxiv.org/abs/2607.02795
Source Type: paper
Domain: crypto-structure | execution | cognition
Trading Relevance: 8
Time Horizon: intraday
Actionability: study
Henry Risk Link: FOMO | execution | liquidity
Why it matters: 신규 token의 early buyer flow가 organic demand가 아니라 coordinated wallet ring일 수 있다는 경고다. Henry가 volume spike, first-hour buyers, social trend를 보고 추격할 때, 그것이 정보가 아니라 유도된 exit liquidity setup일 수 있다. execution layer의 adversary를 가정해야 FOMO를 줄일 수 있다.
Raw excerpt / abstract: The abstract reports 1,578,333 buyer observations from 166,098 token launches between 2026-06-12 and 2026-06-26. It describes a two-stage detection pipeline for persistent wallet rings and warns about the limits of naive causal inference for first-hour buyer flow.
Cold read: early flow는 crowd wisdom이 아니라 manipulation surface일 수 있다. 시장이 작고 onchain trace가 공개될수록 coordination은 더 빨라지고 retail은 더 늦게 본다.
Trading insight: Henry의 entry checklist에 “flow authenticity” 항목이 필요하다. 첫 시간 매수자가 많다는 이유만으로 size를 키우면 sniper cohort의 exit side가 될 수 있다.
Change sensor: repeated wallet co-occurrence, first-hour buyer clustering, same-wallet launch overlap, liquidity add then remove pattern.
Follow-up question: Henry의 crypto monitoring에서 wallet cohort concentration을 간단히 점수화할 수 있는가?

[07:00 KST] Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets

URL: https://arxiv.org/abs/2606.25811
Source Type: paper
Domain: execution | risk-sizing | macro-liquidity
Trading Relevance: 8
Time Horizon: swing | cycle
Actionability: study
Henry Risk Link: correlation | regime | sizing
Why it matters: futures curve와 calendar spread는 단일 price chart보다 inventory, term structure, roll dynamics를 더 잘 반영할 때가 있다. Henry가 uranium, energy, commodity-linked AI power narrative를 볼 때 spot headline만 보면 늦을 수 있다. spread structure는 regime change의 조기 센서가 될 수 있다.
Raw excerpt / abstract: arXiv abstract says commodity futures can be represented hierarchically, with underlying assets at the upper level and individual futures contracts at the lower level. Edges capture inherent correlations and contract-to-underlying connections, supporting calendar spread strategies.
Cold read: commodity trade는 price direction보다 curve shape game이다. 같은 underlier라도 nearby와 deferred contract가 다른 funding, storage, scarcity information을 담는다.
Trading insight: Henry가 commodity-sensitive equities or ETFs를 볼 때 term structure, spread momentum, and roll yield를 함께 봐야 한다. equity price가 움직이기 전 futures curve가 supply stress를 말할 수 있다.
Change sensor: calendar spread slope, roll yield, inventory report divergence, front-month squeeze, cross-commodity graph correlation.
Follow-up question: NXE나 uranium theme을 볼 때 spot narrative보다 futures curve proxy를 어떤 데이터로 추적할 수 있는가?

[07:00 KST] Time-Dependent Weighted Directed Networks of Cryptocurrency Interaction from High-Frequency Returns

