AI 시대의 퀀트 트레이딩: 월가 최고 트레이딩 회사들의 실제 AI 활용법
나는 세계 최고 트레이딩 회사들이 일상 업무에서 AI를 어떻게 활용하고 있는지 자세히 분석하고, 여러분이 동일한 시스템을 처음부터 구현하는 데 필요한 모든 것을 공유하려고 합니다.
바로 본론으로 들어가겠습니다.
북마크 추천 - 저는 Roan입니다. 시스템 설계, HFT 스타일 실행, 그리고 퀀티테이티브 트레이딩 시스템을 개발하는 백엔드 개발자입니다. 제 작업은 예측 시장이 부하 상태에서 실제로 어떻게 작동하는지에 초점을 맞추고 있습니다. 제안, 사려 깊은 협업, 파트너십 관련 DM은 언제나 환영합니다.
대부분의 트레이더들은 "AI 트레이딩"이라고 하면 매수 신호를 뱉어내는 챗봇을 떠올립니다.
하지만 세계 최고 퀀트 회사들 내부에서 실제로 벌어지고 있는 일은 완전히 다릅니다. 그리고 이들이 하고 있는 일과 대부분의 시스템 트레이더가 이해하는 것 사이의 격차는 현대 시장에서 가장 큰 미개척 이점 중 하나입니다.
Jane Street는 2025년에 AI 클라우드 인프라에 60억 달러를 투자했습니다. 텍사스에 4,032개의 액체 냉각 GPU를 탑재한 특수 데이터 센터를 구축했으며, 이는 차세대 트레이딩 모델을 훈련시키기 위한 것입니다. Jane Street는 약 3,500명의 직원으로 2025년에 396억 달러의 트레이딩 수익을 창출했습니다. 퀀트 리서치 책임자 Craig Falls는 CoreWeave의 GPU 인프라에 의존하여 독점 모델을 훈련하고 확장한다고 공개적으로 밝혔습니다.
약 1,500억 달러를 운용하는 세계 최대 상장 헤지펀드 Man Group은 Anthropic과 공개적으로 파트너십을 맺고 Claude를 알파 생성 파이프라인의 백본으로 사용하고 있습니다. 그들의 퀀트 부서인 Man Numeric은 AlphaGPT라는 내부 도구를 구축하여 트레이딩 전략을 자율적으로 생성, 코딩, 그리고 백테스트합니다.
Two Sigma는 수년간 700억 달러 규모의 자산에 걸쳐 AI 기반 전략을 실행해 왔습니다. Citadel은 내부 AI Assistant를 구축하여 트랜스크립트를 스캔하고, 브로커리지 리서치를 요약하며, 주식 팀을 위한 위험을 플래그합니다. 이 도구는 이제 대부분의 회사 주식 투자자들의 일상 워크플로우의 일부가 되었습니다.
Bridgewater Associates는 2023년에 AIA Labs (Artificial Investment Associate Labs) 부서를 설립했습니다. CEO Nir Bar Dea는 2025년 3월 Bloomberg 컨퍼런스에서 20억 달러 규모의 AI 펀드가 "인간이 하는 것과 상관관계가 없는 독특한 알파"를 창출하고 있다고 말했습니다. 이 펀드에서 AI는 주요 의사 결정자 역할을 하고, 인간 전문가들은 위험 관리와 트레이드 실행을 감독합니다.
이것들은 실험이 아닙니다. 이들은 실제 자본을 운용하는 프로덕션 시스템입니다.
하지만 아무도 큰 소리로 묻지 않는 질문이 있습니다.
최고의 회사들이 AI를 사용하여 퀀트를 대체하고 있을까요? 아니면 다른 누구도 따라잡을 수 없을 정도로 퀀트를 빠르게 만들기 위해 사용하고 있을까요?
그 답변은 여러분이 자신의 시스템을 어떻게 구축해야 하는지에 대한 모든 것을 바꿉니다. 그리고 이 글의 끝까지 읽으시면, 이를 수행하기 위한 완전한 로드맵을 갖게 될 것입니다.
저는 이 시리즈의 이전 글에서 이미 레짐 탐지와 시계열 분석을 위한 Markov Chains을 다뤘습니다. AI 워크플로우는 기관 트레이딩 스택을 완성하는 네 번째이자 마지막 레이어입니다.
