LLM의 금융 활용을 요약문 생성에서 거래연구로 옮기려면 무엇이 더 필요한가? Two Sigma의 공개 예시는 과거 Fed 연설을 수집하고 문장에서 특징을 뽑아 이후 금리변화와 연결되는지 묻는다. 즉 문서검색, 발표시점 정렬, feature extraction, 시장반응 label과 반복실험이 이어져야 하며 답변 문장 자체가 주문신호는 아니다.
회사 설명에 따르면 과학자들은 생성형 AI를 5년 넘게, NLP를 십 년 넘게 사용했다. LLM의 즉시효과는 더 많은 자료를 빨리 처리하고 더 많은 실험을 돌리는 데 있으며, 복잡한 금융문제에는 사람의 domain expertise와 scientific common sense가 남는다. 이는 연구회전의 메커니즘을 밝히지만 어떤 feature가 실거래 수익을 냈는지는 말하지 않는다.
거래일 표본은 제한돼 있어 prompt와 feature 정의를 반복할수록 같은 시장반응에 과적합할 수 있다. 국내 복제에서는 문서 snapshot, 발표·수정시각, prompt·model version과 lineage를 함께 저장해야 한다. 사전등록한 label과 봉인기간에서 dictionary·encoder·LLM을 비교해야 생산성 향상과 예측우위를 구분할 수 있다.
SCOPE회사 공식 인터뷰의 사례와 설명이며 학술 실증이나 공개 백테스트가 아니다. 모델, 라벨, 데이터선정, 효과크기와 P&L이 공개되지 않아 수익성은 추론할 수 없다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
AI Core Team Lead Mike Schuster on How to Get the Most From LLMs3 primary · 0 archived +
Two Sigma 과학자들은 생성형 AI를 5년 넘게 사용했다고 밝혔다.
ORIGINAL PASSAGEgenerative AI for well over 5 yearsTwo Sigma, How to Get the Most From LLMs, 4 February 2025, accessed 2026-10-28공개된 금융활용 역할 중 하나는 feature extraction이다.
ORIGINAL PASSAGEfeature extractionTwo Sigma, How to Get the Most From LLMs, 4 February 2025, accessed 2026-10-28공개 예시는 earnings call과 Fed 연설을 입력자료로 든다.
ORIGINAL PASSAGEearnings calls or Fed speechesTwo Sigma, How to Get the Most From LLMs, 4 February 2025, accessed 2026-10-28Show the original briefing text
구분: Two Sigma 공식 인터뷰·LLM 피처 추출과 연구 생산성
발표일: 2025년 2월 4일
선정 이유: 최신성보다 금융 텍스트를 연구변수로 바꾸는 실제 작업과 공개 범위가 구체적이어서 선정했다. 채용공고가 아니다.
핵심 요약
Two Sigma 원문에서 AI Core Team 책임자는 사내 과학자들이 생성형 AI를 5년 넘게, NLP를 10년 넘게 사용해 왔다고 설명한다. 공개 예시는 20년치 Fed 연설을 모아 텍스트 특징을 추출하고 이후 금리변화와 연결되는지를 검증하는 과정이다. LLM은 더 많은 자료처리와 실험을 돕지만, 회사는 구체 모델·라벨·효과크기·실거래 P&L을 공개하지 않았다.
실무 시사점
수익화 경로는 LLM의 답변을 그대로 주문으로 보내는 것이 아니라 문서수집→시점고정→feature extraction→시장반응 label→반복실험으로 이어진다. 금융의 거래일 표본은 제한돼 있어 prompt를 많이 바꾸는 과정 자체가 과적합을 만들 수 있다. 사람의 도메인 검토, 문서 발표시점, feature lineage와 봉인기간이 생산성 향상과 신호 유효성을 구분한다.
한국 시장 복제 아이디어
금통위 의사록·통화정책방향·총재 기자회견을 발표시점 snapshot으로 저장하고 정책방향, 불확실성, 물가·성장·환율 문장을 구조화한다. 사전 고정한 label인 발표 후 5분·30분·1일 KTB·IRS 변화에 대해 dictionary, encoder, LLM feature를 비교하고 시점누출·prompt 안정성·비용차감 예측력을 평가한다.