그는 금융시장이 이미 수십 년간 언어처리·ML 알고리즘을 사용해 왔고, 현재 DRW에서 중요한 것은 범용 AI를 그대로 쓰는 것이 아니라 DRW의 competitive edge에 특화된 정보와 기술을 결합해 precise, targeted outcomes를 만드는 것이라고 말한다.
또 AI 모델의 hallucination과 정량적 취약성을 명시적으로 언급하며, 사람이 통제·검증하는 구조와 rigorous testing이 필요하다고 강조한다.
마지막으로 DRW가 가진 장점으로 빠른 test-and-iterate와 fast 피드백 loop를 직접 꼽는다.
편집 전 브리핑 원문 펼치기
구분: 회사 공식 Head of AI 인터뷰
게시일: 공식 페이지 날짜 미표기 · 2026년 현재 공개
선정: 최신성보다 기술적 가치 때문에 선정
확인 가능한 사실
DRW의 Head of AI Wachi Bandara는 과거 Mellon Capital에서 yield-curve arbitrage와 global-macro equity risk를 연구했고, 이후 ML을 unstructured/difficult data에 적용해 trading/investment insight를 만드는 일을 해왔다고 설명한다. DRW 공식 인터뷰
그는 금융시장이 이미 수십 년간 언어처리·ML 알고리즘을 사용해 왔고, 현재 DRW에서 중요한 것은 범용 AI를 그대로 쓰는 것이 아니라 DRW의 competitive edge에 특화된 정보와 기술을 결합해 precise, targeted outcomes를 만드는 것이라고 말한다.
또 AI 모델의 hallucination과 정량적 취약성을 명시적으로 언급하며, 사람이 통제·검증하는 구조와 rigorous testing이 필요하다고 강조한다.
마지막으로 DRW가 가진 장점으로 빠른 test-and-iterate와 fast feedback loop를 직접 꼽는다.
공개자료 기반 추론
이 인터뷰에서 가장 중요한 문장은 사실상:
General AI × Proprietary Information → Trading Edge
다.
ChatGPT나 공개 LLM은 경쟁자도 쓸 수 있다.
그러나:
- 자체 주문기록
- 상대별 체결행동
- 과거 hedge sequence
- quote response
- strategy-specific mark-out
- proprietary derived feature
를 AI와 결합하면 경쟁사가 복제하기 어려워진다.
즉 탑티어 퀀트의 moat는 흔히:
Model 보다 Model × Unique Data × Feedback Loop
다.
한국 채권시장 복제 아이디어
우리만 가진 데이터를 적극적으로 자산화해야 한다.
예를 들어:
동일 시장상태
에서
- 우리가 어떤 주문을 냈는지
- 어느 브로커를 택했는지
- 몇 초 기다렸는지
- 체결됐는지
- 이후 mark-out이 어땠는지
- hedge를 언제 했는지
를 모두 저장한다.
이렇게 축적된 데이터는 장기적으로 단순 K-Bond public tick보다 훨씬 높은 차별화 가능성이 있다.
그리고 LLM에는 정량 계산을 맡기기보다:
LLM → unstructured information / hypothesis
Deterministic + ML → number / probability / decision
식으로 역할을 분리하는 편이 안전하다.
복제 가치: ★★★★★