이 글을 마치면 여러분은 Man Group, Jane Street, Bridgewater, Citadel이 리서치부터 실시간 신호까지 AI 워크플로우를 어떻게 구조화하는지, 시스템 트레이딩에서 AI가 가장 측정 가능한 이점을 창출하는 다섯 가지 특정 사용 사례, 기관 퀀트들이 하는 것과 같은 방식으로 Claude Code 스킬을 사용하여 리서치 사이클을 압축하는 방법, 오늘날 공개적으로 사용 가능한 도구로 구축할 수 있는 완전한 에이전틱 파이프라인 아키텍처, 그리고 어떤 AI 모델도 제공할 수 없는 모든 AI 트레이딩 시스템에 필요한 한 가지 레이어를 정확히 이해하게 될 것입니다.
참고: 이 글은 의도적으로 깁니다. 각 부분은 이전 부분 위에 구축됩니다. 시스템 트레이딩에 진정한 AI 기반 이점을 추가하는 데 진지하다면, 모든 단어를 읽으십시오. 지름길을 찾고 있다면, 이것은 당신을 위한 것이 아닙니다.
파트 1: AI가 퀀트를 대체할까? 아무도 알려주지 않는 답변
Man Group은 2025년 7월에 AlphaGPT를 공개했습니다. Bloomberg가 처음 보도했습니다. 이 시스템은 트레이딩 신호 아이디어를 생성하고, 구현 코드를 작성하며, 백테스트를 자율적으로 실행합니다. 선임 포트폴리오 매니저 Ziang Fang은 수십 개의 신호가 이미 인간 검토를 통과하여 실시간 트레이딩에 승인되었다고 확인했습니다.
Man Group 자체 팀의 말은 이렇습니다: 이 기술은 퀀티테이티브 투자에서 증가하는 도전 과제, 즉 인간 팀이 수동으로 평가할 수 있는 것보다 빠르게 성장한 방대한 데이터와 시장 관계의 양을 해결하는 데 도움이 됩니다. 그들의 CTO Gary Collier는 이를 퀀트 프로세스 자체의 붕괴라고 불렀습니다.
그 프레이밍이 전체 그림을 설명합니다. AI는 판단 문제를 해결하는 것이 아닙니다. 처리량 문제를 해결하는 것입니다. 강력한 리서치 팀은 한 분기에 진지하게 20개의 신호 아이디어를 테스트할 수 있습니다. AlphaGPT는 일주일에 수백 개를 테스트합니다. 살아남은 아이디어는 인간 검토로 넘어갑니다. 연구자가 신중한 결정을 내리지 않고는 단 하나의 아이디어도 실제 자본에 닿지 않습니다.
Bridgewater는 더 나아갔습니다. 공동 CIO Greg Jensen과 Yale의 수석 과학자 Jasjeet Sekhon이 이끄는 AIA Labs 부서는 대규모 언어 모델, 머신 러닝, 추론 도구를 결합하여 시장의 인과 관계를 이해하는 AI 추론 엔진을 구축했습니다. Jensen은 명시적으로 말했습니다: "가장 큰 도약은 머신 인텔리전스를 사용하여 알파를 생성하는 것입니다. 그것은 도약입니다." 하지만 가장 공격적인 구현에서도 인간 전문가들은 여전히 위험 관리, 데이터 수집, 트레이드 실행을 감독합니다. AI는 무엇을 트레이드할지 결정합니다. 인간은 얼마나 많은 위험을 감수할지 결정합니다.
Jane Street는 웹사이트에 직접 다음과 같이 명시합니다: 딥 러닝은 그들의 도구 키트의 일부이지, 출발점이 아닙니다. 그들은 수만 개의 GPU와 함께 작업합니다. 연구자들은 여전히 있습니다. GPU는 연구자들이 할 수 있는 것을 배가시킵니다.
Citadel의 CTO Umesh Subramanian은 2025년 후반 뉴욕 컨퍼런스에서 명확하게 말했습니다: "우리는 PM들이 자신의 인간 투자 판단을 AI에 위임하는 것을 원하지 않습니다. 이것은 그들의 리서치 프로세스를 더욱 가속화하기 위한 도구입니다." Ken Griffin 자신은 이 기술이 효율성을 높이지만, 그 자체로 시장을 능가하는 수익률을 창출할 가능성은 낮다고 말했습니다.
