중국 최상위 퀀트 펀드 바이온트의 창업자 겸 CEO 펑 지가 AI 중심 접근법과 단기 시계열 모델링, 팀 구성 철학을 설명하며, 향후 3년 내 AI 전환에 실패한 퀀트 매니저는 시장에서 도태될 것이라고 말한다.
바이온트의 펑 지는 인공지능을 활용해 트레이딩 전략을 개발하는 중국의 최상위 퀀트 펀드 창업자이자 CEO다.
그는 퀀트 트레이딩은 본질적으로 컴퓨터 과학 과제이며, AI를 수용하지 않는 퀀트 펀드 매니저는 앞으로 3년을 버티지 못할 것이라고 전망한다.
파이낸셜타임스의 아시아 테크놀로지 담당 기자 Zijing Wu와의 대화에서, 그는 금융 배경이 전혀 없는 젊은 컴퓨터 과학자들로 꾸려진 자신의 팀이 중국 퀀트 트레이딩 분야를 어떻게 뒤흔들고 있는지, 그리고 글로벌 진출에 대한 포부를 이야기한다. 그는 퀀트 트레이딩이 최고의 AI 인재를 끌어들이고 있으며, 딥시크(DeepSeek) 같은 스타트업이 성장하기에 비옥한 토양이 되고 있다고 말한다.
Zijing Wu: 중국에서 퀀트 트레이딩은 미국과 유럽에 비해 아직 비교적 새롭습니다. 현재 중국의 상황을 설명해 주시겠습니까?
Feng Ji: 중국의 1세대 퀀트 트레이딩은 월스트리트에서 돌아온 매우 뛰어난 중국인 트레이더들로 시작됐습니다. 2013년 무렵 규제가 바뀌어 퀀트 트레이딩이 허용되고, 중국 시장에 더 많은 헤지 수단이 도입되면서 1세대 중국 퀀트 트레이더가 성장할 비옥한 토양이 생겼죠. 그들은 큰 성과를 냈고 오늘날에도 가장 큰 펀드의 리더로 남아 있습니다.
우리는 2세대이며 아주 다릅니다. 우리는 ‘바깥’에서 왔고 금융 배경이 전혀 없습니다. 우리는 정량(퀀트) 트레이딩이 다른 많은 데이터 마이닝·분석 작업과 동일하다고 봅니다. 특별할 게 없죠. 이를 순수한 AI 과제로 간주하기 때문에, 우리 팀은 오직 컴퓨터 과학자와 엔지니어로만 구성되어 있습니다.
ZW: 퀀트 트레이딩에 AI를 어떻게 적용하나요? 기존의 ‘올드스쿨’ 퀀트 트레이딩과 무엇이 다릅니까?
FJ: 지난 10년간 AI 기술, 특히 시계열 데이터 모델링이 크게 발전했습니다. 언어든 멀티미디어든 AI 모델의 본질은 모두 시계열 데이터 모델링입니다. 예컨대 ChatGPT의 핵심 과제는 다음 단어를 예측하는 것이죠. 퀀트 트레이딩도 본질은 같습니다. 다음 단어 대신 다음 시간 구간의 가격 상승과 하락을 예측할 뿐입니다.
전통적인 퀀트 펀드는 팀을 팩터 발굴, 시그널 생성, 모델링, 전략 수립 등 파이프라인의 여러 단계별로 나눕니다. 이 기능들은 서로 독립적이고 다소 단절되어 있죠.
우리는 이 모든 단계를 본질적으로 동일한 머신러닝 과제로 보고, 동일한 기반 모델로 전체론적으로 접근합니다. 이는 운영 전반에 지대한 영향을 미칩니다. 마치 ChatGPT 이전에는 언어 처리 회사들도 형태소 분리, 태깅, 구문 분석 등으로 팀을 나눴지만, 이제는 ChatGPT가 하나의 동일한 모델로 이 모든 일을 동시에 처리하는 것과 같습니다.
인공지능을 개발 중심에서 이끄는 이들과의 대화를 통해 AI의 이점, 위험, 윤리를 살펴보는, 인기 시리즈 ‘테크 익스체인지’의 스핀오프 대화입니다.
다른 인터뷰를 더 보려면여기
ZW: 왜 전체론적 접근이 전통적인 분업보다 더 낫다고 보나요?
