changjinhan
FIXED INCOME / FIELD NOTES

DRW Head of AI — 범용 AI가 아니라 Proprietary Information과 결합해야 Edge가 생긴다

범용 AI에 회사의 고유 정보를 결합한다는 주장은 어떻게 검증하는가?

Research note2 min readSources & evidence ↓

범용 AI가 금융의 모든 자료와 판단에 그대로 적합하다고 볼 수는 없다. DRW의 AI 책임자는 경쟁력에 관련된 회사의 정보와 기술을 결합해 구체적인 결과를 만드는 방향을 설명한다. 비정형이거나 다루기 어려운 자료를 거래·투자 통찰로 바꾸는 활용이 공개된 범위다.

그는 언어처리와 기계학습이 금융에서 이미 오래 사용됐으며 현재의 차이는 특정 업무에 맞춰 정확한 결과를 얻는 데 있다고 말한다. 동시에 AI의 사실 생성 오류와 정량적 약점을 명시한다. 사람이 통제하고 엄격히 시험하는 구조가 필요하다는 조건이 같은 설명 안에 있다.

빠른 시험과 수정, 피드백은 이 과정의 운영 장점으로 제시된다. 하지만 고유 자료를 넣었을 때 어떤 성능이 얼마나 좋아졌는지는 공개되지 않는다. 국내에서는 범용 결과와 회사 자료를 추가한 결과를 같은 질문·시간조건에서 비교하고 오류 감소와 추가 정보를 따로 측정해야 한다.

SCOPE인터뷰의 역사적 기록이다. 고유 자료의 실제 수익 기여나 비공개 업무의 성과를 추정하지 않았다.

Evidence & verification ↓

Sources & evidence

Original passages appear only when checked against the publication. Earlier briefing records are identified separately.

DRW Head of AI — 범용 AI가 아니라 Proprietary Information과 결합해야 Edge가 생긴다0 primary · 4 archived +
EARLIER BRIEFING RECORD

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 ↓
Publication links ↑
Show the original briefing text

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: ★★★★★