3Blue1Brown Talks Machine Learning with Jane Street

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

3Blue1Brown과 Jane Street의 대화는 머신러닝이 이 회사의 체계적 거래를 움직이는 핵심 동력으로 성장했으며, 그 성과가 낮은 자아·자율적 협업·장기 인재 투자라는 조직문화와 결합해 만들어졌음을 보여준다.

📌 핵심 요점

1. Jane Street는 상대를 이기기보다 대화를 통해 진실에 수렴하고 자신의 견해를 바꾸는 것을 자연스럽게 여기는 낮은 자아의 문화를 강조한다.
2. 팀 경계를 넘는 직접 소통과 전사적 책임 의식을 바탕으로 일하며, 소규모 탐색은 자율적으로 진행하고 장기 프로젝트에는 관리 구조를 적용한다.
3. 핵심 사업인 시장조성은 주식과 ETF 등에 유동성을 공급하는 일이며, 미래 수요와 공급을 예측해야 한다는 점에서 머신러닝 문제와 맞닿아 있다.
4. 금융 데이터는 잡음이 많아 기성 모델을 그대로 적용하기 어렵고, Jane Street는 기초 원리와 연구 최전선까지 파고드는 독자적인 머신러닝 연구가 필요하다고 설명한다.
5. 지난 20년 동안 Excel 기반 거래와 선형 모델에서 신경망·GBT 중심의 모델링으로 기술은 크게 변했지만, 학습 능력과 적응력을 중시하는 채용 및 협업 문화는 이어지고 있다.

🧩 배경과 문제 정의

이 대화는 3Blue1Brown이 Jane Street 구성원들에게 회사의 문화, 실제 사업, 머신러닝 연구, 직무 구조와 채용 철학을 묻는 인터뷰다. 핵심 문제는 정량금융 회사로 알려진 Jane Street가 무엇을 하는지, 금융에서 머신러닝이 왜 단순한 기성 모델 적용으로 해결되지 않는지, 그리고 빠른 기술 변화에 조직이 어떻게 적응하는지를 이해하는 데 있다.

🕒 시간순 섹션별 상세정리

1. 진실에 수렴하는 낮은 자아의 대화 문화

• Jane Street에서는 지적 우위를 과시하기보다 흥미로운 주제를 함께 검토하며 진실에 도달하는 것을 대화의 목표로 삼는다고 보여준다. [00:38]
• 구성원은 대화가 끝날 때 자신의 관점이 달라질 가능성을 자연스럽게 받아들인다. [00:51]

2. 독립 판단을 공유한 뒤 합의에 이르는 회의

• 회의에서는 다른 사람의 의견을 듣기 전에 각자의 초기 생각을 먼저 공유하게 해 출발점을 확인하고, 토론 후 판단이 수렴하는 과정을 관찰한다. [01:24]
• 이런 확률적·절제된 표현 방식은 회사 밖의 지인들이 낯설게 느낄 정도로 문화적 습관이 된다. [01:59]

3. 팀 경계를 넘는 직접 소통과 선택적 구조

• 회사 전체를 하나의 조직처럼 여기며, 다른 팀의 도움이 필요하면 관리자 계층을 거치지 않고 직접 찾아가 아이디어를 논의한다. [02:30]
• 여러 사람이 한 달 동안 수행할 프로젝트에는 구조를 적용하지만, 작은 아이디어 탐색에는 일정 수준의 혼돈이 더 효율적이라고 본다. [03:26]

4. 실시간 경매로 배분하는 컴퓨트 자원

• 모든 구성원이 공유하는 컴퓨트 클러스터에 실시간 경매를 적용하고, 사용자는 자신의 작업 가치를 다른 작업과 비교해 입찰한다. [03:49]
• 중앙의 관료적 배분 대신 가격 신호를 사용하지만, 이는 아무 구조도 없는 혼돈이 아니라 구현된 조정 시스템이라는 해석도 드러난다. [04:13]

5. 공유 가시성과 전사적 책임

• 실행 중인 작업에 문제가 생기면 다른 구성원이 오류를 발견해 작업을 일시 중지하는 등 소속 팀을 넘어 공동 책임을 느낀다. [04:39]
• 작업과 효율 지표를 서로 볼 수 있어 비효율을 발견한 사람이 담당자와 직접 대화하고, 계층적 보고 없이 빠르게 문제를 해결한다. [05:09]

