외부 GPU를 확보해도 내부 시장자료를 옮기는 시간이 길면 연구가 빨라지지 않을 수 있다. HRT와 CoreWeave의 계약 발표는 차세대 연구 플랫폼을 외부 AI 연산으로 확장하는 계획을 설명한다. 학습기반과 자료 이동을 함께 고려하는 인프라 구성이다.
공개 내용은 모형 복잡도와 학습자료가 커지면서 일관된 성능, 낮은 자료 이동 지연, 운영 신뢰성이 중요해진다고 한다. 내부 환경과 외부 클라우드 사이 전용 고대역 연결을 사용한다는 계획도 제시된다. 단순히 계산장치를 빌리는 것 외에 내부 자료와 외부 계산의 경로를 연결하는 설계다.
계약 규모와 차세대 장비의 이름은 실행 완료나 연구 성과의 검증을 대신하지 않는다. 회사가 플랫폼을 중요하게 본다는 사실과 실제 병목이 줄었다는 결과를 구분해야 한다. 국내에서는 자료 이동과 대기, 계산을 나눠 측정해야 외부 연산의 추가 가치가 어디서 생기는지 알 수 있다.
SCOPE계약·플랫폼 확장 발표의 역사적 기록이다. 설치 이후 성능과 손익 기여를 확인한 자료는 아니다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Hudson River Trading × CoreWeave — Vera Rubin NVL72 기반 차세대 AI Research Platform0 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: 공식 기술·인프라 발표 / HRT + CoreWeave
발표일: 2026년 8월 20일
확인 가능한 사실
HRT는 CoreWeave와 multi-year agreement를 맺고 차세대 AI-driven trading research와 model development를 CoreWeave AI cloud 위에서 확장하기로 했다. 플랫폼에는 NVIDIA Vera Rubin NVL72, HGX B200, Spectrum-X Ethernet이 포함되며, CoreWeave는 이를 “multi-billion dollar deal”로 표현한다. CoreWeave 공식 발표
HRT R&D 책임자 Kevin Lee는 “AI platform이 model만큼 중요하다”고 직접 설명했고, 회사는 ML과 large-scale neural-network model, HPC를 quantitative research와 trading에 사용한다고 공개했다. 모델 복잡도와 training data volume이 증가하면서 consistent performance, low-latency data movement, operational reliability가 중요한 infrastructure requirement가 되고 있다고 밝힌다.
특히 HRT는 on-prem environment와 CoreWeave 사이에 dedicated high-bandwidth Spectrum-X networking을 사용해 data movement latency를 낮추겠다고 공개했다. 즉 training compute만 cloud로 빌리는 단순 구조가 아니라 on-prem market-data estate와 external GPU compute를 하나의 research fabric으로 연결하는 형태에 가깝다.
공개자료 기반 추론
HRT의 구체적인 alpha model이나 trading rule은 공개되지 않았다.
다만 이번 투자의 경제적 메커니즘은 상당히 명확하다.
Compute ↑
→ 더 큰 training dataset
→ 더 복잡한 model
→ 더 많은 parallel experiments
→ research cycle 단축
→ market change에 빠른 adaptation
→ deployable alpha 증가
다.
여기서 중요한 것은 GPU가 아니라 research-optionality다.
기존에는 계산비용 때문에 시도하지 못했던:
- 더 긴 history
- 더 많은 instrument
- multi-market representation
- ensemble
- large neural nets
- 더 많은 hyperparameter/model family
를 동시에 테스트할 수 있게 된다.
한국 시장 복제 아이디어
국내에서는 Vera Rubin cluster보다 먼저 hybrid research architecture 원칙을 가져오는 것이 좋다.
On-prem / fast layer
- tick DB
- real-time feature
- OMS
- execution
- low-latency inference
GPU / batch research layer
- historical training
- embeddings
- foundation/time-series models
- large-scale simulation
- feature search
두 시스템이 동일한 feature definition과 model registry를 공유하도록 한다.
핵심 KPI는 GPU 수가 아니라:
Idea → OOS Result Time
와
Research → Production Time
이다.
복제 가치: ★★★★★