패턴은 AI 구현에 대해 공개적으로 밝힌 모든 회사에서 일관됩니다. AI는 속도와 볼륨이 중요한 부분, 즉 가설 생성, 코드 작성, 초기 백테스트, 데이터 처리를 담당합니다. 인간은 판단이 중요한 부분, 즉 레짐 평가, 자본 배분, 위험 감독, 상황이 변할 때 시스템을 중단하기로 결정하는 것을 담당합니다.
승리하는 회사들은 퀀트를 AI로 대체하는 것이 아닙니다. 그들은 퀀트를 10배 빠르게 만들고 있습니다. 그것이 여러분이 복제해야 할 모델입니다.
파트 2: 실제로 이점을 창출하는 다섯 가지 사용 사례
트레이딩에서 대부분의 AI 애플리케이션은 몇 달 안에 거래 비용에 의해 사라지는 작은 개선을 생성합니다. 그 중 다섯 가지는 최고 회사들이 프로덕션에서 실행 중이라고 공개적으로 확인한 구조적 이점을 생성합니다.
사용 사례 1: 에이전틱 신호 발견
이것이 Man Group이 AlphaGPT로 구축한 것입니다. 아키텍처는 루프에서 4개의 개별 에이전트를 실행합니다. 첫 번째는 데이터에서 신호 가설을 생성합니다. 두 번째는 정확한 로직과 구현 코드를 작성합니다. 세 번째는 순수하게 도전자 역할을 하며, 신호가 가짜이거나, 과적합되었거나, 경제적으로 타당하지 않을 모든 이유를 찾는 것이 임무입니다. 네 번째는 백테스트를 평가하고 신호를 인간 검토에 보낼 가치가 있는지 결정합니다.
Man Group은 자체적으로 설명했습니다: 시스템은 실제 회사, 즉 팀 그룹처럼 행동합니다. 한 사람이 제안합니다. 다른 사람이 도전합니다. 세 번째가 평가합니다. 에이전트들은 이 사이클을 수백 개의 아이디어에 걸쳐 동시에 실행합니다. 적대적 검토를 통과한 아이디어는 연구자에게 갑니다. 나머지는 폐기됩니다.
Man Group은 또한 개발 중에 직면한 위험을 강조했습니다. 환각, 미래 정보 편향, 다중 테스트 문제 등 많은 문제들이 있었습니다. 그들의 추론 모델은 모든 단계에서 모든 결정을 기록하여, 인간 주도 프로세스가 항상 제공하지는 않는 완전한 투명성을 제공합니다.
사용 사례 2: 대안 데이터 신호 추출
Point72는 NLP 모델을 사용하여 실적 발표 트랜스크립트를 분석하고 이를 옵션 전략에 직접 공급되는 구조화된 신호로 변환합니다. Two Sigma는 머신 러닝을 사용하여 위성 이미지와 거시경제 데이터에서 신호를 추출합니다. 이 분야의 전문 회사인 Hudson Labs는 AI를 미세 조정하여 실제 보고된 실적을 전방 가이던스와 분리함으로써 AI가 역사적 수치와 예측을 혼동하는 문제를 해결합니다.
패턴은 모든 곳에서 동일합니다. 구조화되지 않은 정보가 정확한 수치 신호로 변환되고 있습니다. 이점은 AI가 모든 트랜스크립트, 모든 서류, 모든 이용 가능한 데이터를 동시에 처리하고 일관된 정량화된 출력을 생성하는 데서 나옵니다.
시스템 트레이더에게 가장 즉시 접근 가능한 버전은 실적 발표 분석입니다. 트랜스크립트는 공개되어 있습니다. 다음은 정확한 프로덕션 등급 추출 구조입니다:
출력은 단락이 아닌 숫자입니다. 그 숫자는 포지션 사이징 모델로 직접 흘러갑니다.
사용 사례 3: AI 가속 백테스팅
시스템 리서치에서 가장 큰 병목 현상은 아이디어가 부족한 것이 아닙니다. 아이디어를 갖고 그것이 실제 역사적 타당성이 있는지 아는 사이의 시간입니다. 그 사이클을 절반으로 줄이는 연구자는 연간 두 배 많은 전략을 테스트합니다. 5년에 걸쳐 이 처리량 차이는 결정적입니다.
