AI/ML 부분에서는 더 직접적으로 **“ML stack powers live inference and fast iteration”**이라고 밝힌다. 즉 ML을 offline 연구 notebook에서만 사용하는 것이 아니라 실제 trading system 내부에서 inference하고, 결과를 빠르게 반복 개선하는 구조라는 사실은 공개적으로 확인할 수 있다.
예를 들어 두 회사의 fair-value 모델 오차가 똑같이 0.2bp여도, 한쪽이 5ms 늦거나 주문 수정·취소가 느리면 실현 P&L은 완전히 달라진다.
편집 전 브리핑 원문 펼치기
구분: 회사 공식 AI/ML·트레이딩 페이지
발표일: 게시일 미표기 / 2026년 8월 13일 현재 공식 공개 확인
원문: Jump Trading 공식 사이트
공개적으로 확인된 사실
Jump Trading은 공식 사이트에서 연구·트레이딩 인프라를 raw silicon부터 order execution까지 하나의 시스템으로 구축한다고 설명한다. 모든 trading strategy는 연구에서 출발해 실제 시장에서 stress test되고, 확장 가능한 production system으로 엔지니어링된다고 명시한다.
AI/ML 부분에서는 더 직접적으로 **“ML stack powers live inference and fast iteration”**이라고 밝힌다. 즉 ML을 offline research notebook에서만 사용하는 것이 아니라 실제 trading system 내부에서 inference하고, 결과를 빠르게 반복 개선하는 구조라는 사실은 공개적으로 확인할 수 있다.
수익 메커니즘 — 추론
Jump의 비밀 전략은 공개되지 않는다. 다만 공개된 architecture에서 추론 가능한 경쟁우위는
Research → fast experiment → live inference → execution → market feedback → 새 연구
의 iteration speed다.
특히 “raw silicon → order execution”이라는 표현은 alpha model뿐 아니라 latency·hardware·network·execution quality까지 하나의 P&L stack으로 본다는 의미로 읽는 것이 합리적이다.
예를 들어 두 회사의 fair-value 모델 오차가 똑같이 0.2bp여도, 한쪽이 5ms 늦거나 주문 수정·취소가 느리면 실현 P&L은 완전히 달라진다.
한국 채권시장에 복제한다면
우리에게 raw silicon 경쟁은 당장 중요하지 않다. 대신 Jump 구조의 핵심을 축소해서 따라갈 수 있다.
연구 DB
→ 동일 feature code
→ backtest
→ paper trading
→ production
→ 실제 mark-out
에서 같은 feature 계산 코드를 공유하는 것이다.
연구 시 Python에서 계산한 imbalance와 실거래 시스템의 imbalance 정의가 다르면 백테스트 결과는 production에서 재현되지 않는다. 따라서 “모델 개발”보다 research-production parity가 먼저다.
복제 난이도: ★★★★☆
복제 가치: ★★★★★