예측 특성은 원자료를 모형이 사용할 숫자나 분류로 바꾼 입력이다. Two Sigma의 공식 전망은 AI가 이 변환과 조직의 연구·운영 업무를 돕는다고 설명한다. 자료 이해와 특성 생성의 시간이 줄어드는 효과와 최종 투자 수익의 효과를 구분할 필요가 있다.
기록은 원자료를 새 특성으로 바꾸던 작업을 몇 달에서 며칠로 줄였다는 담당자의 발언을 소개한다. 동시에 에이전트가 많은 가설과 백테스트를 만들면 과적합이 심해질 수 있고, 사전학습 LLM이 과거 결과를 기억해 미래정보가 암묵적으로 새어 들어갈 수 있다는 경고도 남긴다.
많은 시도 중 우연히 좋은 성과를 고르는 문제는 연구 자동화에서 커질 수 있다. 독립 표본을 남기고 여러 검정의 우연 발견을 보정하며 특성의 원자료·시점·모델 버전을 저장해야 한다. 이는 공개 설명에서 도출한 검증 과제다. 회사의 속도 발언이 독립 성과나 국내 알파를 증명하는 것은 아니다.
SCOPE회사 담당자의 운영 경험과 경고이며 알파 증가의 인과효과와 모든 가설의 신뢰를 보장하지 않는다. 이 설명의 근거는 이전 브리핑 기록이며 원문 전체를 다시 검증한 결과가 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Two Sigma가 말하는 특성 생성 속도와 과적합0 primary · 7 archived +
These 7 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: 회사 공식 리서치/AI 전망
발표일: 2026년 1월 21일
원문: Two Sigma — AI in Investment Management: 2026 Outlook Part II
공개적으로 확인된 사실
Two Sigma CTO는 AI를 alpha identification부터 법무·컴플라이언스까지 조직 전반의 workflow에 통합하고 있으며, 내부 research·production·incident-management 환경까지 이해하는 “Two Sigma aware” 도구를 만들고 있다고 설명한다.
더 중요한 발언은 Head of Complex Feature Engines에게서 나온다. 그는 AI가 raw data를 novel predictive feature로 바꾸는 과정을 크게 가속해, 과거 몇 달 걸리던 작업을 며칠로 줄였다고 밝힌다. 동시에 Technique Forecasting 책임자는 AI agents가 가설과 백테스트를 너무 많이 만들 수 있어 오히려 overfitting이 심해질 수 있으며, pretrained LLM의 knowledge cutoff 이전 자료로 백테스트할 경우 미래정보가 암묵적으로 누출될 수 있다고 경고한다.
수익 메커니즘 — 추론
이건 꽤 중요한 차이다.
Two Sigma가 공개한 방향은
AI 직접 매매
보다는
AI → 더 많은 고품질 feature → 더 많은 검증 가능한 hypothesis → 더 좋은 portfolio model
에 가깝다.
즉 AI가 만드는 돈의 일부는 새로운 알파 모델 하나가 아니라 research throughput 상승에서 나온다고 보는 편이 합리적이다.
한국 채권시장에 복제한다면
예를 들어 금통위 10년치 자료를 사람이 manually label하면 며칠~몇 주가 걸린다. AI를 사용하면:
결정문·기자회견
→ 성장/물가/정책경로 문장 추출
→ 이전 회의 대비 delta
→ numerical feature
→ 3선/10선/커브 반응과 결합
까지 자동화할 수 있다.
하지만 Two Sigma가 경고한 부분도 그대로 적용해야 한다. 가설을 1,000개 자동생성할 수 있게 되면 false discovery 문제도 1,000배 커진다. 따라서 agent가 만든 연구에는 OOS holdout, multiple-testing correction, feature provenance와 cutoff metadata가 기본으로 붙어야 한다.
복제 난이도: ★★★☆☆
복제 가치: ★★★★★