URL: https://arxiv.org/abs/2606.25466
Source Type: paper
Domain: crypto-structure | microstructure | risk-sizing
Trading Relevance: 8
Time Horizon: intraday | swing
Actionability: study
Henry Risk Link: correlation | liquidity | regime
Why it matters: crypto market은 하나의 BTC beta로 끝나지 않고 lead-lag와 Granger causal network가 시간에 따라 바뀐다. Henry가 BTC, MSTR, MSTU, altcoin sentiment를 연결해서 볼 때 correlation을 고정 숫자로 두면 regime shift를 놓친다. high-frequency spillover 구조가 leverage unwind를 빠르게 전파할 수 있다.
Raw excerpt / abstract: The abstract says the study constructs directed and weighted networks from statistically significant Granger causal relationships between cryptocurrency log-returns using high-frequency price data from 2020 to 2025. The goal is to quantify the flow of information and influence across crypto assets over time.
Cold read: crypto risk는 단일 자산의 volatility가 아니라 network contagion이다. 평소에는 분산처럼 보이는 token들이 stress에서는 방향성 network로 묶인다.
Trading insight: BTC proxy exposure를 키울 때 Henry는 BTC dominance, ETH lead-lag, stablecoin liquidity, and altcoin network centrality를 같이 봐야 한다. correlation spike가 시작되면 position heat를 자동으로 낮춰야 한다.
Change sensor: rolling Granger network centrality, BTC to altcoin spillover, stablecoin pair liquidity, network density during selloffs.
Follow-up question: MSTU risk는 BTC price보다 crypto network centrality 변화에 더 민감한가?

[07:00 KST] Adapted Law Invariance and Time-Consistent Dynamic Risk Measures

URL: https://arxiv.org/abs/2607.04392
Source Type: paper
Domain: risk-sizing
Trading Relevance: 7
Time Horizon: cycle
Actionability: study
Henry Risk Link: sizing | regime | leverage
Why it matters: risk measure가 static distribution만 보는지, 정보가 시간에 따라 업데이트되는 dynamic process를 반영하는지가 중요하다. Henry의 포지션은 한 번 산 뒤 끝나는 lottery가 아니라 매일 새 정보와 gap risk가 들어오는 sequential decision이다. time consistency가 없으면 어제의 합리적 size가 오늘의 risk budget과 충돌할 수 있다.
Raw excerpt / abstract: arXiv abstract says static law invariance makes risk depend only on distribution, while dynamic adapted law invariance requires risk assessment to depend on the probabilistic structure of information over time. The paper studies time-consistent dynamic risk measures under that principle.
Cold read: 리스크는 최종 손익 분포만이 아니라 path and information filtration 문제다. 같은 최종 distribution이라도 중간 drawdown과 decision point가 다르면 실제 생존성은 달라진다.
Trading insight: Henry의 risk rule은 entry-day VaR로 고정되면 안 된다. new information, realized volatility, liquidity state, overnight event calendar가 바뀌면 risk measure도 time-consistent하게 갱신되어야 한다.
Change sensor: risk budget drift, new information shock, VaR breach after regime update, stop rule inconsistency.
Follow-up question: Henry의 portfolio heat를 매일 업데이트할 때 어떤 정보 변화가 자동 resize trigger가 되어야 하는가?

[07:00 KST] Strategic Risk Reduction: Self-Protection and Self-Insurance

URL: https://arxiv.org/abs/2606.30363
Source Type: paper
Domain: risk-sizing | cognition
Trading Relevance: 8
Time Horizon: swing | cycle
Actionability: study
Henry Risk Link: sizing | leverage | execution
Why it matters: risk control은 손실 확률을 낮추는 self-protection과 손실 크기를 낮추는 self-insurance로 나뉜다. Henry의 trading process에서 좋은 entry filter는 self-protection이고, stop, hedge, position cap은 self-insurance다. 둘을 섞어 생각하면 filter를 믿고 size를 과도하게 키우는 오류가 생긴다.
Raw excerpt / abstract: The abstract says self-protection reduces loss frequency, while self-insurance reduces loss severity. The paper studies how a risk holder should combine these strategies when market insurance is absent, with joint risk-reduction cost and interaction between the two strategies.
Cold read: 좋은 setup은 손실 가능성을 줄일 뿐, 손실 규모를 자동으로 제한하지 않는다. 반대로 손절은 손실 크기를 줄일 뿐, 나쁜 진입을 좋은 진입으로 만들지 않는다.
Trading insight: Henry의 checklist를 probability filter와 damage limiter로 분리해야 한다. signal quality가 높아도 damage limiter가 약하면 size를 키우면 안 된다.
Change sensor: entry filter hit rate, stop execution quality, hedge cost, max adverse excursion, loss frequency versus loss severity split.
Follow-up question: SOXL or MSTU trade에서 Henry의 현재 규칙은 self-protection과 self-insurance 중 어느 쪽이 약한가?