이를 최대한 활용하는 워크플로우는 처음부터 정확합니다. 단 한 줄의 코드도 작성되기 전에 전체 전략 사양을 설명합니다. 진입 조건, 청산 조건, 포지션 사이징 규칙, 보유 기간, 거래 비용 가정, 검증 방법. 설명의 정밀함이 출력의 정밀함을 만듭니다.
사용 사례 4: 몬테카를로 유의성 검정
모든 표준 백테스트는 역사의 한 경로를 사용합니다. 하나의 경로로는 결과가 진정한 이점을 반영하는지 아니면 테스트 기간의 특정 사건 순서를 반영하는지 알기에 충분하지 않습니다.
몬테카를로 시뮬레이션은 수천 개의 가능한 경로를 생성하고 결과의 전체 분포를 보여줍니다. 5번째 백분위수 결과, 예상 최대 손실폭, 위험 임계치를 초과하는 손실 확률. 이 세 가지 숫자는 자본이 투입되기 전에 포지션 크기를 결정합니다. 이를 평이한 언어로 결과를 해석하고 특정 위험 허용 범위에 대해 무엇을 의미하는지 알려주는 AI 레이어를 통해 실행하는 것이 기관 펀드가 시뮬레이션 출력을 할당 결정으로 변환하는 방법입니다.
사용 사례 5: 레짐 인식 포지션 사이징
이전 글의 Markov Chain 프레임워크가 AI 레이어에 직접 연결되는 곳입니다. 레짐 모델은 시장이 어디에 있는지와 전환 확률을 알려줍니다. AI는 그 신호를 현재 손실폭, 실현 변동성 추정치, 신호 강도와 종합하여 모든 입력에 걸쳐 일관된 포지션 권장을 생성합니다.
낮은 변동성 트렌딩 레짐에서 정확한 포지션 크기는 높은 변동성 위기 레짐에서 거의 확실히 너무 큽니다. 단일 입력으로는 올바른 크기를 알 수 없습니다. 네 가지 모두의 종합만이 가능합니다.
숙제: 이 다섯 가지 사용 사례를 현재 리서치에 가장 즉각적인 영향을 미칠 순서로 순위를 매겨보십시오. 그 순위는 정확히 어디서부터 시작해야 하는지 알려줍니다.
파트 3: Claude Code 스킬과 프로덕션에서 사용되는 정확한 도구
Man Group은 Claude가 그들의 퀀티테이티브 기술자들의 코딩 작업 효율성을 크게 향상시켰다고 공개적으로 밝혔습니다. 이는 그들의 Anthropic 파트너십 발표에서 나온 내용입니다. 하지만 Claude Code는 단순히 코드를 작성하는 챗봇이 아닙니다. 터미널에서 실행되고, 파일을 읽고, 머신에서 코드를 실행하는 에이전틱 코딩 환경입니다.
진정한 힘은 스킬에서 나옵니다. 이들은 특정 작업을 정확히 어떻게 접근해야 하는지 Claude에게 알려주는 레시피 역할을 하는 SKILL.md 명령 파일입니다. 하나를 설치하면 Claude는 해당 도메인의 전문가로 변신합니다.
다음은 현재 시스템 트레이더에게 중요한 검증된 스킬들입니다.
Backtesting Frameworks 스킬은 이벤트 기반 및 고속 벡터화된 백테스팅 아키텍처를 모두 구축합니다. 워크 포워드 분석, 아웃 오브 샘플 테스트, 슬리피지 및 수수료를 포함한 현실적인 거래 비용 모델링을 구현합니다. 거의 모든 리테일 백테스트를 부풀리는 두 가지 오류인 미래 정보 편향과 생존 편향을 제거하기 위해 특별히 구축되었습니다. 이 스킬은 다중 기간 최적화 워크플로우를 처리하고 모든 기간에 걸쳐 사용자 정의 가능한 백테스트 매개변수를 지원합니다.
Quant Trading and Backtesting 스킬은 더 깊이 들어갑니다. 자동화된 Sharp Edge 탐지를 포함하여, 리서치에서는 수익성 있어 보이지만 실시간 시장에서는 즉시 실패하는 전략을 만드는 특정 백테스팅 실수를 식별합니다. 가치, 모멘텀, 품질 차원에 걸친 팩터 리서치 및 알파 마이닝. Kelly Criterion 기반 포지션 사이징. 그리고 트렌드 추종, 평균 회귀, 통계적 차익거래를 위한 포괄적인 전략 개발 템플릿.
