Flow Traders의 머신러닝 활용 관점

구분: 회사 공식 반기보고서 + Capital Markets Day
최신 보고: 2026년 7월 29일 Half Year Report
전략 발표: 2026년 6월 23일
원문: Flow Traders Half Year Report / Capital Markets Day.

공개적으로 확인된 사실

Flow Traders는 최근 보고서에서 AI와 ML이 trading strategies, research processes, operations 전반에 점점 더 깊게 내장되고 있다고 명시한다. AI 투자의 목표를 연구속도 향상, superior alpha generation, 구조적 경쟁우위로 직접 표현한다.

Capital Markets Day 자료는 훨씬 구체적이다. Flow는 AI·딥러닝을 이용해 trading strategies, pricing, risk management를 최적화하고, 자체 연구플랫폼이 predictive pricing model을 지속적으로 생성·개선·배포해 alpha를 포착하는 구조를 목표로 한다. 또한 massive market/alternative data ingestion, CoreWeave compute, GPU와 low-latency ASIC을 활용한 real-time inference, 그리고 quant finance·deep learning·systems engineering을 결합한 전담 조직을 구축 중이라고 공개했다.

특히 Flow는 수년간 수천 개 상품을 거래하며 축적한 private execution dataset이 거래할수록 더 강한 training foundation이 된다고 공개적으로 주장한다. 이는 data flywheel을 수익모델의 핵심 자산으로 보고 있다는 매우 중요한 대목이다.

수익 메커니즘 — 공개자료 기반 추론

Flow의 구조는 상당히 명확하다.

Trade → private data 증가
→ better model
→ better pricing
→ tighter/더 정확한 quote
→ 더 많은 flow
→ 더 많은 private data

즉 data flywheel이다.

그리고 ML의 경제적 가치는 세 군데서 발생한다.

1. Alpha: 예측 신호 개선
2. Pricing: fair value 정확도 개선 → 더 경쟁력 있는 quote
3. Risk: inventory·capital allocation 개선 → 더 많은 flow를 받아낼 능력 증가

특히 “가격예측 모델 → 리스크 예산 → systematic pricing”이 하나의 stack이라는 점이 중요하다.

Flow는 동시에 AI-driven decision의 오류가 고속시장에서는 빠르게 확대될 수 있다고 보고, model approval·monitoring·revalidation·human oversight를 별도 governance layer로 운영한다고 설명한다.

한국 채권시장에 복제한다면

가장 중요한 건 GPU가 아니다. 우리의 거래 결과를 학습자산으로 만드는 것이다.

모든 체결마다 최소한 다음을 저장해야 한다.

체결 직전 state

• 우리 quote
• counterparty / venue
• size
• fill 여부
• 1초/10초/1분/10분 mark-out
• 최종 hedge
• 실현 P&L

그러면 시간이 지날수록

어떤 시장에서 어떤 상대에게 어떤 가격으로 얼마나 risk를 받아야

가장 돈이 되는지 자체 데이터로 학습할 수 있다.

이게 쌓이면 모델 자체보다 우리만 가진 데이터셋이 진짜 moat가 된다.

복제 난이도: ★★★★★
복제 가치: ★★★★★