[07:00 KST] Regs Will Increase Until Liquidity Improves

URL: https://fedguy.com/regs-will-increase-until-liquidity-improves/
Source Type: blog
Domain: macro-liquidity | capital-markets | execution
Trading Relevance: 8
Time Horizon: cycle
Actionability: monitor
Henry Risk Link: liquidity | regime | correlation
Why it matters: Treasury market liquidity deterioration는 주식과 crypto에도 간접 충격을 준다. 글은 dealer balance sheet constraint, Treasury repo clearing의 collateral haircut, cash Treasury marginal buyer 문제를 liquidity 구조 악화 요인으로 본다. Henry의 leveraged ETF는 Treasury liquidity stress가 오면 individual thesis와 무관하게 correlation shock를 맞을 수 있다.
Raw excerpt / abstract: Joseph Wang writes that the Fed Treasury market conference offered three insights suggesting Treasury market liquidity will continue structural decline: dealer balance sheet constraints, mandatory Treasury repo clearing raising financing cost through higher collateral haircuts, and mutual funds not becoming significant marginal investors in cash Treasuries.
Cold read: Treasury market은 risk-free asset 시장이지만 liquidity-free market은 아니다. 국채 market plumbing이 나빠지면 모든 risk asset의 discount rate와 funding tolerance가 흔들린다.
Trading insight: Henry의 macro filter는 Fed rate path만 보면 부족하다. Treasury depth, repo clearing cost, dealer balance sheet capacity가 나빠지면 3x ETF 신규 진입을 보류하는 것이 맞다.
Change sensor: Treasury market depth, repo haircut, basis trade leverage, dealer inventory capacity, MOVE index.
Follow-up question: Treasury liquidity stress를 Henry의 portfolio heat ceiling에 넣을 때 어떤 지표 조합이 false positive를 줄일까?

[07:00 KST] Gap Grows Between Bitcoin and Altcoins

URL: https://www.kaiko.com/resources/gap-grows-between-bitcoin-and-altcoins
Source Type: research
Domain: crypto-structure | execution | risk-sizing
Trading Relevance: 9
Time Horizon: swing | cycle
Actionability: monitor
Henry Risk Link: liquidity | correlation | narrative
Why it matters: Kaiko는 BTC가 institutional liquidity anchor로 성숙하는 반면 altcoin liquidity stress가 커진다고 본다. Henry가 BTC proxy와 high-beta crypto narrative를 구분하지 않으면 같은 crypto exposure로 묶어 잘못 sizing할 수 있다. MSTU와 MSTR을 볼 때도 BTC liquidity와 altcoin liquidity를 분리해야 한다.
Raw excerpt / abstract: Kaiko says Bitcoin’s advantage is reinforced by growing liquidity on U.S.-based exchanges, which now dominate its global 1% market depth. It reports top ten altcoins now account for 63% of altcoin volume, up from about 50%, and Q2 2% depth maximum drawdown reached up to -31.3% for altcoins versus -18.05% for BTC.
Cold read: crypto 내부에서도 liquidity hierarchy가 생기고 있다. BTC는 institution-grade execution channel을 얻는 반면, altcoin은 stress 때 liquidity desert로 변하기 쉽다.
Trading insight: crypto beta를 하나로 보면 위험하다. Henry의 BTC-related trade는 ETF flow와 BTC depth를 보고, altcoin or SOL-related exposure는 별도 liquidity haircut을 적용해야 한다.
Change sensor: BTC 1% market depth, altcoin 2% depth drawdown, top-ten volume concentration, U.S. exchange depth share, offshore liquidity imbalance.
Follow-up question: MSTU sizing에는 BTC liquidity signal과 altcoin risk appetite signal 중 어느 쪽이 더 직접적인 throttle인가?

