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 신호-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 트레이더 교육 설명은 더 구체적이다. Jane Street는 시장데이터에서 tradable 적정가치를 만들고, 알고리즘을 시장구조에 맞게 최적화하는 과정을 실제 quantitative trading workflow의 일부로 설명한다.
편집 전 브리핑 원문 펼치기
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: ★★★★★