[월가아재] 골드만삭스 11년차 출신 퀀트 - 강승원님 인터뷰

[월가아재]에서 진행된 골드만삭스 11년차 출신 퀀트 강승원님의 인터뷰 1편을 요약하면 다음과 같습니다.

인터뷰 주요 내용

• 강승원 님은 국제수학올림피아드 메달리스트 출신으로 프린스턴대에서 수학 전공 후 골드만삭스에서 11년간 퀀트 리서처로 근무했습니다.
• 골드만삭스 내에서 주식 알파 수익을 추구하는 QIS(Quantitative Investment Strategies)팀에서 근무했으며, 2021년 말 퇴사 후 NeuroFusion CIO로 활동 중입니다.
• 금융 분야에 처음부터 관심이 있었던 것은 아니었고, 대학 시절 물리학을 공부하다가 실험 수업에 매칭이 안 맞아 수학으로 전공을 바꿨고, 우연히 금융 쪽 수학 적용 사례를 접하면서 관심을 갖게 됐다고 합니다.
• 퀀트가 되기 위해 필수적인 것은 프로그래밍 능력과 대학 수준의 수학(미적분과 선형대수 중심)이며, 최신 머신러닝 기법보다는 회귀분석 등 통계 기법을 탄탄히 하는 것이 중요하다고 조언했습니다.
• (참고) 회귀 분석 : **지도 학습(Supervised Learning)**의 한 유형으로, 입력 변수(특징, Feature)와 출력 변수(레이블, Label) 간의 관계를 모델링하여 연속적인 숫자 값을 예측하는 기법 : 주어진 입력 데이터에 가장 잘 맞는 수학적 함수나 모델(y = f(x) 형태)을 찾아내어, 새로운 입력에 대한 정확한 숫자 값을 예측하는 것
• 골드만삭스 퀀트팀 면접은 1차 전화 면접부터 본사 현장 면접까지 수학 문제, 프로그래밍 퍼즐 문제 등을 포함해 까다로운 편이며, 수학적 사고력이 핵심이라고 합니다.
• QIS팀은 알파, 베타, 스마트 베타 등 다양한 전략을 운용하는데, 알파팀은 벤치마크보다 초과 수익을 추구하는 전략, 베타팀은 시장 지수를 추종하되 맞춤형 조정을 하며, 스마트 베타는 과거 알파 전략이었던 벡터가 베타화된 팩터들을 효율적으로 운용하는 역할을 한다고 설명했습니다.
• 알파 전략의 개발은 상당한 창의성(남들이 보지 못하는)을 필요로 하며, 학계의 논문이나 독특한 데이터셋에서 아이디어를 얻지만, 직접 실무에 바로 적용하기보다는 충분한 리서치를 거쳐야 한다고 합니다.
• 백테스팅은 투자 전략의 리서치 과정에서 참고용 검증 도구(살아남은 데이터만 존재, 생존 편향)로써 중요하지만, 과도한 reliance는 위험하며, 가짜 상관관계나 과적합 문제를 경계해야 한다고 강조했습니다.
• (참고) 과적합 문제 : 머신러닝 모델이 **훈련 데이터(Training Data)**는 지나치게 잘 학습했지만, **새로운 데이터(테스트 데이터 또는 실제 데이터)**에 대해서는 예측 성능이 급격히 떨어지는 현상 : 내재된 일반적인 패턴이 아닌, 훈련 데이터에만 존재하는 **노이즈(Noise)**나 특정 예외적인 특징까지 외워버린 상태
• 텍스트 데이터, 뉴스, 특허, 경영진의 발표 내용 등 다양한 비정형 데이터도 퀀트 리서치에 활용되며, 자연어 처리 기술도 함께 쓰이고 있다고 합니다.
• 투자 전략은 내부 데이터와 시뮬레이션을 통해 엄밀하게 검증하며, 아무리 좋은 전략이라도 실전 적용에는 깐깐한 검증과 시간이 필요하다는 점을 강조했습니다.

이 영상은 퀀트 직종 준비생이나 전략 연구에 관심 있는 사람에게 학업 및 실무적 조언과 골드만삭스 퀀트 부서 현장의 생생한 분위기를 전달합니다.youtube​

1. https://www.youtube.com/watch?v=4BFfxbntFpw

[월가아재] 골드만삭스 11년차 출신 퀀트 강승원님 인터뷰 2편 요약입니다.

