편집 전 브리핑 원문 펼치기
구분: Optiver 공식 기술대담 · Head of Quant Engineering + 현직 Software Engineer
발표일: 2026년 8월 24일
채용공고 아님
오늘 퀀트사 자료 중 가장 추천한다.
Optiver Global Head of Quant Engineering Scott McKenzie, Software Engineer Josh Durham, NVIDIA Global Head of Capital Markets Strategy Ioana Boier가 실제 trading compute architecture에 대해 대담한 자료다. Optiver 공식 기술글
확인 가능한 사실 ① — GPU의 목표는 FLOPS가 아니다
대담에서 핵심적으로 제시된 문장이:
“It’s not the FLOPS. It’s the researcher time.”
이다.
Optiver가 설명하는 GPU 투자 목적은 단순 neural-network training time 감소가 아니라:
Raw Data → preprocessing → experiment → model → strategy → production
전체 연구 cycle을 줄이는 것이다.
이 관점은 Jump/HRT의 공개자료와도 일관된다.
확인 가능한 사실 ② — CPU 수천 개 → GPU large-memory workflow
Josh Durham은 과거 대규모 dataset 준비 시 수천 CPU core에 작은 data chunk를 분산시키던 작업을, large/unified-memory GPU를 이용해 더 큰 data block 단위로 처리할 수 있다고 설명한다.
이 구조의 장점은 단순 GPU compute가 아니다.
data partitioning / synchronization overhead
를 줄이는 것이다.
즉 ML infrastructure bottleneck이:
Matrix multiplication
이 아니라
Data movement
인 경우가 많다는 뜻이다.
확인 가능한 사실 ③ — Production inference의 사고방식
Optiver 엔지니어는 production에서는 market data가 도착한 뒤 GPU 작업을 launch하는 구조가 아니라:
GPU software와 model weights가 이미 memory에 올라가 있고 다음 market event를 기다려야 한다
고 설명한다.
즉 inference pipeline은:
Market event arrives
→ load model
→ infer
가 아니라:
Model resident
→ market event
→ immediate inference
→ decision
이다.
공개자료 기반 추론
Optiver가 어떤 specific alpha model이나 neural architecture를 이 방식으로 실행하는지는 공개하지 않는다.
하지만 공개된 engineering 목표는 분명하다.
Research P&L Edge ≈
Experiments / Time
× Quality of Experiments
× Time-to-Production
이다.
즉 GPU를 사는 이유를:
“큰 모델을 돌리기 위해서”
라고만 이해하면 부족하다.
실질적으로는 연구자의 대기시간을 줄이는 설비투자다.
한국 채권시장 복제 아이디어
현재 compute optimization에서 KPI를:
GPU utilization
이 아니라 다음으로 바꿀 가치가 있다.
Idea → first backtestData → feature datasetTraining → OOS resultOOS approval → productionValidated experiments / researcher / day
그리고 모든 research job에:
Data loading Feature calculation CPU compute GPU compute I/O Synchronization
시간을 자동 profiling한다.
만약 학습 10분인데 데이터 준비가 2시간이면 H100을 더 사는 건 거의 의미가 없다.
복제 가치: ★★★★★