거래소가 보내는 것은 주문과 체결의 사건 흐름이며 정답이 붙은 학습표가 아니다. HRT의 공개 연구 설명은 미래 매수가격, 매도가격, 중간가격 또는 분류 중 무엇을 예측할지부터 정해야 한다고 강조한다. 목표가 달라지면 같은 입력자료에서도 학습과 평가가 달라진다.
기술 설명에서는 많은 사건을 처리하는 처리량과 주문 전달의 낮은 지연을 동시에 맞추는 과제를 다룬다. 딥러닝 자료는 낮은 신호 대비 잡음, 상대방의 적응, 관계 변화와 불규칙하게 몰리는 사건을 어려움으로 제시한다. 계산 속도뿐 아니라 학습환경의 변화를 고려해야 한다는 범위다.
딥러닝이 거래의 상당 부분을 지원한다는 회사 표현은 구체적인 모형과 목표의 성과를 공개한 것은 아니다. 국내에서는 어떤 가격이 실제 실행 가능한지에 따라 목표를 선택하고 같은 주문 정책으로 비교할 수 있다. 데이터 처리량을 예측의 가치나 손익과 같은 지표로 취급해서는 안 된다.
SCOPE회사 기술·연구 설명의 역사적 기록이다. 딥러닝 기여의 손익 비중이나 목표별 성과 비교는 공개되지 않았다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Hudson River Trading — 20TB/일 Market Data + Deep Learning + Microsecond Engineering0 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: 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 mid5s future mid30s VWAPpassive fill probabilitypost-fill mark-outrealized 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: ★★★★★