DRW의 현재 Machine Learning 연구자 공고는 ML을 예측 problem에 직접 적용하고, high-dimensional noisy structured/unstructured data에서 신호을 추출하며, production-ready model로 배포하는 역할로 설명한다. 대상 기술에는 transformer 계열을 포함한 최신 ML architecture와 입력 변수 설계, hyperparameter tuning, scalable ML pipeline이 명시돼 있다.
DRW는 fixed income, ETF, equity, FX, commodities, energy 등 여러 자산군을 자기자본으로 거래하며, 해당 ML 역할에서는 연구 결과를 실제 live production으로 가져간 경험을 특히 요구하고 있다. 별도의 공식 AI 페이지에서도 AI와 ML을 trading·investment approach의 핵심 확장영역으로 설명한다.
편집 전 브리핑 원문 펼치기
구분: 회사 공식 채용자료 · Quantitative Research / ML
발표일: 현재 모집 중 / 2026년 8월 13일 확인
원문: DRW 공식 채용공고
공개적으로 확인된 사실
DRW의 현재 Machine Learning Researcher 공고는 ML을 forecasting problem에 직접 적용하고, high-dimensional noisy structured/unstructured data에서 signal을 추출하며, production-ready model로 배포하는 역할로 설명한다. 대상 기술에는 transformer 계열을 포함한 최신 ML architecture와 feature engineering, hyperparameter tuning, scalable ML pipeline이 명시돼 있다.
DRW는 fixed income, ETF, equity, FX, commodities, energy 등 여러 자산군을 자기자본으로 거래하며, 해당 ML 역할에서는 연구 결과를 실제 live production으로 가져간 경험을 특히 요구하고 있다. 별도의 공식 AI 페이지에서도 AI와 ML을 trading·investment approach의 핵심 확장영역으로 설명한다.
수익 메커니즘 — 추론
DRW 공개자료를 보면 ML의 수익화 구조는 대략 다음과 같다.
large/noisy data
→ forecasting
→ robust signal
→ scalable pipeline
→ live production
→ capital-at-risk
중요한 단어는 production-ready와 resilient model이다.
금융시장에서는 train accuracy가 높은 모델보다
- regime이 바뀌어도 완전히 붕괴하지 않고,
- 데이터가 하나 늦어져도 작동하고,
- inference latency가 안정적이며,
- 이상값 발생 시 안전하게 fail하는
모델이 경제적으로 더 가치가 있을 수 있다.
한국 채권시장에 복제한다면
모델 평가 항목을 Accuracy/Sharpe에서 끝내지 말고 production KPI까지 확장해야 한다.
예를 들어:
Forecast quality: IC / OOS P&L
Execution quality: Fill / Mark-out
Model stability: regime별 성능
System stability: latency / missing data / stale feed
Risk: max adverse move / DV01 drawdown
으로 모델 scorecard를 만드는 것이 좋다.
복제 난이도: ★★★☆☆
복제 가치: ★★★★★