퀀트 트레이딩 회사인 Jump Trading는 시장 데이터, 뉴스와 이벤트, 그리고 다양한 대체 데이터 소스를 활용해 자산 가격에 대해 최대한 좋은 예측을 하는 예측 모델을 만듭니다. 시장은 복잡하고, 노이즈가 많으며, 시간이 지남에 따라 변하기 때문에 정확히 무엇이 일어날지 예측하는 것은 거의 불가능합니다. 하지만 Jump의 LLM R&D 책임자인 Lucas Baker에 따르면, 대규모로 동전 던지기보다 조금이라도 더 잘 예측하는 것만으로도 성공적인 전략이 될 수 있다고 합니다.
Baker는 에이전틱 연구개발을 이끌고 있으며, 퀀트 리서처들이 자신의 아이디어를 더 넓고 깊게 탐구할 수 있게 해주는 에이전트, 하네스, 인프라 구축에 집중하고 있습니다. GPT‑6 Astra의 추가는 일상적인 코딩부터 새로운 가설을 검증하는 고급 퀀트 연구에 이르기까지 에이전트에 위임할 수 있는 워크플로우의 규모와 복잡성을 극적으로 확장했습니다.
“GPT-6 시리즈, 특히 GPT-6 Astra를 통해 OpenAI는 유연한 에이전트 조율과 복잡한 워크플로우에 대한 극한의 지속성이 필요한 장기 과제에 대해 새로운 수준의 자율성을 열었습니다. 이전에는 빈번한 사람의 안내와 개입이 필요했지만, 이제는 명확한 목표를 갖춘 안전하고 잘 모니터링되는 환경을 정의하는 데 온전히 집중하고 에이전트들이 스스로 길을 찾도록 할 수 있습니다.”—Lucas Baker, LLM R&D 책임자, Jump Trading
짧은 코드 조각에서 포괄적인 분석으로
지난 1년 동안 AI는 일회용 코드 조각을 작성하거나 사소한 버그를 찾는 데 유용한 도구에서, 스스로 전체 코드베이스와 서비스를 개발할 수 있는 유능하고 다재다능한 시스템으로 변모했습니다. 이제 Baker와 그의 팀은 AI를 동료처럼 다룰 때 가장 잘 작동한다는 것을 발견했습니다. 리서처는 핵심 문제, 작업 환경, 결과의 품질과 중요성을 평가하는 방식을 정의한 다음, 분석을 어디에 집중할지 또는 다음에 어떤 작업을 실행할지를 하나 또는 여러 에이전트에게 실시간으로 지시할 수 있습니다.
Baker에 따르면, GPT‑6 Astra를 통해 에이전트는 이제 의미 있고 실용적인 개선점을 찾는 것뿐만 아니라 재귀적 개선 과정에서 그러한 성과들을 병합하고 쌓아갈 수 있게 되었다고 합니다. 단일 장기 실행 과제를 수행하는 동안 시스템은 자신의 발견을 분석하고, 초기 제안에서 합의된 기준과 비교하여 판단하며, 사람이 매번 변경 사항을 분석할 필요 없이 능동적으로 노력의 방향을 바꿀 수 있습니다. 그는 이를 “며칠 동안 실행되어야 하는 무언가를 정의할 수 있습니다. 많은 데이터 소스에서 가져와야 하고, 무엇이 중요하고 무엇이 아닌지에 대한 미묘한 판단을 내려야 하며, 모든 것을 상호 연관시켜야 합니다. 이제 실제로 작동하는 포괄적인 분석을 만들 수 있습니다”라고 표현합니다.
