Jane Street의 공개 대담은 거래 기술의 변화 속에서 딥러닝의 역할이 커졌다고 설명한다. 공식 연구 소개는 연구자, 엔지니어, 트레이더가 가까이 협업하며 자료분석부터 실제 거래분석까지 업무가 연결된다고 한다. 모형 학습과 주문 운영을 떨어진 활동으로 보지 않는 구조다.
하루 업무에는 모형 설정 조정과 분산학습 오류 수정도 포함된다. 최신 언어모형, 영상, 강화학습, 학습기술 등의 아이디어를 문제에 맞춰 선택하고 자체 구조도 만든다고 소개한다. 어떤 연구는 짧게 거래로 이어지고 다른 연구는 큰 주문시스템으로 발전할 수 있다는 다양한 기간도 언급된다.
계산자원 배분에 실시간 경매를 사용한다는 대담 내용은 내부 자원 운영의 사례다. 그러나 딥러닝이 큰 동력이라는 회사 표현을 정확한 수익 비중이나 다른 방법의 열위로 번역할 수는 없다. 국내에서는 연구·기술·거래가 함께 보는 오류와 변경 기록을 만들고 실제 효과를 비교해야 한다.
SCOPE회사 자체 설명의 역사적 기록이다. 딥러닝의 손익 기여율이나 내부 자원 경매의 효과는 검증되지 않았다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Jane Street — 현직자들이 밝힌 “Deep Learning이 Systematic Trading의 최대 Driver가 된 과정”0 primary · 5 archived +
These 5 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
구분: Jane Street 공식 현직자 roundtable + 공식 ML 기술자료
현재 공개: 2026년
자료 성격: 채용공고 제외. 실제 연구자·트레이더가 회사의 ML 방식과 compute 구조를 직접 설명
확인 가능한 사실
Jane Street는 최근 3Blue1Brown의 Grant Sanderson과 진행한 사내 roundtable에서 현직자 Nitya, In Young, Craig, Alok가 회사의 기술 변화에 대해 직접 이야기했다. 공식 요약에서 Jane Street는 2005년 Excel 기반 trading system에서 시작해 현재 deep learning이 systematic trading의 “single largest driver”가 됐다고 명시한다. Jane Street 공식 roundtable 소개
공식 ML 페이지는 연구자·엔지니어·트레이더가 silo 없이 바로 옆에서 일하며, 하루 업무가 market-data 분석, hyperparameter tuning, distributed-training debugging, production trade 분석까지 모두 포함된다고 설명한다. Jane Street Machine Learning 공식 자료
또 특정 model family에 고정하지 않는다. Jane Street는 최신 LLM, computer vision, reinforcement learning, training libraries, CUDA kernels 등의 아이디어를 필요에 따라 사용하고, trading 문제에 맞는 자체 architecture·optimization도 만든다고 공개한다.
현직 연구자 Declan은 프로젝트 horizon도 매우 다양하다고 직접 설명한다. 어떤 연구는 당일 바로 하나의 trade로 이어질 정도로 짧고, 다른 연구는 결국 billions of orders를 보내는 거대한 trading system으로 발전할 수 있다. Declan 인터뷰 원문
특히 재미있는 부분: Compute Allocation
Jane Street roundtable은 compute cluster 자체에 real-time auction을 운영한다고 공개한다.
이건 상당히 의미 있는 조직 설계다.
GPU를:
“누가 먼저 예약했는가”
로 배분하기보다,
“지금 가장 가치 있는 연구 experiment가 무엇인가”
라는 경제적 문제로 취급하고 있음을 시사한다.
구체적인 auction mechanism이나 bid metric은 공개되지 않았으므로 그 부분을 추정해서는 안 된다.
공개자료 기반 추론
Jane Street의 연구운영을 압축하면:
Trading problem
→ researcher + trader가 target 정의
→ neural model 실험
→ distributed GPU training
→ production deployment
→ 실제 model trade를 다시 연구자가 분석
→ 다음 hypothesis
다.
여기서 가장 중요한 마지막 단계는:
“study our model’s trades in production”
이다.
즉 ML 연구자의 업무가 validation loss를 보고 끝나지 않는다.
실제 모델이 낸 trade를 직접 본다.
- 왜 이 trade를 했나
- edge가 실제로 있었나
- 어느 regime에서 틀렸나
- execution 때문에 사라졌나
- prediction 자체가 틀렸나
를 다시 연구한다.
한국 채권시장에 그대로 가져올 것
모든 live trade에 Model Decision Snapshot을 남기는 걸 추천한다.
예:
Trade ID 392819
- Market state
- Model version
- feature vector
- predicted alpha
- confidence
- recommended action
- actual position
- execution price
- 10s mark-out
- 1m mark-out
- final P&L
그리고 매일 자동으로:
Best 10 trades
왜 잘됐나?
Worst 10 trades
왜 틀렸나?
High-confidence failures
가장 중요한 model debugging 대상
을 뽑는다.
이렇게 하면 research와 trading이 분리되지 않는다.
Backtest → Production
이 아니라
Research → Production → Research
의 순환이 된다.
복제 가치: ★★★★★