[07:00 KST] 9 Charts on What Stablecoins Are Becoming

URL: https://a16zcrypto.com/posts/article/stablecoin-data-charts
Source Type: research
Domain: crypto-structure | macro-liquidity | capital-markets
Trading Relevance: 8
Time Horizon: cycle | secular
Actionability: monitor
Henry Risk Link: liquidity | narrative | regime
Why it matters: stablecoin은 더 이상 exchange settlement tool만이 아니라 payments and local financial rail로 확장되고 있다. a16z는 adjusted volume, velocity, payments mix, regional adoption을 통해 stablecoin이 core financial infrastructure로 이동한다고 주장한다. Henry에게 중요한 것은 bullish crypto narrative가 아니라 liquidity rail의 질적 변화와 그로 인한 24/7 capital movement다.
Raw excerpt / abstract: The article says adjusted stablecoin volume reached roughly 4.5T USD in Q1 2026, consumer-to-business stablecoin transactions grew 128% year over year to 284.6M in 2025, and stablecoin velocity roughly doubled from 2.6x to 6x since early 2024. It estimates 350B to 550B USD in payments between different parties last year.
Cold read: stablecoin growth가 real payment utility로 이동하면 crypto liquidity는 더 cyclical하면서도 더 structural해진다. 단기 BTC trade와 장기 financial rail adoption을 구분해야 한다.
Trading insight: BTC or crypto proxy exposure는 stablecoin supply만 보지 말고 velocity와 payments use를 봐야 한다. supply 증가가 speculative leverage인지 real settlement demand인지에 따라 risk signal이 다르다.
Change sensor: adjusted stablecoin volume, velocity, C2B transactions, regional payment concentration, non-USD stablecoin baseline.
Follow-up question: stablecoin velocity 상승은 BTC liquidity에 선행 신호인가, 아니면 crypto market cycle과 독립적인 rails adoption인가?

[07:00 KST] How AI Labs Are Solving the Power Crisis: The Onsite Gas Deep Dive

URL: https://newsletter.semianalysis.com/p/how-ai-labs-are-solving-the-power
Source Type: research
Domain: ai-world-sensing | capital-markets | macro-liquidity
Trading Relevance: 9
Time Horizon: secular
Actionability: monitor
Henry Risk Link: narrative | dilution | regime
Why it matters: AI capex trade의 병목이 grid interconnection에서 onsite generation으로 이동하고 있다. SemiAnalysis는 grid가 sold out 상태이고 AI cloud가 GW당 연 10B to 12B USD revenue를 만들 수 있어 time-to-power가 moat가 된다고 설명한다. Henry가 SOXL, NXE, power, datacenter narrative를 볼 때 power 확보 속도와 permitting risk가 valuation factor다.
Raw excerpt / abstract: SemiAnalysis says Texas alone receives tens of gigawatts of datacenter load requests each month while barely more than a gigawatt was approved in the past 12 months. It says AI cloud can generate 10B to 12B USD per gigawatt annually, xAI deployed over 500MW of turbines near datacenters, and OpenAI plus Oracle placed a 2.3GW onsite gas generation order in Texas.
Cold read: AI scaling은 chips race가 아니라 time-to-power race다. grid가 병목이면 winner는 model quality만이 아니라 permitting, gas turbine procurement, site selection, and financing execution으로 결정된다.
Trading insight: AI semiconductor exposure를 키울 때 chip demand만 보면 FOMO다. power bottleneck이 capex delay, margin pressure, equipment winner rotation, local political resistance를 만들 수 있다.
Change sensor: datacenter load request approval rate, onsite generation orders, gas turbine lead time, permitting delays, power cost per token.
Follow-up question: AI infra trade에서 Henry는 GPU beta보다 time-to-power beta를 어떻게 더 직접적으로 추적할 것인가?

