연구자는 학습 연산 외에도 자료를 준비하고 결과를 확인하는 데 시간을 쓴다. Optiver와 NVIDIA의 공개 설명은 GPU의 역할을 이런 전체 연구 과정의 시간 단축으로 다룬다. 금융회사의 사용이 실제 운영 추론보다 연구에 더 많이 놓여 있다는 관찰도 제시된다.
Optiver는 많은 CPU에 흩어 처리하던 자료 준비를 큰 통합 메모리를 갖는 소수 GPU에서 더 큰 덩어리로 처리하는 방식으로 옮긴다고 설명한다. 자료 이동과 처리의 구조를 바꾸는 접근이다. 단순히 연산 성능 수치가 높아졌다는 설명보다 어떤 작업의 경로가 바뀌는지에 초점을 둔다.
운영 추론에서는 새 시장자료가 도착한 뒤 준비를 시작하기보다 소프트웨어와 모형 가중치를 메모리에 올려놓고 다음 사건을 기다리는 설계도 소개한다. 사전 준비가 주문 판단의 대기를 줄이는 경로다. 다만 공개 설명에는 동일 작업의 완전한 성능 비교와 수익 기여가 없어 국내 작업별 측정이 필요하다.
SCOPE기술 대담의 보존 기록이다. 특정 설계의 보편적 속도 우위나 손익 기여는 검증하지 않았다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Optiver × NVIDIA — “It’s Not the FLOPS. It’s the Researcher Time.”0 primary · 4 archived +
These 4 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: Optiver 공식 기술문서 / Head of Quant Engineering·NVIDIA 인터뷰
발표일: 2026년 8월 24일
오늘 퀀트자료 중 가장 추천한다.
확인 가능한 사실
Optiver Global Head of Quant Engineering Scott McKenzie, Optiver 엔지니어 Josh Durham, NVIDIA Global Head of Capital Markets Strategy Ioana Boier가 accelerated computing이 trading research를 어떻게 바꾸는지 구체적으로 설명했다. Optiver 공식 기술문서
NVIDIA 측이 관찰하는 금융회사의 GPU 사용처는 아직 production inference보다 research 쪽의 비중이 크다. 핵심 목적도 단순 FLOPS 확대가 아니라 raw data → idea → strategy → production으로 이어지는 전체 research cycle을 줄이는 것이다.
실제로 NVIDIA의 Ioana Boier는 이를 매우 압축해서 표현한다.
“It’s not the FLOPS. It’s the researcher time.”
Optiver의 Josh Durham은 과거 대규모 dataset 준비를 수천 CPU core에 분산하던 workload를, large unified memory를 가진 소수 GPU에서 더 큰 block 단위로 처리하는 구조로 바꾸고 있다고 설명한다.
더 흥미로운 것은 production inference다. Optiver는 market data가 도착한 뒤 GPU task를 시작하는 것이 아니라 GPU software와 model weight를 미리 메모리에 올려 놓고 다음 market event를 기다리는 구조를 이야기한다.
공개자료 기반 수익 메커니즘
Optiver의 GPU 투자는:
GPU가 빠르다
→ 돈 번다
가 아니다.
훨씬 더 중요한 식은:
Researcher Time ↓ → 하루 실험 수 ↑ → 좋은 feature 발견 확률 ↑ → production iteration ↑ → live edge 개선
이다.
즉:
P&L ∝ Research Quality × Experiment Throughput × Deployment Speed
로 보는 편이 맞다.
그리고 production에서는:
Market event → 이미 memory에 resident한 model → 즉시 inference → pricing/risk/execution decision
구조다.
한국 채권시장 복제 아이디어
GPU부터 사는 것이 첫 단계는 아니다.
먼저 현재 연구 cycle을 측정해야 한다.
예를 들어:
| 단계 | 현재 |
|---|---|
| tick 데이터 추출 | 2시간 |
| feature 생성 | 3시간 |
| backtest | 1시간 |
| 결과분석 | 2시간 |
| 총 research loop | 8시간 |
이라면 목표는 GPU 도입 자체가 아니라:
8시간 → 30분
이다.
이를 달성하면 한 연구자가 하루에 1개 가설이 아니라 10~20개를 검증할 수 있다.
따라서 우리가 관리해야 할 핵심 KPI는:
Experiments / Researcher / Day
가 된다.
복제 가치: ★★★★★