IMC는 ML을 연구 보조도구가 아니라 전체 trading workflow의 핵심이라고 공식적으로 표현한다. 공개 페이지에 따르면 ML은 대규모 noisy real-world 데이터셋에서 market behaviour를 예측하고 trading opportunity를 찾는 predictive modelling, 입력 변수 expansion, 그리고 기술 스택 전반의 model deployment에 사용된다.
IMC의 현재 공개 인프라는 120개 이상의 trading venue, 9개국 9,000대 이상의 서버, 일 단위 petabyte 규모 데이터 처리를 제시하며, ML·AI가 market 예측, 신호 generation과 foundation-model training까지 사용된다고 밝힌다.
즉 IMC가 공개한 구조에서 AI는 단순 predictive 초과수익 신호뿐 아니라 연구 사이클 자체를 가속하는 자본장비 역할을 한다고 추론할 수 있다.
편집 전 브리핑 원문 펼치기
구분: IMC 공식 ML/Research 페이지
발표일: 게시일 미표기 — 2026년 8월 10일 현재 공식 공개 페이지
원문: IMC — ML Conferences / How ML is applied
공개적으로 확인된 사실
IMC는 ML을 연구 보조도구가 아니라 전체 trading workflow의 핵심이라고 공식적으로 표현한다. 공개 페이지에 따르면 ML은 대규모 noisy real-world dataset에서 market behaviour를 예측하고 trading opportunity를 찾는 predictive modelling, feature expansion, 그리고 기술 스택 전반의 model deployment에 사용된다.
더 주목할 부분은 연구→production 속도다. IMC는 연구 인프라가 대규모 실험을 빠르게 수행하고 live market에서 real-time feedback을 받을 수 있도록 설계돼 있으며, 일부 모델은 몇 시간 안에 영향도를 확인할 수 있다고 설명한다. 또한 engineering·trading·research workflow에 agent를 삽입하는 **“Agentic AI in production”**을 공식적으로 언급하고 있다.
IMC의 현재 공개 인프라는 120개 이상의 trading venue, 9개국 9,000대 이상의 서버, 일 단위 petabyte 규모 데이터 처리를 제시하며, ML·AI가 market forecasting, signal generation과 foundation-model training까지 사용된다고 밝힌다.
수익 메커니즘 — 추론
여기서 중요한 것은 모델 하나보다 research velocity다.
가령 두 회사가 동일한 데이터와 유사한 모델을 가지고 있다고 해보자.
A사는 새 모델 실험→production까지 3주.
B사는 6시간.
시장이 계속 변한다면 B사는 같은 기간 동안 훨씬 많은 hypothesis를 검증한다.
결국 경쟁우위는
Model Quality × Number of Experiments × Deployment Speed
에 가깝게 볼 수 있다.
즉 IMC가 공개한 구조에서 AI는 단순 predictive alpha뿐 아니라 연구 사이클 자체를 가속하는 자본장비 역할을 한다고 추론할 수 있다.
한국 채권시장에 복제한다면
이 부분은 대형 GPU보다 먼저 따라 할 수 있다.
딜러가 아이디어를 말하면:
자연어 가설
→ SQL 자동작성
→ event-time 데이터 추출
→ 백테스트
→ DV01 normalization
→ transaction cost
→ P&L distribution
→ 결과 report
까지 자동으로 돌도록 하는 것이다.
예를 들어:
“30년 입찰 전날 10/30이 2bp 이상 steep했고 외국인이 10선을 대량 매도했을 때 익일 오전 reversal이 있었는지 봐줘.”
이 요청을 사람이 2시간 분석하는 것과 agent가 3분 분석하는 차이가 하루 한 번은 작아도 1년 연구 아이디어 수에서는 엄청난 차이가 된다.
복제 난이도: ★★★☆☆
복제 가치: ★★★★★