OpenAI 公开 Jump Trading 用 GPT-6 Astra 做量化研究

ByungJun Ahn @dubidubabap原推发布于 2026.10.08

在 X 上打开原推

OpenAI가 10월 6일 Jump Trading의 GPT-6 Astra 활용 사례를 공개했다. Jump는 Astra에게 며칠씩 이어지는 퀀트 연구를 맡기고 있다. 가설 설정 → 데이터 결합 → 코드 작성 → 백테스트 → 결과 평가 → 추가 실험 → 유망한 결과 결합 이 루프를 에이전트가 반복한다. 이 사례에서 중요한 것은 퀀트 연구의 생산성이 크게 올라가기 시작했다는 점이다. 1. 전략을 찾는 속도가 급격히 빨라진다 기존에는 연구자가 아이디어를 만들고 데이터를 준비하고 코드를 짜고 백테스트한 뒤 결과를 읽어야 했다. Astra 같은 에이전트는 이 과정을 장시간 반복하며 다음 실험까지 이어간다. Jump는 이미 하루 500만 회 이상의 시뮬레이션을 수행한다고 공개하고 있다. 여기에 장기 실행 AI 에이전트가 붙으면 인간 한 명이 탐색할 수 있는 전략 공간 자체가 크게 넓어진다. 2. 연구 속도가 빨라질수록 검증 능력의 가치가 커진다 100개의 전략 중 최고 하나를 고르는 것과 100만 개 중 최고 하나를 고르는 것은 통계적으로 완전히 다른 문제다. 탐색 횟수가 늘어나면 우연히 엄청난 백테스트가 만들어지는 횟수도 함께 늘어난다. 앞으로의 퀀트 연구는 아이디어 생성 → 개발 데이터 → Walk-forward → 봉인된 최종 Out-of-Sample → 거래비용·슬리피지 → Paper Trading → 실전 운용 같은 구조가 더욱 중요해진다. AI가 어떤 데이터를 몇 번 봤는지, 몇 개의 가설을 실험했는지, 어떤 전략을 버렸는지까지 기록하는 연구 이력도 중요하다. 좋은 백테스트 하나보다 그 결과가 만들어진 과정 전체를 검증해야 한다. 3. 여기서 개인 투자자의 기회도 생긴다 Jump 같은 퀀트 회사가 훨씬 강력한 AI를 사용한다고 해서 개인의 퀀트 연구 가치가 사라지는 방향으로만 흘러가지는 않을 것이다. 자본 규모가 다르기 때문이다. 기관에게 전략은 수익률과 함께 얼마나 많은 돈을 넣을 수 있는지가 중요하다. 이걸 전략의 Capacity라고 한다. 예를 들어 연 30%를 낼 수 있는 전략이 있어도 투입 가능한 자금이 50만 달러라면 연간 기대 이익은 15만 달러 수준이다. 수십억 달러를 운용하는 회사에서는 연구·인프라·리스크 관리 비용을 감안하면 경제적 가치가 작을 수 있다. 100만 달러 안팎의 개인 자본에서는 이야기가 달라진다. 같은 전략이 포트폴리오 전체의 성과를 크게 바꿀 수 있다. 4. 주문 크기 자체가 경쟁력이 되기도 한다 대형 기관은 수천만 달러, 수억 달러를 움직인다. 주문이 커질수록 호가를 먹고 들어가며 평균 체결가격이 움직인다. 시장충격이다. 실제 연구에서도 대형 운용사의 거래는 작은 운용사보다 시장충격 비용이 크게 나타났고, 헤지펀드의 규모가 커질수록 성과가 약해지는 현상도 특히 유동성이 낮은 종목에서 강하게 관찰됐다. 개인에게는 이 부분이 상당히 중요하다. 기관에게 Capacity가 부족한 전략도 작은 계좌에서는 충분히 사용할 수 있다. 소형주 짧은 이벤트 빠른 평균회귀 제한된 유동성 작은 규모의 차익거래 특정 시간대의 미세한 패턴 처럼 투입 자금이 커질수록 수익성이 빠르게 떨어지는 영역이 대표적이다. 5. 그래서 AI가 오히려 개인 퀀트의 탐색 영역을 넓힐 수 있다 과거 개인의 가장 큰 문제는 연구 인력이었다. 데이터를 모으고 코드를 작성하고 수천 개의 가설을 검증하고 결과를 분석하는 데 엄청난 시간이 필요했다. AI 에이전트는 이 비용을 크게 낮춘다. 개인이 기관과 같은 전략을 같은 규모로 거래할 필요도 없다. 기관의 경제성 기준 아래에 있는 작은 Alpha를 찾아내면 된다. 기관 입장에서 너무 작아서 지나치는 시장의 틈이 개인에게는 충분히 클 수 있다. 6. 여기서 중요한 연구 방향이 나온다 개인이 AI에게 “수익률 가장 높은 전략을 찾아줘” 라고 시키는 것보다 훨씬 좋은 방법이 있다. 목표 함수에 처음부터 현실적인 제약을 넣는 것이다. 운용자금 10만–100만 달러 일평균 거래대금 대비 주문비율 제한 실제 스프레드 수수료 슬리피지 최대 포지션 최대 MDD 최소 거래 횟수 여러 시장 국면 완전한 Out-of-Sample 을 넣고 “이 자본 규모에서 실제로 실행 가능한 전략을 찾아라” 라고 연구시키는 방식이다. 기관이 찾는 최적해와 개인이 찾아야 할 최적해는 서로 달라질 수 있다. 7. 결국 AI 시대 퀀트의 경쟁은 연구 시스템의 경쟁이 된다 공개 데이터에서 쉽게 발견되는 패턴은 더 빠르게 탐색되고 가격에 반영될 것이다. 그만큼 앞으로 가치가 커지는 것은 독특한 데이터 좋은 가설 시장 구조에 대한 이해 검증 시스템 거래비용 모델 체결 기술 리스크 관리 그리고 자신의 자본 규모에 맞는 전략 선택 이다. 특히 개인 투자자에게는 마지막 항목이 중요하다. 수십억 달러를 굴릴 수 있는 전략을 찾을 필요가 없다. 자신의 자본만 충분히 수용하면서 높은 기대수익을 유지할 수 있는 전략이면 된다. AI가 퀀트 연구를 대중화할수록 이런 작은 Capacity의 Alpha까지 체계적으로 탐색할 수 있게 된다. 기관에게 너무 작은 기회가 개인에게는 충분히 큰 기회가 될 수 있다. 앞으로 개인 퀀트가 찾아야 할 영역도 바로 여기에 있다고 본다.