HRT의 대규모 데이터와 딥러닝

구분: HRT 공식 최신 기술자료 + 공식 HRT AI Labs 자료
최신 기술 업데이트: 2026년 8월 말

HRT는 이전 브리핑에서 deep learning 활용 자체를 다룬 적이 있다. 오늘 다시 넣은 이유는 이번에 새로 공개된 production-scale data/latency 수치가 AI 모델을 실제 시장에 넣는 engineering constraint를 상당히 구체적으로 보여주기 때문이다.

확인 가능한 사실

HRT는 최근 공식 LinkedIn 기술 업데이트에서 하루 약 20TB의 streaming market data를 처리한다고 공개했다. 동시에 trading infrastructure에서는 microsecond 단위 latency가 중요하기 때문에 throughput과 latency를 동시에 맞춰야 하며, 이 과정에서 C++가 핵심 역할을 한다고 Software Engineering Lead Eric Lubin이 설명한다. HRT 공식 LinkedIn 기술 업데이트

HRT AI Labs 공식 페이지에서는 deep learning이 이미 HRT trading의 significant fraction을 drive하고 있다고 명시한다. 시장 데이터는 signal-to-noise가 매우 낮고, adversarial participant가 모델 행동에 적응하며, distribution shift가 빈번한 동시에 millions of bursty, irregularly spaced events를 실시간 처리해야 한다고 설명한다. HRT Machine Learning 공식 페이지

HAIL 연구자 Marc가 공개한 설명도 실무적으로 흥미롭다. 거래소는 깔끔한 (X,Y) supervised dataset을 주지 않고 오직 event stream만 보내기 때문에 무엇을 target으로 정의할지 자체가 연구문제이며, future buy price·sell price·mid·classification 등 target 정의부터 시작해야 한다고 설명한다. HRT의 ML 문제정의 설명

공개자료 기반 추론

HRT에서 중요한 edge는:

Deep Model 하나가 아니라,

Raw exchange event → label/target engineering → large-scale training → ultra-low-latency inference → execution → new event data

전체 loop다.

특히 financial ML에서는 target definition이 모델 architecture만큼 중요하다.

예를 들어 국채선물에서:

다음 mid-price

를 예측하는 모델이 좋다고 해서 반드시 돈이 되는 것은 아니다.

오히려:

30초 후 executable bid 30초 후 executable ask our expected mark-out conditional on fill

이 실제 거래목적에 더 좋은 target일 수 있다.

한국 채권시장 복제 아이디어

처음부터 Transformer architecture보다 target factory를 만들어야 한다.

하나의 시장 상태에 대해 동시에:

• 1s future mid
• 5s future mid
• 30s VWAP
• passive fill probability
• post-fill mark-out
• realized spread

를 label로 저장한다.

그 다음 어느 target이 실제 P&L과 가장 강하게 연결되는지 실험한다.

즉:

모델 선택 전에 Target Selection을 연구한다.

이게 오늘 HRT 자료에서 가장 중요한 포인트다.

복제 가치: ★★★★★