대규모 금융모형은 학습 전에 많은 자료를 읽어야 한다. XTX의 연구 강연은 시계열, 표현 학습, 대형 최적화와 기반모형을 실제 거래 연구에 연결하는 방향을 소개한다. 이와 별개로 TernFS는 늘어난 기계학습 작업을 지원하기 위해 만든 분산파일시스템을 설명하는 기술자료다.
TernFS는 여러 저장장치와 데이터센터에 걸쳐 자료를 처리하며 변경되지 않는 파일의 대량 읽기·쓰기에 맞춰 설계됐다고 한다. 연구의 입력을 빠르고 안정적으로 공급하는 기반이다. 공개 문서에는 실제 운영 규모와 더 큰 설계 목표가 함께 있으므로 목표를 이미 확보한 용량으로 읽지 않아야 한다.
소스코드 공개는 구조를 직접 확인할 길을 제공하지만 회사의 비공개 학습자료나 거래신호를 공개한 것은 아니다. 강연의 거래 규모도 인프라 변경의 성과 비교를 대신하지 않는다. 국내에서 확인할 문제는 학습 대기시간 중 자료 읽기가 차지하는 비중과 저장 방식 변경의 효과다.
SCOPE강연과 기술문서의 역사적 기록이다. 운영 규모와 설계 목표를 구분하며 저장 기반의 수익 기여는 추정하지 않았다.
Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
XTX Markets — Foundation Models + $300B/일 자동거래 + TernFS라는 ML 인프라0 primary · 3 archived +
These 3 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 ↓Show the original briefing text
구분: 회사 Research Director 공개 강연 + 공식 기술문서/GitHub
강연: 2026년 3월 9일, 7월에도 동일 주제로 NUS 등에서 발표
기술문서: 2025년 9월 — 최신성보다 기술적 가치 때문에 선정
확인 가능한 사실
XTX Markets Research Director이자 AI Lab 리더인 Atlas Wang은 2026년 Stony Brook AI3 세미나에서 XTX가 수만 개 금융상품에 deep-learning forecast를 생성하고 하루 3,000억달러 이상을 전자동으로 거래하며, discretionary human intervention 없이 운영한다고 공개했다. 강연은 time-series modeling, large-scale optimization, representation learning과 foundation model을 실제 trading P&L로 연결하는 연구를 핵심 agenda로 소개했다. Stony Brook 공식 강연 페이지
XTX의 연구 인프라를 가장 구체적으로 보여주는 기술문서는 TernFS다. XTX는 ML 연구 수요가 커지면서 자체 분산파일시스템을 만들었고, 2025년 9월 기준 500PB 이상, 30,000개 HDD, 10,000개 flash drive, 3개 데이터센터에 걸쳐 운영하며 peak throughput은 초당 수 TB 수준이라고 공개했다. 2024년 중반부터 XTX의 모든 ML workload가 TernFS 위에서 구동되고 있다. XTX TernFS 기술문서
XTX는 TernFS 소스코드까지 공개했다. 공식 GitHub 문서는 설계 목표를 10EB logical storage, 1조 개 파일, 최대 100만 client 규모로 설정하며, ML workload의 대규모 immutable-file 읽기·쓰기에 최적화했다고 밝힌다. XTX 공식 GitHub TernFS
공개자료 기반 추론
이 자료를 보면 XTX의 AI edge를 모델 architecture 하나로 설명하기 어렵다.
실제 경쟁우위는 더 가깝게:
엄청난 시장데이터
→ 대규모 foundation/deep model
→ 반복 실험
→ 빠른 retraining
→ 수만 종목 forecast
→ 전자동 execution
→ 더 많은 private market data
라는 research/data flywheel에 있다.
그리고 TernFS 같은 인프라는 부수적인 IT 비용이 아니라 alpha factory의 생산설비다.
연구원 한 명이 하루 3개 experiment를 돌리는 조직과 300개를 돌리는 조직은, 같은 모델 아이디어를 가져도 실제 발견 가능한 알파의 수가 달라진다.
한국 채권시장 복제 아이디어
XTX 규모의 GPU나 스토리지는 불필요하다. 우리가 복제해야 할 것은 동일 원리다.
먼저 다음을 하나의 feature store에 시점정합으로 쌓는다.
국채선물 tick
현물 호가
체결
외국인 수급
입찰
스왑
repo
뉴스
우리 주문·취소·체결·mark-out
그리고 연구환경과 production이 같은 데이터 정의·같은 feature code를 쓰게 한다.
XTX가 보여주는 핵심은:
AI 모델보다 먼저, AI 연구가 빠르게 반복될 수 있는 데이터·컴퓨팅 구조가 moat가 된다.
복제 난이도: ★★★★★
복제 가치: ★★★★★