[07:00 KST] Tokenized Assets Have Proved the Concept. Now Comes the Hard Part

URL: https://a16zcrypto.com/posts/article/tokenized-asset-rwa-market-data-charts
Source Type: research
Domain: crypto-structure | capital-markets | macro-liquidity
Trading Relevance: 8
Time Horizon: secular
Actionability: monitor
Henry Risk Link: liquidity | narrative | regime
Why it matters: tokenized asset market은 빠르게 커졌지만 아직 composability가 낮아 진짜 market structure shift와 marketing story를 분리해야 한다. a16z는 tokenized assets가 30B USD를 넘었고, Treasurys and gold가 중심이며, bonds supply 중 DeFi deployed share가 약 5%라고 말한다. Henry는 onchain finance narrative를 볼 때 size와 실제 사용도를 분리해야 한다.
Raw excerpt / abstract: The article says tokenized assets crossed 30B USD and stayed near 34B USD, excluding stablecoins. It says tokenized U.S. Treasurys and commodities make up roughly two-thirds of the market, Ethereum hosts 15.7B USD, bonds are 15.2B USD, and only about 5% of tokenized bond supply, roughly 800M USD, is deployed in DeFi protocols.
Cold read: tokenization은 adoption story이지만 아직 많은 부분이 programmable finance가 아니라 digital receipt다. settlement improvement와 true composability의 gap을 봐야 한다.
Trading insight: RWA narrative가 BTC or crypto equities에 붙을 때 Henry는 AUM growth보다 actual DeFi utilization, collateral mobility, liquidity, redemption mechanism을 봐야 한다. headline market size는 immediate tradable edge가 아니다.
Change sensor: tokenized Treasury AUM, DeFi utilization share, redemption stress, chain distribution, institutional issuer concentration.
Follow-up question: tokenized Treasury growth가 stablecoin liquidity and BTC risk appetite에 실제로 연결되는 transmission channel은 무엇인가?

Run Summary [07:00 KST]

collected_count: 11
skipped_duplicates: 28
domain_mix: microstructure/execution 45%, risk-sizing/cognition 45%, macro-liquidity/capital-markets 45%, crypto-structure 55%, AI-history/world-sensing 9%. 복수 domain 항목이 있어 합계는 100%를 초과한다.
top_theme: 오늘 07:00 run의 핵심은 “base rate와 infrastructure constraint가 narrative를 이긴다”다. 신규 token base rate, sniper cohort, BTC와 altcoin liquidity divergence, stablecoin velocity, tokenized asset utilization, AI onsite power 모두 headline보다 구조적 제약을 먼저 보라고 말한다.
sharpest_insight: Henry의 대형 베팅은 좋은 이야기보다 나쁜 base rate, 조작 가능한 flow, thin liquidity, dynamic risk update, time-to-power bottleneck을 먼저 통과해야 한다.
danger_of_misuse: 이 자료를 근거로 BTC, crypto, AI power, semiconductor exposure를 바로 키우면 안 된다. 오늘 자료는 매수 신호가 아니라 FOMO를 줄이고 sizing, liquidity haircut, infrastructure constraint monitor를 강화하기 위한 raw material이다.
next_probe: Henry의 pre-trade throttle을 base-rate filter, flow-authenticity score, liquidity hierarchy, stablecoin velocity, Treasury liquidity stress, time-to-power constraint로 확장할 수 있는가?

