Man Group 의 퀀트 헤드가 한 말이 오래도록 기억에 남았습니다:
"문제는 인간 팀이 수동으로 평가할 수 있는 속도를 훨씬 뛰어넘는 방대한 데이터와 시장 관계의 양입니다."
그래서 그들은 AlphaGPT 를 만들었습니다. 이 시스템은 시그널 가설을 생성하고, 코드를 작성하며, 백테스트를 자체적으로 실행합니다. 분기당 20개 대신 매주 수백 개의 아이디어를 처리합니다.
Bridgewater 는 한 걸음 더 나아가 AI 가 주요 트레이딩 결정을 내리는 20억 달러 규모의 펀드를 구축했습니다.
Jane Street 는 작년에 자체 모델을 훈련시키기 위해 GPU 인프라에 60억 달러를 투자했습니다.
이 시스템 내부에서 정확히 무엇이 돌아가고 있는지 제가 안다고 말씀드리지는 않겠습니다. 하지만 이 시스템을 구축하는 사람들의 공개적인 발언은 상당히 일관된 이야기를 들려주며, 이는 대부분의 사람들이 "AI 트레이딩"이라고 들을 때 상상하는 것과는 다릅니다.
승리하는 기업들은 퀀트를 대체하는 것이 아닙니다. 각 퀀트의 생산성을 약 10배 향상시키고 있습니다.
이 글은 오늘날 Polymarket 에서 동일한 아키텍처를 실행하기 위한 완전한 프레임워크입니다.
PART 1 - AI 가 퀀트를 대체할까요?
모두가 잘못 묻는 질문입니다.
Man Group 은 2025년 7월에 AlphaGPT 를 공개했습니다. 이 시스템은 시그널 가설을 생성하고, 구현 코드를 작성하며, 백테스트를 자율적으로 실행합니다. 수십 개의 시그널이 인간의 검토를 통과한 후 실제 트레이딩에 승인되었습니다.
퀀트 투자에서의 과제는 인간 팀이 수동으로 평가할 수 있는 속도보다 빠르게 증가한 방대한 데이터와 가능한 시장 관계의 양입니다.
강력한 연구 팀은 분기에 약 20개의 시그널 아이디어를 엄격하게 테스트할 수 있습니다. AlphaGPT 는 일주일에 수백 개를 테스트합니다.
하지만 AlphaGPT 의 단 하나의 시그널도 연구자가 신중하게 결정을 내리지 않고는 실제 자본에 닿지 않습니다.
Bridgewater 는 LLM, 머신 러닝 및 추론 도구를 결합한 AI 추론 엔진을 구축했습니다. 그들의 공동 CIO는 이를 "큰 도약"이라고 불렀습니다. 하지만 인간은 여전히 위험 관리와 실행을 감독합니다.
Citadel 의 CTO는 다음과 같이 단호하게 말했습니다: "우리는 PM이 인간의 투자 판단을 AI에 맡기는 것을 원하지 않습니다."
Ken Griffin 자신은 AI가 효율성을 높이지만, 단독으로 시장을 이기는 수익률을 창출할 가능성은 낮다고 말했습니다.
승리하는 기업들은 퀀트의 생산성을 10배 향상시키고 있습니다. 대체하는 것이 아닙니다.
PART 2 - 실제 우위를 가진 다섯 가지 사용 사례
사용 사례 1: 에이전트 기반 시그널 발견
Man Group 의 AlphaGPT 는 루프에서 4개의 에이전트를 실행합니다:
- 에이전트 1: 시그널 가설을 생성합니다.
- 에이전트 2: 구현 코드를 작성합니다.
- 에이전트 3: 순수한 도전자 역할을 합니다 - 시그널이 가짜이거나 과적합될 수 있는 모든 이유를 찾습니다.
- 에이전트 4: 백테스트를 평가하고 인간 검토에 보낼지 결정합니다.
Polymarket 에서는 이것이 직접적으로 적용됩니다:
- 에이전트 1: 뉴스, 관련 시장 및 기본 비율로부터 확률 추정치를 생성합니다.
- 에이전트 2: 현재 시장 가격과 비교합니다.
- 에이전트 3: 도전합니다 - 이것이 틀리려면 무엇이 사실이어야 할까요?
- 에이전트 4: 기대값(EV)을 평가하고 인간에게 진행/중단 신호를 보냅니다.
사용 사례 2: 대체 데이터 추출
예측 시장의 경우, 연준 관료의 모든 발언, 모든 지정학적 발전, 모든 경제 데이터 발표에는 시그널이 포함되어 있습니다. AI는 비정형 텍스트를 구조화된 확률 변화로 변환합니다.
