거래자료가 계속 기록되는 동안 연구자는 과거의 넓은 범위를 읽어 분석한다. Jane Street는 빠른 쓰기와 큰 분석조회라는 다른 요구를 지원하려고 Superstore를 구축했다고 설명한다. 필요한 열을 읽는 분산 컬럼형 데이터베이스로 기술 스택의 중심에 있다고 소개한다.
공식 에피소드는 첫 설계가 큰 하드웨어 구매로 이어졌고 이후 연구 클러스터 Hive의 계산자원 배분까지 다룬다고 밝힌다. 조회 기반과 계산 배분을 연결해 연구의 대기시간을 줄이려는 운영맥락이다. 투자규모만으로 조회성능이나 예측효과를 알 수는 없다.
구체적 거래모형과 손익 기여는 공개하지 않는다. 국내 도입은 쓰기량이 늘 때 읽기지연과 자료일관성이 어떻게 변하는지 측정하는 비교가 필요하다. 분석을 빨리 돌리는 기능과 최신 자료를 정확히 읽는 조건을 함께 확인해야 연구 생산성의 효과를 판단할 수 있다.
SCOPE회사 데이터베이스의 공개 소개다. 실제 모델과 손익 기여는 공개하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
쓰기를 멈추지 않고 연구하는 데이터베이스0 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: 퀀트회사 공식 팟캐스트 · 연구 인프라 · 분산 데이터베이스
발표일: 2026년 6월 24일
채용공고 아님
확인 가능한 사실
Jane Street의 데이터베이스 인프라 엔지니어 Jacob Baskin은 거래 시스템 속도로 쓰기가 계속 들어오는 동안 폭넓은 분석 쿼리를 지원하기 위해 Superstore라는 분산 컬럼형 데이터베이스를 구축했다고 설명한다. 이 시스템은 현재 회사 기술 스택의 중심 구성요소라고 공식 소개돼 있다. Jane Street 공식 에피소드
공식 소개는 첫 설계 문서가 8자리 달러 규모의 하드웨어 구매로 이어졌고, 이후 Baskin이 대규모 연구 클러스터 Hive의 컴퓨팅 자원 배분 방식까지 연구하고 있다고 밝힌다. 이는 Jane Street가 모델뿐 아니라 데이터 쓰기·조회와 연구 컴퓨트 배분을 하나의 연구 생산성 문제로 본다는 사실을 보여주지만, 구체적인 거래모델과 P&L 기여도는 공개되지 않았다. 공식 에피소드 목록
공개자료 기반 추론
연구→production→P&L 피드백을 줄이려면 야간 배치만 빠른 저장소보다 장중 데이터가 들어오는 즉시 동일 스키마로 연구자가 조회할 수 있는 구조가 중요하다. 다만 공개자료만으로 Superstore의 내부 지연시간이나 종목별 사용 방식을 알 수는 없다.
한국 시장 복제 아이디어
호가·체결·포지션·주문결과를 append-only 이벤트로 저장하고, 연구용 컬럼 저장소에는 point-in-time snapshot을 제공한다. 컴퓨트 자원은 사용자별 선착순이 아니라 실험 우선순위·예상시간·GPU 요구량을 기록한 큐로 배분하고, 성공한 실험이 같은 feature 정의로 실시간 추론까지 이어지는지 추적한다.
오늘의 데스크 결론
오늘의 공통점은 모델의 정확도보다 모델이 믿을 수 있는 환경을 먼저 만드는 것이다. 현실적인 시장충격과 hard constraint가 없는 RL은 종이 위 성과에 그칠 수 있고, AI 설비투자발 대규모 채권 공급은 기존 상대가치 규칙 자체를 흔들 수 있다. Jane Street의 공개자료도 edge가 신경망 한 개가 아니라 신뢰 가능한 행 데이터와 연구자가 즉시 조회할 수 있는 인프라에서 시작된다는 점을 보여준다.
한국 채권 AI의 우선순위는 체결 시뮬레이터 → action shield → point-in-time 데이터웨어하우스 → 모델 순서가 적절하다. 모델 판단마다 입력 데이터 버전, 비용 가정, 제약 통과 여부, 실제 체결과 사후 mark-out을 연결하면 연구 결과가 운영 가능한 P&L로 바뀌는 구간을 측정할 수 있다.