Quantitative Research 스킬은 기관 수준의 검증 표준을 가능하게 합니다. 전략 개발, 알파 생성, 팩터 모델링, 통계적 차익거래 기법과 내장된 스트레스 테스트 방법론. 진정한 알파 신호를 통계적 인공물과 구별하는 특정 문제를 해결합니다.
Market Data Pipeline 스킬은 완전한 데이터 수집 레이어를 처리합니다. 제공업체에서 시장 데이터를 가져오고 구조화하는 방법을 표준화하고, 표준 열 이름을 가진 DataFrame으로 응답을 정규화하며, 역사적 분석을 위한 기업 액션 조정을 적용하고, 중복 API 호출을 피하기 위해 결과를 캐시합니다. 나쁜 데이터는 백테스트의 조용한 킬러입니다. 이 스킬은 데이터 처리를 결정론적으로 만듭니다.
리서치에서 배포까지의 루프를 닫는 실시간 신호 모니터링 스킬도 있습니다. 실시간 데이터를 가져오고, 롤링 윈도우의 바를 유지하며, 각 새 바에서 지표를 다시 계산하고, 신호 조건을 평가하며, 알림을 보냅니다. 직접 주문을 실행하지 않습니다. 신호만 출력합니다. 그 설계는 의도적입니다.
가장 많은 가치를 추출하는 워크플로우는 특정 순서를 따릅니다.
첫째, Claude Code에 무엇이든 구축하도록 요청하기 전에 완전한 특정 언어로 전략을 완전히 명시합니다. 둘째, 검증 요구 사항을 명시적으로 지정합니다: 워크 포워드 검증, 최소 252 거래일 인 샘플, 거래당 최소 10 베이시스 포인트의 거래 비용. 셋째, 출력을 검토용 초안으로 취급합니다. 코드는 실행됩니다. 백테스트는 숫자를 생성합니다. 여러분의 임무는 그 숫자가 진정한 이점을 반영하는지 아니면 통계적 우연을 반영하는지 평가하는 것입니다.
AI는 구현을 처리하므로 여러분은 가설과 평가에 완전히 집중할 수 있습니다. 지적 작업은 사라지지 않습니다. 훈련된 마음이 실제로 필요한 부분에 집중됩니다.
파트 4: 처음부터 완전한 파이프라인 구축하기
Man Group은 하루아침에 AlphaGPT를 구축하지 않았습니다. 하지만 아키텍처는 독점적이지 않습니다. 특정 문제에 적용된 다중 에이전트 워크플로우입니다. 핵심 구조는 오늘날 Claude Code와 Anthropic API를 사용하여 재현 가능합니다.
파이프라인은 6단계로 구성됩니다. 어느 것도 건너뛸 수 없습니다.
1단계: 데이터 수집 및 특성 공학. 데이터의 품질은 이후 모든 것의 한계를 설정합니다. 나쁜 데이터는 오류를 던지지 않습니다. 훌륭해 보이지만 실시간 시장에서 붕괴하는 백테스트를 생성합니다. 생존 편향, 조정되지 않은 가격, 누락된 기업 액션은 스스로 알리지 않고 수익률을 부풀리는 조용한 오류입니다. AI 레이어는 깨끗한 데이터를 가져와 현재 환경의 구조화된 통계 요약을 생성합니다: 시간대별 실현 변동성, 모멘텀 신호, 거래량 패턴, 레짐 지표.
2단계: 신호 가설 생성. 첫 번째 에이전트는 데이터 요약을 받고 하나의 구체적이고 테스트 가능한 가설을 생성합니다. '모멘텀을 트레이드하라'는 가설이 아닙니다. '20일 수익률이 60일 롤링 수익률 분포의 1 표준편차를 초과하고 현재 실현 변동성이 90일 중앙값 미만일 때 매수하라'는 가설입니다. 에이전트는 또한 경제적 근거와 신호가 작동을 멈출 것으로 예상되는 특정 조건을 생성합니다.