사람의 판단을 중심에 유지하기
Jump Trading는 모든 시간 범위와 자산 클래스에 걸쳐 사업을 운영합니다. 프로세스의 모든 단계가 복잡하며, 금융과 같이 규제가 엄중한 산업에서는 실수가 재정적, 컴플라이언스상의 결과를 초래할 수 있습니다. Baker는 AI에 업무를 맡기면서 발생하는 위험을 인식하는 것이 중요하지만, 에이전틱 지능은 기능 추가뿐만 아니라 품질, 보안, 모니터링 개선에도 적용될 수 있다고 말합니다. 강력한 시스템 설계와 경계, 명확한 제약 조건, 조종 가능성과 관측 가능성을 촉진하는 인프라, 변경 사항에 대한 사람의 검토를 통해 Jump Trading 팀은 규제 환경에서 AI 기반 워크플로우가 확장될 준비가 되었음을 보장합니다.
“에이전트나 시스템이 필요한 어떤 출력이든 자유롭게 생성할 수 있는 안전한 환경이 있고, 그 끝에 사람의 승인으로 중요한 검증이 이루어지는 사람의 검토 프로세스가 있다면, 바로 그것이 우리에게 확신을 줍니다”라고 그는 말합니다. 예를 들어, 에이전트가 트레이딩 신호를 생성하면 어떤 출력과 마찬가지 방식으로 범위가 지정되고 검토됩니다. 즉, 일반적으로 유용하지만 잠재적으로 잘못될 수 있는 신호로 취급되어, 엄격하게 검토되고 통제되는 실행 환경에서 다른 모든 신호와 통합됩니다.
다음은 무엇인가
Baker는 우리가 “오토리서치(autoresearch)”, 즉 에이전트 리서처에 의한 측정 가능한 시스템의 재귀적 개선이 너무나 보편화되어 퀀트 리서처의 일반적인 워크플로우의 일부로 여겨지는 세상으로 향하고 있다고 생각한다고 말합니다. 오늘날에도 GPT‑6 Astra의 가장 오래 실행되는 작업은 여전히 과제를 정의하는 사람과의 정기적인 확인을 포함합니다. 어떤 데이터를 가져올지, 얼마나 오래 실행할지, 무엇이 중요한지뿐만 아니라 중간 결과가 타당한지도 확인합니다. 고급 오토리서치는 여전히 인간이 정의한 시스템, 즉 입력, 환경 정의, 평가 지표, 트레이드오프, 전체적인 우선순위를 포함하는 것으로 시작하겠지만, 나머지 프로세스는 다른 에이전트들에 의해 조율되는 느슨하게 구조화된 에이전트 “플릿(fleet)”에 맡겨질 것입니다. 잘 구조화된 리서치 파이프라인 내에서 이러한 에이전트들은 단 하나의 열린 질문에서 출발하여 아이디어를 탐구하고, 컴퓨팅 시간을 할당하고, 유망한 발견을 통합하는 방법에 대해 지능적인 결정을 내릴 수 있을 것입니다.
“이 모든 것을 종단 간(end to end)으로 연결하여, 심지어 자신도 답을 모르는 일반적인 질문을 던지고 유용한 결과가 돌아오는 것은 어떤 모습일까요?”라고 그는 묻습니다. “밀레니엄 문제를 풀 수 있다면, 퀀트 금융에 관한 꽤 흥미로운 사실들도 알아낼 수 있을 것입니다.”
매년 벤치마크 측정에서 꾸준한 발전이 있었을 뿐만 아니라, 모델이 수행할 수 있는 작업의 유형에서도 도약적인 변화가 있었습니다. 이러한 발전은 흔히 몇 달 전에도 예측하기 어려웠습니다. 2024년에는 초기 에이전트가 단일 파일을 실수 없이 작성하는 것만으로도 인상적인 일로 여겨졌지만, 2025년에는 처음부터 전체 코드베이스를 만드는 것이 가능해졌고, 2026년에는 많은 에이전트가 역동적으로 나란히 협업하며 열린 연구 질문에서 진전을 이루게 되었습니다. “내년에는 무엇을 갖게 될까요?”라고 그는 말합니다. “꽤 놀라운 전망입니다.”