IMC의 가설과 실제 환경 피드백

구분: IMC Trading 공식 기술·연구 설명
공개일: 공식 페이지 게시일 미표기 · 2026년 현재 공식 공개
채용공고 사용하지 않음

확인 가능한 사실

IMC는 공식적으로 quant research workflow를 **“ideas move quickly from hypothesis to execution”**이라고 설명하며, quantitative research가 opportunity를 찾고 ML이 discovery를 가속하며 high-performance technology가 아이디어를 실제 시장으로 가져간다고 밝힌다. IMC 공식 Research/Trading 설명

회사 설명에 따르면 연구자들은 adaptive systems, predictive models, feature를 만들고 reinforcement learning, deep learning, LLM, NLP, optimization을 실제 trading problem에 적용한다.

IMC는 또한 live trading에서 발생한 trade가 다시 pricing·prediction·positioning model의 feedback으로 들어가며 “every trade feeds the models”라고 명시한다.

현재 회사 공식 페이지는 ML/AI가 market-behaviour forecasting, signal generation, foundation-model training까지 workflow 전반에 사용되고 있다고 설명하며, petabyte 단위 데이터를 처리하고 9개국에 9,000대 이상의 서버를 운영한다고 공개한다. IMC 공식 홈페이지

여기서 가장 중요한 실제 일하는 방식

이 구조는:

Research → Model → Production

으로 끝나지 않는다.

Hypothesis → Feature → Predictive Model → Trading → Live Outcomes → 다시 Research

다.

즉 live trade 자체가 새로운 training/validation data가 된다.

이런 구조에서는 연구자가 단순히:

Validation IC = 0.04

라고 보고 끝내면 안 된다.

production에 들어간 이후:

• expected edge
• actual fill
• realized mark-out
• impact
• realized P&L
• regime

을 연구 시스템으로 다시 가져와야 한다.

공개자료 기반 추론

IMC의 구체적인 foundation-model architecture, target definition, trading horizon은 공개되지 않는다.

따라서 “IMC가 Transformer로 다음 100ms 가격을 예측한다” 같은 주장은 할 수 없다.

확인 가능한 것은 foundation models·deep learning·RL 등 여러 방법을 predictive trading pipeline에 적용하고, live market feedback을 연구로 환원하는 구조까지다.

한국 시장 복제 아이디어

이 구조를 만들려면 Backtest Database보다 Decision Database가 중요하다.

모든 live decision에:

timestamp model_version feature_version predicted_edge predicted_risk target_position actual_order fill market_impact 10s markout 1m markout P&L

을 저장한다.

그리고 연구자가 신규 모델을 만들 때 live history를 그대로 training/evaluation dataset으로 읽을 수 있게 한다.

그래야:

Research → Production → Research

loop가 닫힌다.

복제 가치: ★★★★★