연구 agent가 사람보다 많은 가설을 내면 무엇이 병목이 될까. AlphaGPT는 Idea Person, Implementer, Evaluator가 가설 생성, proprietary tool을 쓰는 Python 구현, 통계·risk·경제논리 평가를 나눠 맡는 디지털 연구팀이다. 아이디어와 code를 한 모델의 대화에 섞지 않고 phase와 산출물을 분리해 검증지점을 만든다.
공개 사례에서 시스템은 며칠이 아니라 몇 분 안에 수십 개의 viable concept를 냈다. 이 속도는 research coverage를 넓히지만 multiple testing으로 우연한 pattern도 함께 늘린다. Man은 AI가 만든 signal에도 인간 연구와 같은 evaluation threshold를 적용하고, 말로 제시한 방법과 실제 code가 일치하는지 자동·수동 consistency check를 둔다.
최종 검토는 Investment Committee가 hypothesis·경제논리·결과를, 기술팀이 unit·integration·scenario test와 구현위험을 보는 dual track이다. 현재는 상당한 human oversight 아래 운영되고 systematic equity에서 가장 성공적이었다는 회사 설명이다. 구체적 signal·성과는 공개되지 않았으므로 국내 적용도 live P&L보다 재현성과 OOS 통과율부터 검증해야 한다.
SCOPEMan Group의 공식 회사 설명이며 페이지에 발표일이 표시되지 않아 미확인으로 기록했다. AlphaGPT의 실제 signal, 자산별 성과, 배포비중과 P&L은 공개되지 않았고 회사 주장에 대한 독립 검증은 제한된다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
What AI Can (and Can't Yet) Do for Alpha4 primary · 0 archived +
AlphaGPT는 세 역할로 나뉜 디지털 연구팀으로 설명된다.
ORIGINAL PASSAGEdigital three-person research teamMan Group, What AI Can and Cannot Yet Do for Alpha, section 1, publication date unconfirmed, accessed 2026-11-10시스템은 며칠이 아닌 몇 분 안에 수십 개의 viable concept를 생성한 관찰사례를 제시한다.
ORIGINAL PASSAGEdozens of viable concepts within minutes rather than daysMan Group, What AI Can and Cannot Yet Do for Alpha, section 1, publication date unconfirmed, accessed 2026-11-10AI 신호에도 인간 연구와 같은 평가기준을 적용한다고 설명한다.
ORIGINAL PASSAGEpass identical evaluation thresholdsMan Group, What AI Can and Cannot Yet Do for Alpha, section 1, publication date unconfirmed, accessed 2026-11-10Investment Committee와 기술팀이 서로 다른 관점에서 검토한다.
ORIGINAL PASSAGEdual-track validationMan Group, What AI Can and Cannot Yet Do for Alpha, section 4, publication date unconfirmed, accessed 2026-11-10Show the original briefing text
구분: Man Group 공식 기술 글 / AlphaGPT의 가설·구현·검증 workflow
발표일: 미확인
핵심 요약
Man Group 원문은 AlphaGPT를 Idea Person, Implementer, Evaluator가 순차 협업하는 agentic research workflow로 설명한다. 시스템은 가설을 만들고 proprietary database와 research tool을 쓰는 Python code를 작성한 뒤 통계적 유의성, risk와 경제적 근거를 평가하며, AI 신호도 인간 연구와 같은 기준을 통과해야 한다. 빠른 가설탐색은 multiple testing과 hallucination 위험을 키우므로 전체 과정 log, 일관성 검사, Investment Committee와 기술팀의 dual-track review를 유지한다.
실무 시사점
연구 자동화의 병목은 아이디어 수가 아니라 검정 규율과 review capacity다. 수십 개 가설을 빠르게 만들수록 우연한 in-sample pattern이 늘고, agent가 말한 가설과 실제 code가 다른 drift도 생긴다. 따라서 research→production 고리는 hypothesis·dataset·code·result의 lineage, 비용차감 OOS, economic rationale와 사람의 승인으로 닫아야 하며 Man이 공개하지 않은 전략별 성과나 P&L은 추론하지 않는다.
한국 시장 복제 아이디어
국고채 curve·basis·auction anomaly를 대상으로 idea agent, code agent와 evaluator를 분리하고 각 산출물을 immutable hash로 잇는다. 동일 기간에 인간 연구 queue와 agent queue를 비교해 유효가설 비율, multiple-testing 보정 후 OOS 통과율, 재현실패와 review 시간을 측정한다. live 전에는 shadow portfolio와 비용·DV01·liquidity stress를 통과하게 하고 자동 배포 권한은 부여하지 않는다.