Daily Cold Synthesis

Overnight Thesis: 오늘 밤의 가장 중요한 문장은 “edge는 signal에서 생겨도 계좌에는 execution, liquidity, tail, governance, and physical constraint를 통과한 뒤에만 남는다”다.
World model update: 첫째, market microstructure는 평균 liquidity보다 tail liquidity와 adverse selection이 더 중요해지는 방향이다. 둘째, crypto는 BTC institutional liquidity anchor와 altcoin liquidity desert가 분리되는 hierarchy로 이동 중이며, stablecoin and tokenized asset rails는 24/7 settlement layer로 커지고 있다. 셋째, AI infrastructure cycle은 chip shortage story에서 power, permitting, onsite generation, depreciation, cost per token story로 확장되고 있다.
Trading-process lessons: 첫째, 모든 signal은 execution score와 liquidity demand score를 통과해야 한다. 둘째, position size는 conviction이 아니라 fractional Kelly, drawdown budget, hidden dependence, macro liquidity ceiling, and overnight gap budget의 minimum으로 정해야 한다. 셋째, AI or quantitative model output은 point forecast가 아니라 tail coverage, calibration, governance boundary, and human veto rule로 관리해야 한다.
Henry-specific caution: 첫째, SOXL, MSTU 같은 3x exposure는 방향이 맞아도 path dependency와 overnight tail에서 손상될 수 있다. 둘째, BTC or crypto narrative가 강할수록 ETF flow, basis, funding, stablecoin velocity, order-book depth를 함께 보지 않으면 FOMO가 된다. 셋째, AI infrastructure narrative는 장기적으로 맞아도 power bottleneck and capex financing stress 때문에 entry timing과 size를 과대평가하기 쉽다.
Signals to monitor: post-trade markout and adverse fill ratio, liquidity depth skewness and quote fade, RRP and TGA with repo stress, BTC 1% depth versus altcoin 2% depth drawdown, AI datacenter load approval rate and onsite generation orders.
Do not trade directly from this: 이 clipping은 direction call이 아니다. 자료는 framework and sensor를 강화하기 위한 것이며, 실제 주문 전에는 Henry 계좌의 current exposure, stop route, liquidity condition, macro event calendar, and execution plan을 별도로 계산해야 한다.

