동시에 인터뷰는 가설과 백테스트를 많이 만들수록 과적합 위험도 커질 수 있다고 지적합니다. 사전학습된 언어모델이 과거 시점에는 알려지지 않았던 사건을 알고 있다면, 과거 예측 실험에 미래정보가 섞일 수도 있습니다.
이 때문에 아이디어 개수보다 검증을 통과한 새로운 설명변수의 수를 보자는 해석이 가능합니다. 생성, 검증, 실제 운영 관찰을 나눠 관리하는 방식입니다. 이는 공개 인터뷰를 국내 연구 업무에 연결한 편집적 시사점입니다.
편집 전 브리핑 원문 펼치기
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: ★★★★★