Optiver의 현재 Quantitative 연구 역할은 연구문제를 세 가지로 직접 분류한다. pricing, 예측, 신호 discovery이며, 문제에 맞춰 통계·수학·ML 방법을 선택한다. 연구자는 petabyte 규모의 market·order-자금 흐름·unstructured data를 활용하고, 모델이 production에서 실제로 어떻게 행동하는지를 모니터링해 다시 연구 가설을 수정한다.
즉 연구의 종착점이 backtest가 아니다. live model behavior가 다음 연구 cycle의 입력이 된다.
그래야 “우리가 돈을 번 이유가 적정가를 잘 계산해서인지, 방향을 잘 맞혀서인지, 실행을 잘해서인지” 분해할 수 있다.
편집 전 브리핑 원문 펼치기
구분: 회사 공식 Quant Research 역할 / production ML
2026년 현재 공개
원문 링크: Optiver 공식 Quant Research 페이지
공개적으로 확인된 사실
Optiver의 현재 Quantitative Research 역할은 연구문제를 세 가지로 직접 분류한다. pricing, forecasting, signal discovery이며, 문제에 맞춰 통계·수학·ML 방법을 선택한다. 연구자는 petabyte 규모의 market·order-flow·unstructured data를 활용하고, 모델이 production에서 실제로 어떻게 행동하는지를 모니터링해 다시 연구 가설을 수정한다.
즉 연구의 종착점이 backtest가 아니다. live model behavior가 다음 연구 cycle의 입력이 된다.
수익 메커니즘 — 추론
Optiver 구조는 상당히 명확하다.
Pricing model
→ 적정가 개선
Forecast model
→ 단기 가격/상태 변화 예측
Signal discovery
→ 새로운 conditional edge 발견
그리고 이 셋을
live trading
→ production monitoring
→ research feedback
으로 연결한다.
market maker 입장에서는 이 세 가지가 합쳐져
더 정확한 quote + 더 나은 inventory choice + 더 빠른 model adaptation
으로 P&L에 기여한다고 추론할 수 있다. 구체적인 전략이나 모델은 공개되지 않았다.
한국 채권시장에 복제한다면
이 조직구조를 그대로 코드 구조로 옮길 수 있다.
Pricing Model
- 현선 fair value
- basket fair value
- 회사채 peer price
Forecast Model
- 10초/1분/10분 mark-out
- spread movement
Signal Discovery
- 입찰
- 외국인 flow
- order-book anomaly
그리고 production에서 각각의 P&L contribution을 따로 기록한다.
그래야 “우리가 돈을 번 이유가 적정가를 잘 계산해서인지, 방향을 잘 맞혀서인지, 실행을 잘해서인지” 분해할 수 있다.
복제 가치: ★★★★★