Jane Street의 머신러닝 채용 자료가 보여주는 방향

구분: 회사 공식 2027 ML/Quant 프로그램 자료
2026년 8월 현재 모집 페이지 공개
원문 링크: https://www.janestreet.com/join-jane-street/position/8611307002/
Quant Trading 자료: https://www.janestreet.com/join-jane-street/position/8617344002/

업데이트 사항

Jane Street 자체는 이전 브리핑에서 소개했지만, 오늘은 새로 공개된 2027 internship 자료에서 보다 구체적인 production architecture가 확인돼 업데이트 항목으로 포함했다.

공개적으로 확인된 사실

새 Machine Learning Engineer internship 설명에 따르면 Jane Street의 GPU cluster는 H100·H200·B200 계열 GPU 수천 개로 구성돼 있으며, 금융시장을 새로운 ML 아이디어를 빠르게 피드백받을 수 있는 실험환경으로 설명한다. ML 연구 인턴에게도 petabyte급 데이터와 수십만 CPU core, 수천 GPU에 대한 접근을 제공하며, 실제 systematic trading과 연관된 문제를 다룬다고 명시한다.

더 흥미로운 것은 Quantitative Trader 프로그램이다. Jane Street는 algorithmic trading 교육을 시장 데이터에서 tradable fair value를 만들고 → Python으로 전략을 구현한 뒤 → 서로 다른 microstructure를 가진 simulated market에 직접 연결해 최적화하는 end-to-end 과정으로 설명한다. 또한 large real/simulated dataset에 ML을 적용해 모델과 prediction을 만드는 별도 트랙을 운영한다.

수익 메커니즘 — 추론

이 공개자료에서 중요한 구조는 매우 선명하다.

Market Data → Tradable Fair Value → Trading Algorithm → Market-Structure-Specific Optimization → Execution

이고, ML은 그 fair value와 prediction을 개선한다.

특히 “fair value가 맞는가?”와 “그 시장에서 어떻게 거래할 것인가?”를 분리하고 있다는 점이 중요하다.

똑같은 fair-value signal이라도:

• continuous order book
• RFQ
• voice/broker
• auction

에서는 최적 execution policy가 달라진다.

한국 채권시장에 복제한다면

같은 모델을 바로 K-Bond와 국채선물에 적용하면 안 된다.

예를 들어 동일한 +0.8bp alpha가 있어도:

국채선물 → passive/aggressive order-book policy

현물 K-Bond → 브로커/호가·size/체결 가능성 policy

입찰 → concession·응찰·배정 policy

로 execution layer를 따로 만들어야 한다.

그리고 Jane Street식 접근에서 실무적으로 가장 좋은 것은 실제 시장구조를 모사한 simulator다. 모델의 방향예측 성능보다 simulator에서 slippage·fill·queue·inventory까지 포함한 net P&L로 평가하는 게 더 의미 있다.

복제 난이도: ★★★★★
복제 가치: ★★★★★