신경망을 학습하는 과정과 실시간으로 예측을 계산하는 추론은 다른 운영 작업이다. Jane Street 자료는 거래전략을 구동하는 모델뿐 아니라 두 작업의 인프라도 개발한다고 설명한다. 공식자료와 채용 설명이 보여주는 것은 회사가 맡기는 업무와 시장 데이터를 처리하는 구조다.
기록은 금융자료의 낮은 신호 대비 잡음, 구조적 국면 변화와 반사성을 회사가 언급했다고 소개한다. 반사성은 자신의 거래가 이후 가격과 학습자료에 영향을 주는 성질이다. 적정 거래가격을 만들고 시장구조에 맞춰 알고리즘을 조정하는 과정도 교육 설명에 포함된다.
이 사실들을 가격 추정, 주문·재고 결정과 결과 재학습의 흐름으로 연결하는 것은 데스크의 추론이다. 공개자료가 그 흐름의 특정 알파와 성과를 입증하지는 않는다. 국내에서 참고할 부분은 입력과 예측, 실제 체결 및 후속 가격을 연결해 가설을 반복 검증할 데이터 구조이며 규모를 복제하는 일과 구별된다.
SCOPE공식 기술·채용 설명이며 비공개 전략과 거래 수익의 독립 검증이 아니다. 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.
Jane Street가 공개하는 모델과 학습·추론 인프라0 primary · 9 archived +
These 9 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 ML 페이지·채용자료
게시일: 페이지 자체 게시일 미표기 / 2026년 8월 8일 현재 공개 확인
원문: Jane Street Machine Learning
공개적으로 확인되는 사실
Jane Street는 공식적으로 **“deep learning is the future of quantitative trading”**이라고 밝히고 있으며, ML팀이 trading strategy를 구동하는 neural-network model과 이를 위한 training·inference infrastructure를 만든다고 설명한다.
회사는 금융 데이터의 특징으로 낮은 signal-to-noise ratio, 구조적 regime 변화, 그리고 자기 자신의 거래행위가 이후 학습 데이터에 영향을 주는 reflexivity를 명시하고 있다. 또한 현재 수만 개의 high-end GPU를 사용하며, 한 Texas 데이터센터에는 4,032개의 liquid-cooled GPU가 있다고 공개한다.
Quant Trader 교육 설명은 더 구체적이다. Jane Street는 시장데이터에서 tradable fair value를 만들고, 알고리즘을 시장구조에 맞게 최적화하는 과정을 실제 quantitative trading workflow의 일부로 설명한다.
수익 메커니즘 — 추론
비밀 전략은 공개되지 않는다. 다만 공개된 내용을 조합하면 상당히 명확한 구조가 보인다.
시장상태 → ML fair value → 상대적으로 잘못 가격된 주문/상품 탐지 → position/execution 결정 → production trade → 결과를 다시 학습
여기서 중요한 것은 “내일 10년 금리를 맞힌다”가 아니다. 미세한 conditional fair value를 매우 많은 상품과 시점에서 반복해서 개선하면 조금 더 좋은 가격결정·조금 더 좋은 체결·조금 더 좋은 재고관리가 누적된다.
한국 채권시장에 복제한다면
Jane Street 방식에서 가장 복제 가치가 높은 것은 모델 자체보다 학습 루프다.
호가 5단계 + 선물 + 현물 + basket + 외국인 + 체결 → fair value → action → 실제 체결 → mark-out → 다시 학습
특히 각 거래마다 1초·10초·1분·5분 후 mark-out을 보관하면 어떤 신호가 실제 가격발견에 기여했는지 학습할 수 있다.
가장 중요한 교훈:
큰 딥러닝 모델을 사오는 것이 아니라, 모델이 매일 자기 거래 결과를 다시 학습할 수 있는 데이터 구조를 만드는 것이 먼저다.
복제 난이도: ★★★★☆
복제 가치: ★★★★★