원자료를 모델 입력으로 바꾸려면 정의·변환·시험을 반복한다. Two Sigma 임원은 AI가 이 특징생성 과정을 수개월에서 수일로 줄였다고 설명한다. 회사 내부 시스템과 생산·사고관리에도 모델을 연결해 활용맥락을 넓히고 있다고 밝힌다.
후보와 백테스트를 많이 만들수록 우연히 좋은 결과를 고를 기회도 늘어난다. 임원은 이런 과적합 위험을 경고한다. 사전학습 모델이 과거 평가구간 이후 사건을 알고 있다면 파일의 시점을 통제해도 완전한 미관측 테스트가 아닐 수 있다.
공개 자료는 구체적 알파와 손익을 제공하지 않는다. 속도향상은 구현과 탐색의 주장으로 읽어야 한다. 국내 연구에서는 생성한 후보와 탈락을 모두 남기고 선택과 평가를 분리해야 빠르게 많이 찾은 결과의 우연성을 측정할 수 있다.
SCOPE임원의 회사 설명이다. 시간단축과 수익 개선은 같은 결과가 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
특징을 빨리 만드는 AI의 과적합 부담0 primary · 3 archived +
These 3 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: Two Sigma 공식 AI/Quant 리더 인터뷰
발표일: 2026년 1월 21일
선정: 최신성보다 AI가 실제 research workflow를 어떻게 바꾸고 있는지 보여주는 1차 자료라 선정
채용공고 아님
확인 가능한 사실
Two Sigma의 CTO Jeff Wecker, Chief AI Innovation Officer Matt Greenwood, Head of Complex Feature Engines Ben Wellington, Head of Technique Forecasting Jin Choi, Head of AI Core Mike Schuster가 회사의 2026년 AI 활용 방향을 직접 설명했다. Jeff Wecker는 LLM을 alpha identification부터 내부 production environment, incident management, business process까지 활용하고 있으며, 내부 시스템을 이해하도록 점점 더 “Two Sigma-aware”하게 만들고 있다고 설명한다. Two Sigma 공식 원문
Ben Wellington의 발언은 더 직접적이다. 그는 AI가 raw data를 novel/predictive feature로 변환하는 작업을 가속해 과거 몇 달 걸렸을 insight generation을 며칠로 단축했다고 말한다.
반면 Jin Choi는 AI agent가 hypothesis와 backtest를 대량 생성하면서 overfitting 위험도 동시에 크게 키운다고 경고한다. 특히 pretrained LLM을 historical forecasting pipeline에 사용할 경우 모델이 knowledge cutoff 이전의 미래 사건을 이미 알고 있을 수 있어, 과거 backtest가 오염될 수 있다고 명시한다.
공개자료 기반 추론
이 자료에서 가장 중요한 구조는:
AI = Alpha predictor
하나가 아니다.
더 실제적인 용도는:
Raw Data
→ LLM/Agent-assisted feature ideation
→ fast coding / testing
→ human/quant validation
→ existing forecasting stack
→ production monitoring
이다.
즉 AI의 첫 번째 P&L contribution은 forecast 자체보다 Research Cycle Compression일 가능성이 크다.
이는 이전에 본 Optiver·Jump의 “research velocity” 관점과도 일치한다.
한국 시장 복제 아이디어
채권 research agent의 KPI를:
Generated Ideas
가 아니라:
Validated Novel Features / Week
로 잡는 것을 추천한다.
Agent가 하루 100개 feature를 만들더라도:
- leakage 없음
- 기존 feature와 낮은 correlation
- rolling OOS 통과
- regime 안정성
- 비용 후 incremental P&L
을 통과한 것이 0개면 생산성은 0이다.
따라서:
AI Feature Factory → Alpha Validation Gate → Feature Store
구조를 만들면 된다.
이게 지금까지 살펴본 탑티어 quant 자료를 국내 채권 데스크에 옮길 때 가장 실용적인 형태 중 하나다.
복제 가치: ★★★★★