주요 내용

• 투입한 전략 유지보수 방법
  • 한 번 만든 투자 전략이라도 시장 상황이 변하기 때문에 꾸준한 유지보수가 필요합니다.
  • 통계적 특성이나 인과(상관)관계가 바뀌는 경우 전략을 재검토(시장 변화)하고 수정해야 하며, 전략이 제대로 작동하는지 지속적으로 모니터링합니다.
• 퀀트 일을 하며 제일 힘든 점
  • 알파(초과수익) 기회가 점점 빠르게 사라져 더 좋은 전략을 만들기가 어렵습니다.
  • 시장 변동성이나 구조 변화에 대응하는 복잡성이 크며, 많은 리서치와 데이터 분석에도 불구하고 실패 사례가 많아 좌절감이 있습니다.
• 점점 빨리 사라지는 알파
  • 기술 발전과 데이터 접근성 향상으로 시장에서 발견 가능한 알파 기회는 점점 줄어듭니다.
  • 경쟁자가 많아져 좋은 전략이 빠르게 모방되고, 자동매매 시스템이 많아져 기회가 단기간 내 사라지는 현상이 발생합니다.
• Market Regime 변화에 대응하는 법
  • 경제·시장 상황에 따라 다양한 'Market Regime(시장 환경)'이 존재해 이를 파악하고 각각에 맞춘 전략을 운용해야 합니다.
  • 여러 전략을 혼합하거나 상황에 맞게 전략 비중을 조절하는 방식으로 대응합니다.
• 퀀트 팀 내 문화
  • 데이터와 결과 중심의 합리적 의사결정 문화가 자리잡고 있습니다.
  • 팀 내 협업과 활발한 토론을 통해 새로운 아이디어를 공유하고, 피드백을 주고받습니다.
• 개인투자자가 퀀트로 수익을 내려면
  • 개인도 기초적인 프로그래밍과 수학 지식을 갖추고 꾸준히 공부하면서, 검증된 전략을 엄밀히 백테스트해 적용해야 합니다.
  • 감정 개입을 줄이고 원칙대로 시스템을 운용하는 태도가 중요하며, 시장 환경 변화에 따라 전략 보완도 필요합니다.

이 영상은 퀀트 업무의 현실적 어려움, 전략 개발과 유지보수, 팀 문화, 개인투자자에게 필요한 역량과 접근법에 대해 심도 있게 다룹니다.youtube​

1. https://www.youtube.com/watch?v=Z1gDesOgsMs

[월가아재] 골드만삭스 11년차 출신 퀀트 강승원님 인터뷰 3편 내용을 요약하면 다음과 같습니다.

백테스팅 툴과 한계

• 백테스팅 툴 자체는 강승원을 포함한 전문가들 사이에서 초과수익을 보장하는 도구로 보지 않습니다.
• 훌륭한 백테스팅 툴을 개발하는 것은 매우 어렵고 전문 지식과 데이터 처리 능력이 필요합니다.
• 백테스팅은 검증 목적이지만, 이미 널리 알려진 팩터들을 조합하는 것만으로는 알파(초과수익)를 만들기 어렵습니다.
• 창의성 있고 자유도가 높은 리서치를 위해서는 단순 툴 이상의 복잡한 모델 및 데이터 처리 기술이 필요합니다.

NeuroFusion에서 하는 일

• 강승원이 현재 소속된 NeuroFusion은 퀀트 투자에 인공지능과 머신러닝 기법을 활용해 투자 전략을 개발합니다.
• 경쟁력 있는 투자 아이디어를 발굴하기 위해 다양한 데이터셋과 분석 기법을 융합하여 새로운 팩터 및 전략을 탐색하는 데 주력합니다.

토픽 모델링 프로세스

• 토픽 모델링은 자연어 처리 기반 기술로, 기업의 사업 내용이 담긴 텍스트 데이터를 분석해 비슷한 기업군(피어 그룹)을 찾는 데 활용(텍스트를 분석하여 해당 기업군 비율을 나타냄)됩니다.
• 기업간 비교를 위해 단순 산업분류 코드 외에 기업공시, 뉴스, 보고서 등의 텍스트 데이터를 머신러닝으로 분류해 특성을 벡터화하고 유사성을 측정합니다.
• 이러한 기법은 기업 간의 경쟁력 및 가치를 평가하는 데 중요한 역할을 하며, 투자 아이디어 개발에 쓰입니다.

이 영상은 백테스팅 툴의 현실적인 한계, 첨단 투자회사에서 AI를 활용하는 방식, 텍스트 기반 데이터 처리와 기업 비교 기법 등을 상세히 다루고 있어 퀀트 및 데이터 과학 투자에 흥미 있는 분들에게 유익합니다.youtube+1​

1. https://www.youtube.com/watch?v=Y0bsR3uNViA
2. https://www.youtube.com/watch?v=Y0bsR3uNViA
3. https://www.youtube.com/watch?v=Z1gDesOgsMs
4. https://www.youtube.com/watch?v=4BFfxbntFpw
5. https://www.youtube.com/watch?v=x8Rf0HWZOrM
6. https://www.youtube.com/watch?v=H4f0ydhmyUY
7. https://www.youtube.com/watch?v=54wwTeyOPv8
8. https://www.youtube.com/playlist?list=PLE1Uaw0WKBCx7KwZqXFablw5C0yEyp8sT
9. https://www.youtube.com/watch?v=56FO-TS6kvQ