FJ: 우선, 머신러닝을 기반으로 시스템 업그레이드를 예측하고 계획할 수 있습니다. 예를 들어 ChatGPT 1세대 모델이 공개되었을 때, 2세대가 어떤 모습일지, 거기에 도달하는 데 얼마나 걸릴지 대략 가늠할 수 있었죠. 체계적으로 지속 업그레이드할 수 있는 능력이 퀀트 펀드 매니저에게는 핵심입니다.
두 번째 장점은 비용 효율성입니다. 팩터를 찾기 위해 50명을 채용하는 대신, 우리는 100대의 GPU와 알고리즘을 작성하는 1명으로 대체합니다. 결과는 더 좋고 훨씬 빠릅니다. 다른 모든 단계에도 동일하게 적용됩니다.
ZW: 팀 규모와 운용자산은 어느 정도인가요?
FJ: 현재 약 70억 위안(9억7천만 달러)에 가까운 자금을 운용 중이며, 팀은 약 30명입니다. 3분의 2는 연구를, 나머지는 운영 업무를 맡고 있습니다. 우리의 연구는 주로 알고리즘과 자체 기반 모델을 개선하는 데 집중합니다.
ZW: 업계에서는 여러분을 파괴적 존재로 보나요?
FJ: 약 4년 전 우리가 처음 이 방식을 도입했을 때 많은 이들이 불가능하다고 생각했습니다. 컴퓨터 과학자들 몇 명이 비즈니스와 시장을 어떻게 이해하겠느냐는 거였죠. 사실은 — 우리는 이해하지 못하고, 그럴 필요도 없습니다. 사실 우리 중 누구도 그전에는 트레이딩을 해본 적이 없어요. 우리는 이것을 순수한 머신러닝 과제로 보고, 충분히 해낼 수 있는 일이라고 생각했습니다.
이제는 거의 아무도 우리를 의심하지 않습니다. 오히려 모두가 어떻게 하면 AI를 더 잘 쓸 수 있는지 다급하게 묻습니다.
그래서 제 예측은, 3년 안에 AI 전환을 완료하지 못한 퀀트 매니저는 시장에서 도태될 것이라는 겁니다. 경쟁이 점점 치열해지고 있고, 머신러닝은 필수 도구가 될 것입니다. 채택하지 않을 이유가 없죠.
ZW: 자체 모델을 처음부터 만들었나요? 트레이딩에서는 어떻게 작동하는지 예를 들어 설명해줄 수 있습니까?
FJ: 네, 전부 직접 만들었습니다. 시장 데이터와 행태는 예컨대 언어 데이터와 매우 다릅니다. 우리가 다루는 문제는 훨씬 복잡하고, 이를 위해 특화된 모델을 구축해야 합니다.
우리는 보통 분 단위에서 시간 단위까지의 단기 트레이딩에 집중합니다. 이 구간이 AI가 가장 잘하는 영역입니다. 날씨 예측과 비슷합니다. 한 달 뒤의 날씨는 정확도가 낮지만, 5분 뒤의 날씨는 많은 시그널을 포착할 수 있어 정확도가 매우 높죠. 단기 시그널은 상대적으로 예측 가능하고, 우리는 양질의 예측을 할 수 있을 만큼 충분한 데이터를 분석해왔습니다.
우리는 분에서 시간까지 서로 다른 시그널들의 예측을 실시간으로 종합 평가합니다. 그런 다음 이 예측에 대해 종합 점수를 산출하고, 그 점수를 바탕으로 동적인 트레이드 조합을 구축합니다.
대부분의 퀀트 기업은 기술 배경을 지닌 인물들이 이끕니다 © Teradat Santivivut/Getty Images
ZW: 그렇다면 펀더멘털은 전혀 신경 쓰지 않는다는 뜻인가요?
FJ: 기본적으로 그렇습니다. 펀더멘털 요인과 대체데이터 요인은 장중 거의 변하지 않습니다. 우리는 주로 거래 데이터를 활용합니다. 단기 가격 변동의 핵심 동인은 거래 데이터입니다.
ZW: 머신러닝 배경을 가진 당신과 팀은 왜 예컨대 대규모 언어모델(LLM)에 집중하는 더 인기 있는 AI 스타트업 대신, 퀀트 트레이딩을 택했나요?