사용 사례 3: 몬테카를로 유의성 검정
표준 백테스팅은 역사의 단일 경로를 사용합니다. 하나의 경로로는 충분하지 않습니다.
사용 사례 4: 국면 인식 포지션 사이징
f_adjusted = f_kelly x regime_factor x (1 - drawdown_factor)
사용 사례 5: 배포 모니터링
PART 3 - 완전한 파이프라인
아직 Polymarket 에 가입하지 않으셨다면 여기서 시작하세요: polymarket.com/?r=atlas
280억 달러 거래됨. 9,000개 이상의 시장. 해결된 모든 계약은 모델의 실제 데이터 포인트입니다.
6단계. 5단계 자동화. 1단계는 항상 인간.
1단계 - 데이터 수집: 과거 해결률, 가격 시계열, 관련 시장 상관관계, 거래량 지표.
2단계 - 시그널 가설: 구체적이고, 테스트 가능하며, 경제적 근거와 실패 조건을 포함.
3단계 - 적대적 도전: 가설을 구축하는 데 시간을 투자하기 전에 이를 무너뜨리는 것이 유일한 임무인 별도의 에이전트. Man Group 은 이를 AlphaGPT 에서 가장 가치 있는 부분이라고 부릅니다.
4단계 - 워크 포워드 백테스팅: 모든 매개변수는 거래 시점에 사용 가능한 데이터만을 사용하여 추정됩니다. 이 단일 요구 사항은 부풀려진 백테스트 성과의 가장 일반적인 원인을 제거합니다.
5단계 - 몬테카를로 유의성 검정: 신호가 10,000개의 무작위 대안 중 상위 5%에 있다면, 실제 우위의 증거가 있는 것입니다.
6단계 - 인간 검토 게이트: 자동화할 수 없습니다. 시작하기 전에 시스템을 중단하고 검토하게 만들 세 가지 조건을 적어 두십시오.
PART 4 - AI 이전 vs AI 이후
AI 이전:
아이디어는 독서나 관찰에서 나왔습니다. 구현 코드를 작성하는 데는 몇 시간이나 며칠이 걸렸습니다. 적절한 백테스트를 설정하는 데는 더 많은 시간이 걸렸습니다. 연구자는 연간 약 20개의 전략을 엄격하게 테스트할 수 있었습니다. 포지션 사이징은 직관에 의해 조정되었습니다.
AI 이후:
아이디어에서 엄격한 평가까지의 시간이 며칠에서 몇 시간으로 단축되었습니다. 가설을 구체화하는 데 시간을 투자하기 전에 자신의 가설에 대한 적대적 검토를 실행합니다. 유망한 시그널의 12가지 변형을 테스트하고 직관에 따라 하나를 선택하는 대신 모두 평가합니다.
Man Group 은 이것을 정확하게 설명했습니다: 기술은 더 많은 아이디어를 테스트하는 데 도움이 됩니다. 연구자들은 구현 작업에 시간을 소비하는 대신 자동화된 도전에서 살아남은 시그널을 평가하는 데 시간을 보냅니다.
특히 Polymarket 의 경우, 시간 단축은 훨씬 더 가치 있습니다. 시장은 정해진 날짜에 해결됩니다. 좋은 가격에 진입할 수 있는 기간은 한정적입니다. 가설에서 검증된 시그널로 가는 속도가 빠를수록 더 많은 기회를 실제로 포착할 수 있습니다.
요약
AI 는 시장을 예측하지 않습니다.
트레이딩 아이디어에서 그 아이디어에 대한 엄격한 테스트까지의 시간을 며칠에서 몇 시간으로 단축합니다. 대부분의 시스템 트레이더가 자신의 가설에 적용하지 않는 적대적 검토를 실행합니다.
Man Group: LLM은 변화의 속도를 가속화했습니다. 하지만 그들의 퀀트는 여전히 자리를 지키고 있습니다. 자본에 도달하는 모든 시그널은 연구자의 승인을 받았습니다.
Jane Street 는 연구원이 할 수 있는 일을 배가시키기 위해 GPU 인프라에 60억 달러를 투자했습니다. 대체하기 위해서가 아닙니다.
AI 는 규모를 제공했습니다. 판단은 여전히 인간의 몫이었습니다.
현재 예측 시장에서의 우위는 더 나은 정보가 아닙니다.
다른 모든 사람보다 더 빠르게 더 많은 아이디어를 테스트하고, 적대적 검토에서 살아남은 아이디어에만 행동하는 것입니다.
그것이 전체 시스템입니다.
