changjinhan
FIXED INCOME / FIELD NOTES

가설이 실제 주문으로 이어지는 연구흐름

실거래 결과는 연구로 어떻게 돌아가는가?

Research note2 min readSources & evidence ↓

가설을 검증해 모델을 만들었어도 실제 주문이 예상대로 체결됐는지 확인해야 한다. IMC는 기회탐색과 머신러닝, 고성능 기술을 연결해 가설이 실행으로 옮겨간다고 설명한다. 연구는 특징·예측모델·적응형 시스템을 실제 거래문제에 적용하는 과정이다.

회사는 매 거래가 가격·예측·포지션 모델로 피드백된다고 밝힌다. 모델의 전망과 실제 체결·후속 가격·재고 변화의 차이가 다음 연구자료가 된다는 구조다. 공개 흐름은 실거래 결과의 활용을 설명하지만 어떤 라벨과 갱신주기를 쓰는지는 밝히지 않는다.

공식 설명의 AI 활용범위와 대규모 서버·자료는 운영규모다. 정확한 모델과 시장별 손익을 공개하지 않아 크기를 수익성으로 바꿀 수 없다. 국내 적용도 주문·체결·위험상태를 연결하고 자신의 거래가 관측값을 바꾸는 효과를 통제해야 실제 피드백의 가치를 평가할 수 있다.

SCOPE회사의 공개 운영구조다. 실제 라벨·모형·보상·손익은 확인되지 않는다.

Evidence & verification ↓

Sources & evidence

Original passages appear only when checked against the publication. Earlier briefing records are identified separately.

가설이 실제 주문으로 이어지는 연구흐름0 primary · 8 archived +
EARLIER BRIEFING RECORD

These 8 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.

Read the earlier record ↓
Publication links ↑
Show the original briefing text

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: ★★★★★