대형 GPU 클러스터는 시장조성에서 무엇을 개선하려는가? XTX는 여러 자산의 방대한 시장자료를 딥러닝에 넣어 pricing과 price prediction의 정확도를 높이는 경로를 설명한다. 손으로 모든 특징을 정하는 방식에서 표현을 함께 학습하는 방식으로 옮기되, 모델과 데이터가 커질수록 개선폭은 줄 수 있다고 본다.
공개 발표자료는 연구저장공간을 650PB로 제시한다. 이 규모는 더 많은 자산·기간·시장상태를 같은 연구환경에서 반복할 수 있게 하지만, 그 자체로 경제적 edge를 증명하지 않는다. 실제 병목은 시장의 낮은 signal-to-noise와 시간이 지나며 관계가 바뀌는 비정상성이다.
강해 보이는 백테스트도 noise fitting이 만든 false positive일 수 있다는 경고가 중요하다. 연구속도가 빨라질수록 실험예산, 봉인기간과 다중검정 통제가 더 엄격해야 한다. 채권 시장조성에서는 공정가치 오차·체결확률·재고비용을 분리하고 모델 크기의 한계개선이 inference 지연과 운영비를 상쇄하는지 확인해야 한다.
SCOPEXTX가 중앙은행 행사에 제출한 회사 설명자료다. 모델 구조·label·검증표본·실거래 개선치와 P&L은 공개하지 않으며 compute와 시장구조에 관한 일부 내용은 회사의 전망이다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Use of Artificial Intelligence in Market Making4 primary · 0 archived +
XTX는 대규모 딥러닝의 결과를 pricing과 price prediction 정확도에 연결해 설명한다.
ORIGINAL PASSAGEaccuracy of pricing and price predictionsUse of Artificial Intelligence in Market Making, slide 4, accessed 2026-10-31발표자료는 XTX 연구클러스터의 사용가능 저장공간을 650PB로 제시한다.
ORIGINAL PASSAGE650 petabytes of usable storageUse of Artificial Intelligence in Market Making, slide 5, accessed 2026-10-31강해 보이는 백테스트도 noise fitting이 만든 false positive일 수 있다고 경고한다.
ORIGINAL PASSAGEfalse positives created by fitting noiseUse of Artificial Intelligence in Market Making, slide 6, accessed 2026-10-31시장신호는 시간에 따라 바뀌는 비정상성을 갖는다.
ORIGINAL PASSAGEsignal changes over timeUse of Artificial Intelligence in Market Making, slide 6, accessed 2026-10-31Show the original briefing text
구분: XTX Markets 공식 발표자료·딥러닝 가격예측과 HPC 경제성
발표일: 미확인
선정 이유: 최신성보다 딥러닝이 pricing·price prediction과 compute 경쟁으로 연결되는 경로를 회사가 직접 설명한 기술적 가치 때문에 선정했다. 채용공고가 아니다.
핵심 요약
XTX 발표자료 원문은 대규모 시장자료를 학습한 딥러닝의 성능을 pricing과 price prediction 정확도로 연결한다. 회사는 연구저장공간을 650PB로 제시하면서 compute가 진입장벽이 될 수 있다고 설명한다. 동시에 시장신호는 작고 비정상적이며 강해 보이는 백테스트도 noise fitting의 false positive일 수 있다고 경고한다.
실무 시사점
GPU 규모 자체는 수익근거가 아니다. 더 많은 자산·기간·시장상태를 학습해 공정가치 오차를 줄일 수 있지만, 비정상성과 다중실험 때문에 연구속도가 빨라질수록 false discovery 통제가 더 중요해진다. 채권 시장조성에서는 가격오차·체결확률·재고비용을 분리하고 모델 규모 증가의 한계개선이 inference 지연과 운영비를 상쇄하는지 봐야 한다.
한국 시장 복제 아이디어
국채선물·현물·IRS·회사채의 동기화 시장자료로 선형모형, 작은 sequence model과 대형모형을 비교한다. 동일한 시계열 봉인기간과 실험예산을 적용하고 fair-value 오차, 비용차감 markout, GPU-hour, inference tail latency와 재학습 빈도를 기록한다. 모델 크기를 늘려도 holdout 개선이 compute 비용보다 작아지는 지점을 production 상한으로 둔다.