Graham Capital은 투자 플랫폼이 machine learning과 natural language processing을 포함한 quantitative 초과수익 신호 signals와 discretionary portfolio manager의 판단을 결합한다고 공식 설명한다. 회사는 이 전략들을 고정 규칙으로 두지 않고, 시장행동 변화에 맞춰 지속적으로 진화시키며 포트폴리오 구성과 proactive risk management를 핵심 원칙으로 둔다고 밝힌다.
또 금리·지정학·인플레이션 불확실성이 높고 stock/bond correlation이 양(+)으로 전환될 수 있는 환경에서, quantitative와 discretionary strategy의 결합이 포트폴리오 대응력을 높인다고 설명한다.
Graham의 접근은 Jane Street/XTX처럼 초단기 시장조성형이 아니라 systematic macro + human override에 더 가깝다.
편집 전 브리핑 원문 펼치기
구분: 회사 공식 투자전략 소개
공개일: 공식 페이지 게시일 미표기 / 2026년 8월 16일 현재 공개 확인
원문 링크: Graham Capital 공식 자료
공개적으로 확인된 사실
Graham Capital은 투자 플랫폼이 machine learning과 natural language processing을 포함한 quantitative alpha signals와 discretionary portfolio manager의 판단을 결합한다고 공식 설명한다. 회사는 이 전략들을 고정 규칙으로 두지 않고, 시장행동 변화에 맞춰 지속적으로 진화시키며 portfolio construction과 proactive risk management를 핵심 원칙으로 둔다고 밝힌다.
또 금리·지정학·인플레이션 불확실성이 높고 stock/bond correlation이 양(+)으로 전환될 수 있는 환경에서, quantitative와 discretionary strategy의 결합이 포트폴리오 대응력을 높인다고 설명한다.
수익 메커니즘 — 공개자료 기반 추론
Graham의 접근은 Jane Street/XTX처럼 초단기 market-making형이 아니라 systematic macro + human override에 더 가깝다.
구조는 대략:
Macro/Market Data + Text
→ ML/NLP alpha
→ systematic position
+
PM discretionary view
→ portfolio overlay
→ risk-managed combined book
이다.
이 구조의 경제적 가치는 사람이 모델을 이기는 데 있다기보다 서로 다른 오류구조를 가진 두 의사결정 체계를 결합하는 데 있을 수 있다.
예를 들어 ML은 대규모 데이터의 안정적 패턴에는 강하지만 구조변화를 늦게 인식할 수 있고, PM은 정책·정치적 비선형 이벤트를 빠르게 해석할 수 있다. 두 신호가 일치하면 size를 키우고 충돌하면 size를 줄이는 방식이 가능하다.
한국 채권시장에 복제한다면
이건 실제 데스크에서 구현 난도가 가장 낮다.
딜러 의견과 모델 출력을 별도 저장해서:
Human View
Model View
Final Position
Actual P&L
네 가지를 모두 기록한다.
그러면 몇 달 뒤에는
- 사람이 강한 영역
- 모델이 강한 영역
- 둘이 동시에 틀리는 regime
- disagreement가 오히려 좋은 risk-off signal인지
를 실제 데이터로 분석할 수 있다.
즉 AI를 사람 대신 쓰기 전에 사람의 judgment 자체를 feature로 만드는 것이다.
복제 난이도: ★★☆☆☆
복제 가치: ★★★★★