3단계: 적대적 도전. 이것은 대부분의 리테일 퀀트들이 완전히 건너뛰는 단계이며, AlphaGPT를 챗봇 트레이딩 조언과 구분짓는 단계입니다. 별도의 에이전트가 가설을 받고 그것을 무너뜨리는 것이 유일한 역할입니다. 신호가 트레이드 시점에 이용 가능한 데이터로 계산 가능한가? 경제적 근거가 일관된가 아니면 사후 설명인가? 다른 레짐에서도 유효한가? 어떤 거시경제 이벤트가 실패하게 만들까?
4단계: 워크 포워드 백테스팅. 각 시점에서 모든 모델 매개변수는 그 시점까지 이용 가능한 역사적 데이터만을 사용하여 추정됩니다. 모델은 미래 데이터를 절대 보지 않습니다. 이 단일 요구 사항은 부풀려진 백테스트 성능의 가장 일반적인 원인을 제거합니다.
5단계: 통계적 유의성 검정. 일치하는 통계적 속성을 가진 무작위 전략의 수익률 시리즈를 천 번 생성합니다. 실제 Sharpe 비율이 그 분포의 상위 5%에 있다면, 진정한 이점의 증거가 있습니다. 그렇지 않다면, 노이즈에 대한 패턴 매칭의 증거가 있습니다.
6단계: 인간 검토 게이트. 이 단계는 자동화될 수 없습니다. 연구자가 평가하지 않고는 어떤 신호도 실시간 자본에 닿지 않습니다. Man Group, Bridgewater, Citadel, Jane Street 모두 공개적으로 이를 확인했습니다.
6단계. 5개는 자동화. 1개는 항상 인간.
모든 시스템에 필요한 배포 모니터링 레이어:
트레이딩을 시작하기 전에 임계값을 정의하십시오. 그 결정을 내리기에 가장 나쁜 시간은 시스템이 이미 성과를 내지 못하고 있을 때입니다. 출력은 자동 종료가 아닌 인간 검토를 위한 플래그입니다. 이전 글의 Markov Chain 레짐 신호는 추가 트리거로서 이 모니터링 레이어에 직접 공급됩니다.
파트 5: AI 이전 vs AI 이후와 완전한 프로덕션 워크플로우
AI 이전: 아이디어는 논문을 읽거나 시장 이상 현상을 관찰하는 데서 나왔습니다. 구현을 작성하는 데 몇 시간, 때로는 며칠이 걸렸습니다. 워크 포워드 검증을 통해 적절한 백테스트를 설정하는 데 추가 시간이 필요했습니다. 한 연구자가 1년에 진지하게 테스트할 수 있는 아이디어의 수는 심각하게 제한되었습니다. 테스트 결과 때문이 아니라 테스트 전에 아이디어 선택이 이루어졌습니다. 위험 관리는 별도의 수동 단계였습니다. 포지션 사이징은 직관에 의해 보정되었고 손실폭이 예상을 초과한 후에 사후 조정되었습니다.
AI 이후: 아이디어와 엄격한 평가 사이의 시간이 며칠에서 몇 시간으로 압축되었습니다. 테스트가 빠르면 덜 확실한 아이디어도 테스트할 수 있습니다. 시간을 투자하여 구축하기 전에 자신의 가설에 대한 적대적 검토를 실행할 수 있습니다. 유망한 신호의 여러 변형을 생성하고 직관으로 하나를 선택하는 대신 서로에 대해 모두 테스트할 수 있습니다.
Man Group이 정확히 설명했습니다: 이 기술은 더 많은 아이디어를 테스트하는 데 도움이 됩니다. 연구자에게 보내지는 것의 품질 기준은 AI가 일반적인 실패 모드를 사전 필터링하기 때문에 높아졌습니다. 연구자들은 구현 작업에 시간을 보내는 대신 자동화된 도전 프로세스를 이미 통과한 신호를 평가하는 데 시간을 보냅니다.
이전에 전담 데이터 과학 팀이 필요했던 대안 데이터가 이제는 몇 시간 안에 구축된 NLP 추출 파이프라인을 통해 접근 가능합니다. 실적 발표 트랜스크립트, 규제 서류, 거시경제 보고서가 지속적으로 구조화된 신호로 변환될 수 있습니다.
