Two Sigma는 데이터 수집에서 예측, 포트폴리오 선택과 주문집행까지 투자과정의 각 단계에 조정할 파라미터가 있다고 설명한다. 닫힌 형태의 해나 경사하강법을 쓸 수 없는 복잡한 시뮬레이션은 입력을 바꿔 결과를 관찰해야 하는 블랙박스 함수가 된다. 격자탐색은 차원이 조금만 늘어도 실험 수가 급증하고, 최적화 도구 자체를 다시 조정하는 비용도 생긴다.
공개된 한 ML 사례에서 GPyOpt는 파라미터 조정에 이십사 일이 걸렸지만 SigOpt는 더 정확한 해를 삼 일 만에 찾았다. 이 결과는 모든 연구문제에 대한 보편적 우월성이 아니라 Two Sigma가 평가한 한 사례다. 다만 연구자가 실험을 포기할 만큼 긴 대기시간을 줄이면 같은 기간에 더 많은 가설을 검증할 수 있어 연구생산성에 직접 영향을 준다는 점은 분명하다.
성과를 하나의 점수로 합치지 않고 정확도와 추론시간 같은 여러 지표의 파레토 경계를 보여준 점도 중요하다. 어느 지표도 더 나빠지지 않고서는 다른 지표를 개선할 수 없는 후보들을 남기므로, 거래 데스크가 위험·속도·비용의 선택을 확인할 수 있다. 비동기 병렬화는 한 작업이 끝날 때마다 다음 실험을 배정해 느린 작업을 기다리는 유휴시간을 줄인다. 구체적인 시장·모델·손익은 공개되지 않았다.
SCOPE2019년 Two Sigma와 공급업체의 공동활용 사례이며 하나의 ML 조정 실험만 구체적 수치를 공개했다. 모델·데이터·시장·거래손익은 공개하지 않아 8배 속도개선이 일반화되거나 수익증가를 뜻한다고 볼 수 없다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Why Two Sigma is using SigOpt for Automated Parameter Tuning3 primary · 0 archived +
Two Sigma는 데이터 수집부터 예측·포트폴리오 선택·집행까지 파라미터화된 시스템을 사용한다고 설명한다.
ORIGINAL PASSAGEfrom data ingestion to forecasting, portfolio selection and trade executionTwo Sigma, Why Two Sigma is using SigOpt, opening section, 11 April 2019, accessed 2026-10-14공개 사례의 조정시간은 GPyOpt 24일에서 SigOpt 3일로 줄었다.
ORIGINAL PASSAGE24 days to tune ... only took 3 daysTwo Sigma, Why Two Sigma is using SigOpt, performance gains section, 11 April 2019, accessed 2026-10-14여러 성과지표는 파레토 최적 경계로 함께 비교할 수 있다.
ORIGINAL PASSAGEPareto-optimal frontier of solutionsTwo Sigma, Why Two Sigma is using SigOpt, multi-metric optimization section, 11 April 2019, accessed 2026-10-14Show the original briefing text
구분: Two Sigma 공식 기술자료·ML 및 시뮬레이션 최적화
발표일: 2019년 4월 11일
선정 사유: 최신성보다 연구에서 예측·포트폴리오·집행까지 이어지는 최적화 과정과 실제 비교결과를 공개한 기술적 가치 때문에 선정
핵심 요약
Two Sigma 공식 기술 글은 데이터 수집·예측·포트폴리오 선택·집행의 각 단계에 있는 파라미터를 블랙박스 최적화 문제로 다룬다. 한 ML 알고리즘의 조정은 GPyOpt로 24일 걸렸지만 SigOpt에서는 더 정확한 해를 3일 만에 찾았다고 보고했다. 정확도와 추론시간처럼 여러 목표를 파레토 경계로 비교하고, 분산계산 작업이 끝날 때마다 다음 실험을 비동기로 배정해 유휴시간을 줄였다.
실무 시사점
퀀트 연구의 병목은 계산자원 총량보다 어떤 실험을 다음에 실행할지 정하고 여러 성과지표의 교환관계를 보존하는 데 생길 수 있다. 채권 모델도 예측오차 하나만 최소화하지 말고 추론지연, 회전율, 꼬리손실과 거래비용을 함께 최적화하되, 공급업체가 제시한 단일 사례를 모든 문제의 일반 성능으로 해석하면 안 된다.
한국 시장 복제 아이디어
국고채·회사채 상대가치 모델의 하이퍼파라미터와 집행 규칙을 같은 표본 밖 기간에서 탐색한다. 격자탐색·오픈소스 베이지안 최적화·비동기 다중목표 최적화를 벽시계 시간, 실험비용, 표본 밖 오차, 추론 p99와 비용차감 손익의 파레토 경계로 비교한다.