또 금융시장은 신호-to-noise가 낮고, adversarial하며, regime shift가 빈번하기 때문에 일반적인 ML benchmark보다 훨씬 어려운 deployment environment라고 설명한다.
편집 전 브리핑 원문 펼치기
구분: XTX Markets 현직 Research Director 공개 기술강연
강연일: 2026년 3월 9일
자료: Stony Brook University AI Innovation Institute
채용공고 아님
오늘 퀀트사 자료 중 가장 추천한다.
XTX Markets의 Research Director Zhangyang “Atlas” Wang이 대학 AI 세미나에서 XTX의 deep-learning 연구 방향을 직접 설명했다. 주최 측 공식 소개에 따르면 그는 XTX New York의 AI Lab을 이끌며 financial time-series와 market data용 large-scale foundation model을 개발한다. Stony Brook 세미나 원문
확인 가능한 사실 ① — XTX는 price forecast를 대규모 neural system으로 생산한다
Atlas Wang은 XTX 시스템이 매일 수만 개 financial instrument에 대한 forecast를 생성하고, 이를 기반으로 일평균 3000억달러 이상 규모의 거래를 완전 자동화 방식으로 처리한다고 설명한다. 인간 discretionary trader가 개별 거래를 결정하지 않는다는 점도 명시한다.
여기서 중요한 차이는:
AI → research recommendation
정도가 아니라:
AI forecast → automated trading
이라는 것이다.
확인 가능한 사실 ② — 연구 agenda가 명확하다
Atlas는 XTX가 실제로 다루는 기술문제를 다음과 같이 공개했다.
- time-series modeling
- large-scale optimization
- representation learning
- foundation models
- large-scale AI infrastructure
또 금융시장은 signal-to-noise가 낮고, adversarial하며, regime shift가 빈번하기 때문에 일반적인 ML benchmark보다 훨씬 어려운 deployment environment라고 설명한다.
공개자료 기반 추론
XTX의 비밀 모델 architecture나 target horizon은 공개되어 있지 않다.
따라서 “XTX가 특정 Transformer를 쓴다”거나 “몇 초 뒤 가격을 예측한다”고 단정할 수 없다.
다만 공개자료에서 확인되는 구조는 상당히 명확하다.
Massive market data
→ shared representation / foundation model
→ instrument별 forecast
→ pricing / trading decision
→ 자동 execution
→ 새로운 market data
→ retraining
이다.
특히 수만 종목이라는 규모에서는 종목마다 별도 모델을 만드는 것보다 cross-instrument representation sharing의 가치가 매우 크다.
한국 채권시장 복제 아이디어
이 접근을 한국 채권에 그대로 축소하면 재미있는 모델을 만들 수 있다.
개별적으로:
3선 모델
10선 모델
국고3년 모델
국고10년 모델
을 따로 만들지 않고 하나의 Bond Market Encoder를 만든다.
입력:
- 국채선물
- 국고 현물
- IRS
- UST
- FX
- repo
- curve state
→ 공통 latent representation
그 위에:
3선 head
10선 head
3/10 head
fill-probability head
를 붙인다.
즉:
Shared Encoder + Multi-task Heads
구조다.
데이터가 상대적으로 부족한 한국 시장에서는 개별 대형모델보다 이런 cross-asset representation sharing이 더 현실적일 수 있다.
복제 가치: ★★★★★