FJ: 저는 머신러닝 박사 학위를 마친 뒤 약 1년 동안, 머신러닝과 AI가 기존 도구의 단순 업그레이드가 아니라 진정한 파괴를 일으킬 수 있는 방향을 고민했습니다.
그 다음 고려한 요소는 좋은 현금흐름을 만들 수 있는가였습니다. 당시 다수의 AI 유니콘이 돈을 벌지 못한다는 점을 깨달았습니다. 가치 있는 일을 하더라도 지속하기 어렵죠. 또한 상당수 기업은 핵심 기술의 차별성이 제한적이어서, 성공이 기술보다는 영업 역량에 크게 좌우됩니다. 저는 ‘슈퍼 너드’라서 영업 중심의 일에는 관심이 없었습니다.
그러다 퀀트 트레이딩을 발견했는데, 모든 조건을 충족했습니다. AI로 업계를 처음부터 다시 만들 수 있습니다. 전통적인 선형 모델이 아니라, 신경망이나 랜덤 포리스트를 만들 수 있는 잠재력이 있죠. 저를 흥분시키는 도전이고, 파괴적입니다. 오래된 자동차 제조를 완전히 뒤흔드는 새로운 전기차 공장을 설계하는 것과 같습니다.
퀀트 트레이딩의 또 다른 장점은 검증이 쉽다는 겁니다. 하루에 1,000건이 넘는 거래를 하며, 우리가 올바른 길에 있는지 바로 확인할 수 있습니다.
또 거의 순수하게 기술 주도 산업입니다. 대부분의 퀀트 기업은 기술 배경을 가진 사람들이 이끕니다. 기술을 이해하지 못하면 ‘너드’와 천재들로 구성된 팀을 이끌 수 없습니다.
ZW: 어떤 유형의 ‘너드’와 ‘천재’들인가요?
FJ: 저를 포함한 우리 팀은 컴퓨터 과학 대회 출신입니다. 30명 중 13명이 금메달리스트예요. 우리 팀의 금메달 ‘밀도’는 어떤 빅테크보다도 높을 겁니다. 퀀트 트레이딩은 천재의 비율이 가장 높은 산업입니다. 미국도 마찬가지죠. 최상위 머신러닝 인재의 80%는 월스트리트, 20%는 실리콘밸리에 있다고 봅니다.
딥시크 LLM은 엔지니어링 비용을 줄이고 GPU 간 통신 효율을 개선하는 데 기여했습니다 © Alamy
ZW: 중국 최대 퀀트 펀드 중 하나인 하이플라이어(High-Flyer)에서 딥시크가 나왔던 이유가 여기에 있나요?
FJ: 그렇습니다. 저는 전혀 놀라지 않았어요. 딥시크가 LLM에 한 핵심 기여는 엔지니어링 비용을 낮추고 GPU 간 통신 효율을 높인 것입니다. 이는 퀀트 트레이더에게 자연스러운 문제 설정입니다. 우리는 시간을 나노초에서 마이크로초 단위로 계량하지만, 전통적인 인터넷 기업의 시간 스케일은 길어야 밀리초, 보통은 초 단위거든요.
예를 들어 동시 접속자 10억 명 규모의 빅테크 플랫폼은 지연이 없게 하려고 노력합니다. 사람의 반응은 보통 50~150밀리초이므로, 10밀리초 지연은 괜찮죠. 하지만 퀀트 트레이딩에서는 1밀리초도 영원처럼 깁니다.
퀀트 트레이딩은 최상위 인재를 끌어들일 수 있는 매우 건전한 현금흐름도 제공합니다. 10년 전에는 수학·물리의 가장 똑똑한 사람들이 데이터 분석 역량을 금융에 전이할 수 있었기 때문에 이 업계로 모였습니다. 하지만 오늘날은 점차 컴퓨터 과학자들이 주도하고 있습니다. 우리는 역량 전이조차 필요 없습니다 — 머신러닝은 데이터를 가장 잘 분석하는 도구를 설계하는 일이며, 그 데이터가 금융이든 다른 영역이든 본질은 같습니다.
많은 돈을 벌 수 있다는 건 팀이 관심 있는 일을 갈라져 추구할 여유가 있다는 뜻이기도 합니다. 저는 이를 ‘기술 스필오버’라고 부릅니다.