Sources

https://arxiv.org/abs/2409.12721 — [01:00 KST] Market Simulation under Adverse Selection
https://arxiv.org/abs/2403.09267 — [01:00 KST] Deep Limit Order Book Forecasting
https://arxiv.org/abs/2504.20116 — [01:00 KST] Compounding Effects in Leveraged ETFs: Beyond the Volatility Drag Paradigm
https://www.sec.gov/investor/pubs/leveragedetfs-alert — [01:00 KST] SEC Updated Investor Bulletin: Leveraged and Inverse ETFs
https://fred.stlouisfed.org/series/WALCL — [01:00 KST] FRED WALCL and RRPONTSYD: Fed Balance Sheet and RRP Buffer
https://fred.stlouisfed.org/series/RRPONTSYD — [01:00 KST] FRED WALCL and RRPONTSYD: Fed Balance Sheet and RRP Buffer
https://blog.amberdata.io/following-the-flows-etfs-stablecoins-and-where-capital-actually-went — [01:00 KST] Following the Flows: ETFs, Stablecoins, and Where Capital Actually Went
https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers — [01:00 KST] The cost of compute: A $7 trillion race to scale data centers
https://www.bloomenergy.com/wp-content/uploads/power-report-2026-mid-year-pulse-final.pdf — [01:00 KST] 2026 Data Center Power Report: The New Realities Shaping AI Buildout
https://rpc.cfainstitute.org/blogs/enterprising-investor/2026/new-demands-optimal-execution-machine-learning — [02:00 KST] The New Demands of Optimal Execution
https://arxiv.org/abs/2607.04280v1 — [02:00 KST] Order Splitting and Liquidity Replenishment Are Jointly Necessary for the Square-Root Law of Market Impact
https://mathandmarkets.com/p/the-mathematics-of-position-sizing-0d4 — [02:00 KST] Practical Kelly: Fractional Kelly, Estimation Error, and Drawdown Constraints
https://arxiv.org/abs/2607.01550v1 — [02:00 KST] Is Trend Still Your Friend?: A Microstructural Account of the Demise of Short-Term Trend-Following
https://arxiv.org/abs/2607.02830v1 — [02:00 KST] Outcome-Classified Precision Auditing of Filter Rules in Algorithmic DEX Trading
https://multicoin.capital/2026/02/17/adverse-selection-rules-everything-around-me/ — [02:00 KST] Adverse Selection Rules Everything Around Me
https://www.federalreserve.gov/econres/notes/feds-notes/the-central-bank-balance-sheet-trilemma-20260114.html — [02:00 KST] The Central Bank Balance-Sheet Trilemma
https://fred.stlouisfed.org/series/WTREGEN — [02:00 KST] FRED WTREGEN: Treasury General Account as Liquidity Drain or Release Valve
https://futurumgroup.com/insights/ai-capex-2026-the-690b-infrastructure-sprint/ — [02:00 KST] AI Capex 2026: The $690B Infrastructure Sprint
https://arxiv.org/abs/2607.06121 — [03:00 KST] Can Reinforcement Learning Efficiently Discover Price Manipulation?
https://arxiv.org/abs/2607.04221 — [03:00 KST] A Limit Order Market with Uncertain Informed Trading Participation
https://arxiv.org/abs/2607.04130 — [03:00 KST] A Gabor—Epps Uncertainty Principle for Traders
https://arxiv.org/abs/2607.03239 — [03:00 KST] Exact Conditional Simulation of Point Processes for Pathwise Market Impact
https://arxiv.org/abs/2607.01198 — [03:00 KST] When Large Trades Are Not News: Liquidity Tail Risk and Price Discovery
https://arxiv.org/abs/2607.07465 — [03:00 KST] Innovating Risk Modelling for Global Funds
https://arxiv.org/abs/2607.03669 — [03:00 KST] Split-Session Cluster GARCH for Overnight and Intraday Returns
https://arxiv.org/abs/2606.31122 — [03:00 KST] Generating Plausible Stress Scenarios via Large Deviations
https://www.mckinsey.com/featured-insights/week-in-charts/the-future-of-ai-workloads — [03:00 KST] The Future of AI Workloads
https://www.coinglass.com/etf/bitcoin — [03:00 KST] CoinGlass Bitcoin ETF Fund Flows and Holdings Dashboard
https://arxiv.org/abs/2607.05141v1 — [04:01 KST] Square-Root Price Impact Is Necessary for Endogenous Manipulation Cycles in Learning-Agent Markets
https://arxiv.org/abs/2607.01377v1 — [04:01 KST] Liquidity Premium and Investment Horizons
https://arxiv.org/abs/2607.00475v1 — [04:01 KST] End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing
https://arxiv.org/abs/2606.31675v1 — [04:01 KST] Settlement Manipulation in Prediction Markets
https://arxiv.org/abs/2606.29018v1 — [04:01 KST] Liquidity-Based Audit of Algorithmic Trading Strategies
https://www.bis.org/publ/arpdf/ar2026e2.htm — [04:01 KST] High Public Debt and Shifting Financial Markets: Challenges for Central Banks
https://epoch.ai/data/ai-data-centers — [04:01 KST] AI Data Centers
https://gitbook-docs.coinmetrics.io/tutorials-and-examples/tutorials/aggregating-orderbook-depth-to-create-liquidity-metrics — [04:01 KST] Aggregating Orderbook Depth to Create Liquidity Metrics