포지션 사이징은 더 이상 별도의 수동 단계가 아닙니다. Markov Chain 레이어의 레짐 탐지, GARCH 레이어의 변동성 추정, 현재 전략의 신호 강도와 통합되어 모든 입력에 걸쳐 동시에 일관된 포지션 권장을 생성합니다.
완전한 프로덕션 워크플로우: 리서치는 백그라운드에서 지속적으로 실행됩니다. 에이전틱 파이프라인은 신호 가설을 생성 및 테스트하고, 적대적 검토에 실패한 것을 폐기하며, 생존자를 인간 평가에 보냅니다. 승인된 신호는 아웃 오브 샘플 기대치에 대해 매일 모니터링되는 페이퍼 트레이딩에 진입합니다. 유지되는 신호는 소규모 실시간 할당으로 이동합니다. 포지션 크기는 성과가 기대치를 확인함에 따라만 확장됩니다. 중요한 이탈은 즉시 인간 검토를 촉발합니다.
Jane Street는 웹사이트에서 핵심 도전 과제를 설명합니다: 시장은 팬데믹, 선거, 규제, 집단 행동의 변화에 반응하여 빈번한 구조적 변화를 겪습니다. 이러한 변화 중 하나가 발생했을 때 식별하는 것은 인간의 판단이 가장 대체 불가능한 단일 작업입니다.
숙제: AI 생성 신호를 실시간으로 배포하기 전에, 시스템 트레이딩을 중단하고 검토하게 만들 세 가지 조건을 적어보십시오. 시작하기 전에 이것을 적으십시오. 시스템이 성과를 내지 못하는 순간이 그 결정을 처음으로 내리기에 가장 나쁜 순간입니다.
요약
AI는 시장을 예측하지 않습니다. AI가 하는 일은 트레이딩 아이디어와 그 아이디어의 엄격한 테스트 사이의 시간을 며칠에서 몇 시간으로 압축하는 것입니다. 대부분의 시스템 트레이더가 자신의 가설에 적용하지 않는 적대적 검토를 실행합니다. 단일 퀀트의 리서치 처리량을 이전에 전체 팀이 필요했던 수준으로 확장합니다.
Man Group은 AlphaGPT를 공개한 후 이렇게 말했습니다: LLM은 변화의 속도를 크게 가속화했습니다. 하지만 그들의 퀀트는 여전히 있습니다. 자본에 도달하는 모든 신호는 연구자가 서명했습니다.
Bridgewater는 더 나아가 AI가 주요 의사 결정자이고 인간이 위험과 실행을 감독하는 20억 달러 규모의 펀드를 구축했습니다.
Jane Street는 연구자들을 대체하는 것이 아니라 그들이 할 수 있는 것을 배가시키기 위해 GPU 인프라에 60억 달러를 투자했습니다.
AI는 그들에게 규모를 제공했습니다. 판단은 여전히 인간의 것입니다.
이제 여러분도 동일한 빌딩 블록을 갖게 되었습니다. 에이전틱 파이프라인 아키텍처. 백테스팅, 신호 생성, 모니터링을 위한 Claude Code 스킬. 대안 데이터를 위한 NLP 추출 프레임워크. 몬테카를로 유의성 검정. 레짐 인식 포지션 사이징. 그리고 어떤 역사적 데이터셋에도 포함되지 않은 방식으로 시장이 움직일 때 시스템을 살아있게 유지하는 인간 검토 게이트.
여러분이 생각해볼 질문이 있습니다.
Man Group은 AlphaGPT로 수백 개의 신호를 테스트하고 생존자를 인간 검토에 보냅니다. Bridgewater는 AI가 주요 의사 결정자인 20억 달러 규모의 펀드를 구축했습니다. Jane Street는 수만 개의 GPU로 페타바이트 규모의 데이터에 대한 모델을 훈련합니다. Two Sigma는 대부분의 트레이더가 고려하지 않은 대안 데이터에서 이점을 추출합니다.
독립적으로 작업하는 시스템 트레이더로서 이러한 능력 중 단 하나만 구축할 수 있다면, 어떤 것을 선택하시겠습니까? 그리고 그 이유는 무엇입니까?
여러분의 답변은 현대 시장에서 시스템적 이점의 원천이 실제로 어디에 있다고 믿는지 정확히 보여줍니다.
댓글에 남겨주세요. 틀린 답변은 없습니다. 하지만 매우 많은 것을 드러내는 답변은 있습니다.
