모델에 넣을 특징을 만들고 학습·시뮬레이션을 반복하는 시간도 연구의 제약이다. Optiver는 하루 자료의 특징생성에 한 시간이 걸리면 1,000거래일을 순서대로 처리하는 데 약 여섯 주가 걸린다는 예를 든다. 날짜별로 나누면 경과시간은 한 시간 수준으로 줄지만 총 계산량은 같다. 종목을 100개로 늘리면 작업이 100,000개를 넘어, 사람이 실행 순서와 위치를 일일이 정하기 어려워진다.
전통적인 스케줄러는 계산 전체의 선후관계를 받아 특정 서버 집합에서 실행한다. GraphRunner는 그 관계를 연구코드와 같은 Python 프로세스 안에서 관리한다. 앞선 작업이 끝나 실행 가능한 작업이 생기면 이를 사내 배치 스케줄러, 클라우드 스케줄러 또는 로컬 실행에 보낸다.
이 구조는 파이프라인 전체를 한 환경에 배치하는 부담을 줄이고 작업별로 적절한 자원을 선택하게 한다. 연구자가 실행장소마다 코드를 나누지 않아도 되는 점이 공개된 장점이다. 다만 데이터의 위치와 복제본 일관성을 관리해야 한다는 문제는 남으며, 병렬화 자체가 예측모델의 정확성이나 실거래 성과를 높였다는 결과는 제시하지 않는다.
SCOPE회사가 공개한 연구플랫폼 설계다. 개별 예측신호, 학습자료, 보유기간, 실거래 손익은 이 글의 검증 범위에 없다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Research at scale: Orchestrating ML for systematic trading5 primary · 0 archived +
Optiver는 체계적 거래 연구플랫폼의 운영목표를 아이디어에서 검증된 결과까지의 시간을 줄이는 것으로 두고 비용·용량·기능·정확성을 그 목표 아래 둔다.
ORIGINAL PASSAGEvalidated resultResearch at scale, What a Research Platform Must Optimize, 2025-12-18, accessed 2026-10-05GraphRunner는 한 Python 프로세스 안에서 계산그래프를 관리하고 각 노드를 온프레미스 배치 스케줄러·클라우드 스케줄러·로컬 실행 중 하나로 보낸다.
ORIGINAL PASSAGEthe same Python processResearch at scale, From Scheduler-Owned DAGs to In-Process Orchestration, 2025-12-18, accessed 2026-10-05하루 자료의 특징생성에 한 시간이 걸리는 예시에서 1,000거래일을 직렬 처리하면 약 여섯 주가 걸린다. 날짜별 분할은 경과시간을 줄이지만 총 계산량 자체를 줄이지 않는다.
ORIGINAL PASSAGEabout 1,000 trading days will take roughly six weeksResearch at scale, 2025-12-18, When Pipelines Scale Up, first paragraph; official article checked 2026-10-06예시를 종목 100개로 확대하면 계산 작업이 급증해 병렬화가 필요해진다.
ORIGINAL PASSAGE100 instrumentsResearch at scale, 2025-12-18, When Pipelines Scale Up, second paragraph; official article checked 2026-10-06같은 예시에서 특징생성 작업은 100,000개를 넘어 계산 그래프와 자원 배치가 운영 문제가 된다.
ORIGINAL PASSAGE100,000+ feature generation jobsResearch at scale, 2025-12-18, When Pipelines Scale Up, second paragraph; official article checked 2026-10-06Show the original briefing text
구분: 퀀트·마켓메이킹 회사 공식 기술블로그·ML 연구플랫폼
발표일: 2025년 12월 18일
핵심 요약
Optiver 공식 기술 글은 가설·특징생성·학습·시뮬레이션을 모델·신호·리스크 점검·포지션 한도로 번역하는 연구주기를 공개했음. 하루 특징생성에 1시간이 걸리면 1,000거래일은 직렬로 약 6주지만 날짜별 분할 뒤 약 1시간까지 줄일 수 있다고 예시했음. 종목 100개로 넓히면 작업이 10만개를 넘어서므로 계산 그래프와 데이터 위치를 사람이 매번 나눌 수 없다고 봤음. GraphRunner가 노드별로 온프레미스·클라우드·로컬 실행 위치를 고르게 해 연구자는 하나의 파이프라인을 쓰게 했음.
실무 시사점
공개자료가 보여주는 수익 연결고리는 모델 이름보다 검증 주기의 속도·재현성·배치정책임. 다만 Optiver는 개별 신호·라벨·시장별 손익을 공개하지 않았으므로 계산효율이 곧 P&L 개선이라는 주장은 할 수 없음.
한국 시장 복제 아이디어
국고채·회사채 연구를 날짜·종목·특징군으로 분할하고 데이터 스냅샷과 계산노드 위치를 실험 ID에 남김. 같은 예산에서 표본외 검증을 끝내는 시간과 재현 성공률을 기존 직렬 파이프라인과 비교해봄.