changjinhan
FIXED INCOME / FIELD NOTES

Two Sigma — Ben Wellington이 직접 설명한 “Feature Engineering에서 Alpha가 만들어지는 방식”

공통 입력변수 라이브러리는 연구에 무엇을 공유하는가?

Research note2 min readSources & evidence ↓

같은 시장자료에서도 어떤 입력을 만들지에 따라 예측 정보가 달라진다. Two Sigma의 공개 인터뷰는 이런 입력변수 설계와 예측기간, 기계학습, 반복 탐색의 문제를 다룬다. 회사 공식 정리에도 연구 방식이 소개됐다는 역사적 기록이다.

연구자가 팀별로 입력을 각자 소유하기보다 공유 라이브러리와 공통 연구 플랫폼을 사용한다고 설명한다. 이미 만든 입력을 다른 연구에서도 같은 정의로 사용할 수 있는 운영 구조다. 공유한다는 사실은 어떤 입력의 성과가 좋았는지나 모든 팀이 같은 모형을 쓴다는 뜻은 아니다.

보존된 언어 표현 관련 구절은 앞 문맥이 불완전해 구체적인 기술 주장으로 확장할 수 없다. 국내에서 참고할 수 있는 범위는 입력 정의와 버전, 당시 사용 가능한 시점을 공통 기록으로 남기는 설계다. 반복 실험이 많아질수록 우연한 성과를 고를 위험도 있어 공유와 검증 규칙을 함께 평가해야 한다.

SCOPE인터뷰의 역사적 기록이다. 문맥이 끊긴 보존 구절은 기술 주장에 사용하지 않았고 플랫폼의 성과는 미확인이다.

Evidence & verification ↓

Sources & evidence

Original passages appear only when checked against the publication. Earlier briefing records are identified separately.

Two Sigma — Ben Wellington이 직접 설명한 “Feature Engineering에서 Alpha가 만들어지는 방식”0 primary · 3 archived +
EARLIER BRIEFING RECORD

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 ↓
Publication links ↑
Show the original briefing text

구분: 현직 Head of Complex Feature Engines 인터뷰 + 회사 공식 정리
팟캐스트: 2026년 7월 6일
Two Sigma 공식 공개: 2026년 8월 11일

오늘 퀀트사 자료 중 가장 추천한다.

Two Sigma의 Head of Complex Feature Engines Ben Wellington이 Flirting with Models에서 약 56분 동안 feature engineering, ML, AI, p-hacking, forecast horizon, shared research platform을 직접 설명했다. Two Sigma도 이후 이를 공식 사이트에 상세히 정리했다. Two Sigma 공식 정리 전체 팟캐스트·챕터

확인 가능한 사실 ① — Feature는 “column”이 아니다

Ben은 feature를 단순 데이터 column이 아니라:

“facts about the world worth noting”

으로 정의한다.

예를 들어:

  • 최근 일주일 가격변화
  • 뉴스 보도량
  • analyst upgrade
  • press release timing

모두 feature가 될 수 있다.

하지만 핵심은 데이터를 보유하는 것 자체가 아니라 어떤 질문으로 그것을 변환하느냐다.

그는 raw data가 commoditize될수록 quant edge가:

Data 에서 What you do with the data

즉 feature engineering 쪽으로 이동한다고 설명한다.

확인 가능한 사실 ② — 가장 중요한 목표는 “Orthogonal Prediction”

Ben은 alpha modeler의 업무를 아주 명확하게 표현한다.

매일 orthogonal하고 novel한 prediction을 찾는 것이다.

기존 signal과 correlation이 높은 feature는 쉽게 찾을 수 있지만 경제적 가치는 낮다.

실제로 팟캐스트에서는:

  • feature collinearity
  • orthogonality
  • forecast horizon
  • feature lifecycle
  • market efficiency

를 별도 주제로 깊게 다룬다.

이 관점에서 feature 평가식은 단순:

IC(feature, return)

보다:

Incremental IC conditional on existing features

가 더 중요하다.

확인 가능한 사실 ③ — Shared Feature Library

Two Sigma에서는 연구자들이 silo별로 각자 feature를 소유하기보다 공유 feature library와 공통 research platform을 사용한다고 Ben이 설명한다.

즉 한 팀이 발견한 feature가 다른 모델과 전략에도 재사용된다.

이 구조에서는:

Research 1개 → feature library
→ 모델 20개에서 재사용

이 가능하다.

확인 가능한 사실 ④ — LLM과 Feature Engineering

Ben은 LLM이 과거 NLP와 다른 중요한 변화를 만들었다고 본다.

기존:

Language → Numbers

였다면 이제는:

Numbers / tables / structured information → Language

까지 가능해졌기 때문에 **“anything can be language”**에 가까운 연구공간이 열린다고 설명한다.

다만 AI가 모두에게 동일한 아이디어를 제안하면 오히려 연구결과가 homogenize될 수 있다. 그는 AI를:

연구자의 originality를 증폭하는 도구

로 써야 한다고 강조한다.

공개자료 기반 수익 메커니즘

Two Sigma의 구조는 이렇게 해석할 수 있다.

Raw Data → Human/AI feature hypothesis
→ orthogonality test
→ forecast model
→ shared feature library
→ 여러 portfolio에 재사용
→ P&L

즉 edge의 핵심 중 하나는:

Feature Quality × Reuse × Orthogonality

다.

한국 채권시장 복제 아이디어

우리도 Bond Feature Store를 단순 DB table이 아니라 연구자산 library로 만들 필요가 있다.

예:

foreign_10y_futures_flow_zscore auction_tail_20d_percentile 10_30_curve_residual orderbook_cancel_imbalance broker_fill_ratio MPC_hawkishness_delta

각 feature에 자동으로:

  • 설명
  • 경제적 hypothesis
  • target horizon
  • IC
  • regime별 IC
  • 기존 feature와 correlation
  • production usage
  • decay

를 기록한다.

그리고 신규 feature 승인기준을:

높은 단독 IC

가 아니라

기존 feature set에 없는 incremental information

으로 바꾼다.

이건 바로 구현할 가치가 있다.

복제 가치: ★★★★★