https://arxiv.org/abs/2607.05011 — [05:00 KST] Reaction-Boundary Variance and Adjoint-Consistent Local-Volatility Projection
https://arxiv.org/abs/2606.31387 — [05:00 KST] Signature-Based Optimal Execution for Statistical Arbitrage with Path-Dependent Trading Signals
https://arxiv.org/abs/2606.29591 — [05:00 KST] The Bounce Has No Direction: Sign, Magnitude, and the Microstructure of Equity Return Predictability
https://arxiv.org/abs/2606.30037 — [05:00 KST] Heads, Not Backbones: Output Heads Dominate Architectures on Fat-Tailed Returns
https://arxiv.org/abs/2606.30193 — [05:00 KST] Hidden Dependence and Aggregate Tail Risk
https://arxiv.org/abs/2606.26731 — [05:00 KST] Robust Hedging Valuation Adjustment under Liquidity-Demand Stress
https://www.bis.org/publ/work1229.pdf — [05:00 KST] Through Stormy Seas: How Fragile Is Liquidity Across Asset Classes and Time?
https://www.iosco.org/library/pubdocs/pdf/IOSCOPD821.pdf — [05:00 KST] IOSCO Regulatory Considerations on Market Liquidity During the Trading Day
https://coinmetrics.substack.com/p/state-of-the-network-issue-357 — [05:00 KST] Coin Metrics Q1 2026 Review: Crypto Markets Reset as Traditional Assets Go 24/7
https://arxiv.org/abs/2607.05484 — [06:00 KST] SHARC: SHAP-Based Interpretability in Machine Learning Risk Models for Regulatory Capital under ICAAP and CCAR
https://arxiv.org/abs/2607.04103 — [06:00 KST] Governing Generative AI Across Financial Institutions: An SR 26-2-Compatible Framework for Generative AI Risk Control
https://arxiv.org/abs/2607.03082 — [06:00 KST] Portfolio Optimization and Tail-Risk Analytics of Actively Managed ETFs
https://arxiv.org/abs/2606.29406 — [06:00 KST] Adaptive AI Delegation under Uncertainty: A Bayesian Governance Policy for Sequential Decision Authority
https://arxiv.org/abs/2606.23492 — [06:00 KST] Continuous Hidden Markov Models for Equity Returns: Heavy-Tail Emission Families and Regime-Conditional Value-at-Risk
https://arxiv.org/abs/2606.25986 — [06:00 KST] The Inference-Compute Frontier and a Latency-Efficient Architecture for Limit Order Book Prediction
https://www.goldmansachs.com/insights/articles/tracking-trillions-the-assumptions-shaping-scale-of-the-ai-build-out — [06:00 KST] Tracking Trillions: The Assumptions Shaping the Scale of the AI Build-Out
https://www.mckinsey.com/industries/semiconductors/our-insights/frontiers-of-compute-the-technologies-to-reduce-ai-inference-costs — [06:00 KST] Frontiers of compute: The technologies to reduce AI inference costs
https://www.coinbase.com/institutional/research-insights/research/market-intelligence/2026-crypto-market-outlook — [06:00 KST] 2026 Crypto Market Outlook
https://arxiv.org/abs/2607.02823 — [07:00 KST] Pump.fun Graduation Regime Windows: Survival Analysis of 832,941 Token Launches
https://arxiv.org/abs/2607.02795 — [07:00 KST] Coordinated Sniper Cohorts on Pump.fun
https://arxiv.org/abs/2606.25811 — [07:00 KST] Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets
https://arxiv.org/abs/2606.25466 — [07:00 KST] Time-Dependent Weighted Directed Networks of Cryptocurrency Interaction from High-Frequency Returns
https://arxiv.org/abs/2607.04392 — [07:00 KST] Adapted Law Invariance and Time-Consistent Dynamic Risk Measures
https://arxiv.org/abs/2606.30363 — [07:00 KST] Strategic Risk Reduction: Self-Protection and Self-Insurance
https://fedguy.com/regs-will-increase-until-liquidity-improves/ — [07:00 KST] Regs Will Increase Until Liquidity Improves
https://www.kaiko.com/resources/gap-grows-between-bitcoin-and-altcoins — [07:00 KST] Gap Grows Between Bitcoin and Altcoins
https://a16zcrypto.com/posts/article/stablecoin-data-charts — [07:00 KST] 9 Charts on What Stablecoins Are Becoming
https://newsletter.semianalysis.com/p/how-ai-labs-are-solving-the-power — [07:00 KST] How AI Labs Are Solving the Power Crisis: The Onsite Gas Deep Dive
https://a16zcrypto.com/posts/article/tokenized-asset-rwa-market-data-charts — [07:00 KST] Tokenized Assets Have Proved the Concept. Now Comes the Hard Part

Keywords

AI research, overnight briefing, arXiv, market microstructure, execution quality, adverse selection, liquidity tail risk, price impact, order book depth, post-trade markout, risk sizing, fractional Kelly, hidden dependence, tail risk, regime-conditioned VaR, leveraged ETF, SOXL, MSTU, BTC ETF flows, stablecoin velocity, crypto liquidity hierarchy, tokenized assets, Treasury liquidity, repo stress, TGA, RRP, AI infrastructure, data center power, onsite generation, inference cost, time-to-power, AI governance, model calibration, human veto, portfolio heat throttle

Overnight AI Research (2026-07-10)

목차