많은 수의 천재와 풍부한 자원이 있으면, 유사한 핵심 역량을 바탕으로 관련 없는 기술들을 스핀오프할 수 있습니다.
이런 일은 역사 속에서 여러 번 있었습니다. 예컨대 DE쇼(hedge fund)의 창업자는 자체 개발 슈퍼컴퓨터를 화학 연구에 쓰기 위한 대규모 과학 연구센터를 만들었습니다. 퀀트 트레이딩과 직접 관련은 없지만 유사한 핵심 역량을 적용한 사례죠.
ZW: 딥시크처럼, 여러분 팀도 모두 중국 교육 배경입니다. 중국과 미국의 젊은 인재를 비교하면 어떻습니까?
FJ: 요즘은 격차가 거의 없습니다. 사실상 같은 수준에서 경쟁하고 있어요. 과학기술에 더 집중한 우리의 교육 시스템 덕분에 중국은 이런 인재 풀이 더 큽니다. 특히 엔지니어링 역량과 알고리즘 혁신에서 강점을 보입니다.
지난 10년간 전 세계의 영리한 젊은이들이 오픈소스 AI 플랫폼에서 자유롭게 소통하고, 배우고, 협업할 수 있었습니다. 이는 우리 세대의 중국 개발자에게 이 분야의 세계 선도 기술을 따라잡을 큰 기회를 제공했습니다.
또한 중국의 이 젊은 세대는 부모 세대와 달리, 대부분 중산층 가정에서 자라 생계를 위해 원치 않는 일을 하지 않아도 됐습니다.
우리 팀의 대부분은 20대입니다. 저는 37세로, 압도적으로 나이가 많죠. 그들의 최우선순위는 재미있게 일하는 것입니다. 그래서 크고 정치가 얽히기 쉬운 빅테크로 가기보다는, 우리처럼 작은 연구 중심 팀을 더 선호합니다. 비슷하게 똑똑한 동료들과, 그들의 언어를 이해하는 매니저와 함께 일할 수 있으니까요.
유복한 환경에서 자랐다는 건 이 세대의 중국 젊은 인재가 부모 세대보다 더 이상주의적이라는 뜻이기도 합니다. 단기간의 돈을 벌기 위해 금융으로 향하기보다 연구로 가는 이들이 더 많습니다. 우리는 실제로 세상을 바꾸는 일을 하고 싶습니다.
ZW: 팀의 하루 일과는 어떻습니까?
FJ: 기본적으로 연구소와 비슷합니다. 복장 규정은 없고 — 반바지와 슬리퍼가 가장 흔합니다. 장 시작 전에 출근해서 프로그래밍을 하고 함께 토론합니다. 장 마감 전에 성과를 리뷰하고, 몇 가지 실험을 더 돌린 뒤, 최신 논문을 읽고 토론하고 퇴근합니다. 연구소와 다른 점은 우리는 더 나은 자원을 가진다는 것입니다. 우리는 자체 컴퓨팅 파워를 구축합니다. 연산 자원이 많을수록 결과를 더 빨리 얻고 효율이 높아지므로, 매우 중요합니다.
ZW: 당신과 팀의 궁극적 목표는 무엇인가요?
FJ: 중기적으로는 중국에서 세계적인 AI-네이티브 퀀트 펀드를 만드는 것입니다. 우리는 현재 주로 중국 시장에서 거래하고 있으며, 핵심 해외 시장으로 확장하려 합니다. 퀀트 펀드를 떠올리면 모두 월스트리트의 톱티어 회사들만 생각하지, 중국 펀드를 아는 이는 많지 않습니다. 1세대 중국 퀀트 펀드는 월스트리트에서 배운 방법론을 활용했지만, 우리는 일찍이 AI-네이티브로 차별화할 수 있습니다. 글로벌 리더들과 경쟁할 기회가 있습니다.
장기적으로는 컴퓨팅 회사로 성장하고 싶습니다. 우리가 기술을 스필오버할 수 있는 잠재 영역이 매우 많고, 그 부분이 우리를 흥분시키죠. LLM이 반드시 AI의 최적 용처인 것은 아닙니다.
이 대화는 분량과 명료성을 위해 편집되었습니다.
