호가창에는 가격뿐 아니라 주문의 추가·취소와 체결 같은 사건이 쌓인다. Point72의 체계적 거시 역할은 선물과 외환 등에서 이런 사건자료로 장중부터 일별까지 입력변수를 만든다고 설명한다. 시장 미시구조의 정보를 예측용 변수로 바꾸는 연구 범위다.
입력을 결합할 때는 선형모형부터 기계학습까지 사용할 수 있으며 가설 탐색, 자료처리, 모형 추정, 전략 모의검증, 실제 배포를 전 과정으로 제시한다. 다른 거시 정량 역할은 자산 간 비교와 시간에 따른 신호 결합, 포트폴리오 최적화, 실행 관찰을 포함한다. 공개 역할 사이의 공통 연구 범위를 확인할 수 있다.
채권과 스왑 경험이 우대된다는 내용은 채용 수요의 설명이다. 이 사실만으로 특정 상품에서 어떤 호가창 신호가 쓰이거나 수익을 냈는지 알 수는 없다. 국내 적용에서는 사건자료의 시점과 실제 주문 결과를 연결하고 단순 입력과 복잡한 입력의 추가 가치를 비교하는 문제가 남는다.
SCOPE채용 역할의 보존 기록이다. 특정 모형의 성과나 채권·스왑 운용의 존재를 추가로 추정하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Point72 Systematic Macro — Order-Book Tick Data → Microstructure ML → Production0 primary · 2 archived +
These 2 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: 회사 공식 Quantitative Research 채용자료
현재 공개: 2026년 8월 확인
원문: Point72 Microstructure Quantitative Researcher
업데이트 사항
Point72는 이전 브리핑에서 IAC의 proprietary data + AI-driven equity signal을 다뤘다. 오늘은 그와 다른 팀의 systematic macro / microstructure ML production 구조이므로 중복이 아니라 확장 업데이트다.
공개적으로 확인된 사실
Point72의 systematic macro 팀은 futures·FX 등 글로벌 macro 시장에서 market microstructure signal을 개발하고, order-book tick data를 intraday~daily horizon으로 feature engineering한다. feature combination에는 linear model부터 ML까지 사용하며, 연구는 signal ideation → data processing → modeling → strategy backtesting → production implementation 전체 lifecycle을 포함한다.
또 별도의 macro quantitative role에서는 predictive signal을 cross-sectional·time-series로 결합하고, portfolio optimization과 execution monitoring까지 연구업무로 포함한다. fixed income·swap 경험도 우대사항으로 명시돼 있다.
수익 메커니즘 — 공개자료 기반 추론
구조를 단순화하면:
Order-book tick data
→ microstructure feature
→ short/mid-horizon forecast
→ strategy
→ execution
→ production monitoring
이다.
여기서 눈여겨볼 부분은 intraday signal과 daily signal을 별개 세계로 보지 않는다는 점이다.
예를 들어:
- macro alpha는 4시간짜리
- order-book pressure는 30초짜리
일 수 있다.
둘을 결합하면 macro view가 같아도 언제 진입할지가 달라진다.
즉:
Medium-horizon Alpha
× Short-horizon Microstructure Timing
의 조합이다.
한국 채권시장에 복제한다면
이 구조는 국채선물·현물에 매우 직접적이다.
예를 들어 모델이 10/30 steepening을 예상해도 바로 포지션을 넣는 대신:
macro/event alpha
→ “오늘 steepener가 유리”
위에
order-book state
→ “지금 10선을 매도하기 좋은 순간인가?”
를 붙인다.
그래서 최종 행동은:
Strategic Model: 무엇을 할 것인가
Tactical Model: 언제 할 것인가
로 분리한다.
국내 채권 자동매매에서 이 두 층을 분리하는 것이 예측모델 하나를 복잡하게 만드는 것보다 P&L 개선 가능성이 더 높다.
복제 난이도: ★★★★☆
복제 가치: ★★★★★