퀀트 트레이딩 기업 Jump Trading은 시장 데이터, 뉴스와 이벤트, 다양한 대체 데이터 소스를 활용해 자산 가격을 최대한 정확하게 예측하는 모델을 만듭니다. 시장은 복잡하고 노이즈가 많으며 끊임없이 변하기 때문에 앞으로 무슨 일이 일어날지 정확히 예측하기란 거의 불가능합니다. 하지만 Jump Trading의 LLM R&D 총괄 루카스 베이커에 따르면, 동전 던지기보다 조금만 더 정확하게 예측하더라도 이를 대규모로 적용하면 성공적인 전략이 될 수 있습니다.
베이커는 에이전트 기반 연구 개발을 이끌며, 퀀트 연구자들이 아이디어를 더 넓고 깊게 탐구할 수 있도록 에이전트, 하네스, 인프라를 구축하는 데 집중하고 있습니다. GPT‑6 Astra를 도입하면서 에이전트에 맡길 수 있는 워크플로의 규모와 복잡성이 크게 확장됐습니다. 일상적인 코딩부터 새로운 가설을 검증하는 고도화된 퀀트 연구까지 가능해졌습니다.
“OpenAI는 GPT-6 시리즈, 특히 GPT-6 Astra를 통해 장기 작업의 자율성을 한 차원 끌어올렸습니다. 유연한 에이전트 간 협업과 복잡한 워크플로를 끝까지 수행하는 끈기가 필요한 작업도 이제 맡길 수 있게 됐습니다. 이전에는 사람이 자주 방향을 잡아주고 개입해야 했지만, 이제는 목표가 명확하고 안전하며 모니터링이 잘 이루어지는 환경을 구축하는 데 온전히 집중하고, 에이전트가 스스로 방법을 찾아가도록 할 수 있습니다.”
지난 1년 사이 AI는 간단한 일회성 코드를 작성하거나 작은 버그를 찾는 데 유용한 보조 도구에서, 전체 코드베이스와 서비스를 스스로 개발할 수 있는 유능하고 다재다능한 시스템으로 진화했습니다. 이제 베이커와 그의 팀은 AI를 동료처럼 대할 때 가장 좋은 성과를 얻는다고 말합니다. 연구자는 핵심 문제와 작업 환경, 결과의 품질과 유의미성을 평가할 방법을 정한 뒤, 하나 또는 여러 에이전트에 분석을 어디에 집중할지, 다음에는 어떤 작업을 실행할지 실시간으로 방향을 제시할 수 있습니다.
베이커는 GPT‑6 Astra 덕분에 에이전트가 이제 의미 있고 실용적인 개선점을 찾는 데 그치지 않고, 그 성과들을 결합하고 쌓아 올리며 재귀적으로 개선을 이어갈 수 있다고 말합니다. 하나의 작업이 장시간 진행되는 동안 시스템은 자신의 발견을 분석하고, 최초 제안에서 합의한 기준에 따라 평가하며, 능동적으로 작업 방향을 수정할 수 있습니다. 매번 변경 사항을 사람이 분석할 필요가 없는 것입니다. 그는 이렇게 설명합니다. “며칠 동안 실행해야 하는 작업을 정의할 수 있습니다. 여러 데이터 소스에서 정보를 가져오고, 무엇이 중요하고 무엇이 중요하지 않은지 미묘한 차이를 판단하고, 모든 정보의 연관성을 파악하는 작업이죠. 이제는 이런 작업을 통해 실제로 쓸모 있는 종합 분석을 만들어낼 수 있습니다.”
Jump Trading은 모든 투자 기간과 자산군에 걸쳐 거래합니다. 모든 과정이 복잡하며, 금융처럼 규제가 엄격한 산업에서는 실수가 금전적 손실뿐 아니라 규제 준수 문제로도 이어질 수 있습니다. 베이커는 AI에 업무를 맡길 때 발생하는 위험을 인식하는 것이 매우 중요하다고 말합니다. 동시에 에이전트의 지능을 기능 추가뿐 아니라 품질, 보안, 모니터링 개선에도 활용할 수 있다고 강조합니다. 견고한 시스템 설계와 명확한 작동 범위 및 제약 조건, 제어와 관측을 용이하게 하는 인프라, 그리고 변경 사항에 대한 사람의 검토를 통해 Jump Trading 팀은 규제 환경에서도 AI 기반 워크플로를 확장할 준비를 갖추고 있습니다.
그는 말합니다. “에이전트나 시스템이 필요한 결과물을 자유롭게 만들어낼 수 있는 안전한 환경이 있고, 마지막에는 사람이 핵심 사항을 검증하고 승인하는 검토 절차가 있다면, 바로 그것이 우리에게 확신을 줍니다.” 예를 들어 에이전트가 매매 신호를 생성하면, 다른 결과물과 똑같이 적용 범위를 정하고 검토합니다. 대체로 유용한 정보를 제공하지만 틀릴 수도 있는 하나의 신호로 취급하고, 엄격하게 검토·통제되는 거래 실행 환경에서 다른 모든 신호와 함께 통합하는 것입니다.
베이커는 ‘자동 연구’, 즉 연구 에이전트가 측정 가능한 시스템을 재귀적으로 개선하는 방식이 널리 보급되어 퀀트 연구자의 일상적인 업무 과정으로 자리 잡는 세상을 향해 가고 있다고 생각합니다. 현재는 GPT‑6 Astra가 수행하는 최장기 작업도 작업을 정의한 사람과 정기적으로 확인하는 과정을 거칩니다. 어떤 데이터를 가져올지, 얼마나 오래 실행할지, 무엇을 중요하게 볼지뿐 아니라 중간 결과가 타당한지도 확인합니다. 고도화된 자동 연구도 입력, 환경 정의, 평가 지표, 절충 사항, 전반적인 우선순위 등 사람이 정의한 시스템에서 시작합니다. 다만 나머지 과정은 다른 에이전트의 조율을 받는, 유연하게 구성된 에이전트 ‘군단’에 맡기게 됩니다. 체계적으로 구성된 연구 파이프라인 안에서 이 에이전트들은 미해결 질문 하나만으로 시작해, 아이디어를 탐구하고 컴퓨팅 시간을 배분하며 유망한 발견을 통합하는 방법을 지능적으로 결정할 수 있게 됩니다.
“이 모든 과정을 처음부터 끝까지 연결하고, 자신도 답을 모르는 포괄적인 질문을 던졌을 때 유용한 결과가 돌아온다면 어떨까요?”라고 그는 묻습니다. “밀레니엄 난제를 풀 수 있다면, 퀀트 금융에 관해서도 꽤 흥미로운 사실들을 알아낼 수 있을 겁니다.”
해마다 벤치마크 성적이 꾸준히 향상됐을 뿐 아니라, 모델이 수행할 수 있는 작업의 종류도 비약적으로 확장됐습니다. 이러한 발전은 불과 몇 달 전에도 예측하기 어려운 경우가 많았습니다. 2024년에는 초기 에이전트가 파일 하나를 오류 없이 작성하는 것만으로도 인상적이었지만, 2025년에는 전체 코드베이스를 처음부터 만드는 것이 가능해졌습니다. 2026년에는 여러 에이전트가 나란히 역동적으로 협업하며 미해결 연구 문제에서 진전을 이루게 됐습니다. “내년에는 무엇이 가능해질까요?”라고 그는 말합니다. “정말 놀라운 미래가 기대됩니다.”