6. 개방형 시스템의 사고와 점진적 보완

• 한 연구자가 인자 없이 명령을 실행해 클러스터 전체 작업의 입찰가를 바꾸는 사고가 있었고, 이후 해당 문제를 수정했다고 회고한다. [05:38]
• 처음부터 모든 행동을 제한하기보다 필요에 맞게 시스템을 만들고 실제 사용을 통해 유기적으로 변경하는 접근을 취한다. [05:49]

7. 시장조성을 설명하는 주식 식료품점 비유

• Jane Street는 자신을 일반ist 금융서비스 유동성 공급자로 표현하지만, 더 직관적으로는 주식을 위한 식료품점 같은 시장조성 회사라고 보여준다. [06:47]
• 식료품점처럼 합리적인 가격을 제시해야 거래가 성립하며, ETF를 통해 해외 기업에 투자하려는 사람에게 유동성을 공급하는 역할을 사례로 든다. [07:29]

8. 수요 예측에서 머신러닝으로 이어지는 연결

• 식료품점이 할로윈 수요에 맞춰 호박 재고를 준비하듯, 시장조성도 앞으로 필요한 유동성과 수요를 예측해야 한다. [08:04]
• 이 복잡한 예측 문제에서 머신러닝이 활용되며, 필요한 시점에 거래 가능한 재고와 유동성을 제공하는 데 연결된다. [08:21]

9. 금융 머신러닝의 잡음과 기초 연구

• 금융에서는 기성 모델을 가져와 GPU에서 실행하는 방식이 거의 작동하지 않을 만큼 문제가 훨씬 더 잡음이 많다고 보여준다. [09:10]
• 따라서 기본 원리를 이해하는 기초과학 성격의 연구와 외부 연구 공동체의 지식 최전선을 다루는 작업이 필요하다. [09:24]
• 최근 몇 년간 머신러닝 성과가 빠르게 커졌고, 현재는 체계적 거래의 가장 큰 동력이라고 평가한다. [10:01]

10. 직함보다 체계적인 연구 조직

• 전통 금융 출신자는 Jane Street가 예상보다 기술기업이나 학계에 가깝다는 점에 놀라며, 외부에서는 트레이더가 주문을 수동 입력한다고 오해하기 쉽다. [10:44]
• 실제로 트레이더 역할도 상당 부분 연구 성격을 띠고 회사의 거래는 일반적인 인식보다 훨씬 더 체계화돼 있다. [10:57]
• 코딩, 내부 도구, 시장 데이터 인프라, 개별 증권 판단과 장기 모델 연구가 연속적인 직무 스펙트럼을 이룬다. [12:42]

11. Excel 거래에서 신경망과 GBT까지

• 20년 전에는 데이터를 기록해 클러스터에서 선형 모델을 학습하는 것만으로도 고급 작업이었고, 일부 거래 시스템은 Excel에서 실행됐다. [13:50]
• 현재 모델링의 대부분은 머신러닝이며 신경망과 GBT 등 기법이 사용되고, 대략 5년마다 주요 기술이 크게 달라졌다고 회고한다. [14:22]
• 기술은 변했지만 초기 구성원이 남아 있을 만큼 조직문화의 감각은 유사하게 유지됐다. [14:32]

12. 장기 근속을 만드는 우정과 상호 투자

• 동료가 단순히 친절한 수준을 넘어 실제 친구가 되고, 서로의 성공에 개인적으로 투자한다고 느끼는 관계가 협업의 마찰을 낮춘다. [15:34]
• 어려운 새 영역에서도 주변의 지원을 기대할 수 있어 일과 문제 해결 자체가 즐겁게 느껴진다. [15:53]
• 구성원은 학습, 재미와 자율성을 매일 재평가하며, 시간이 갈수록 학습 속도가 오히려 빨라졌다고 드러낸다. [16:31]

13. 다양한 입사 경로와 유연한 경력

• 수학자를 꿈꾸던 구성원은 인턴 경험에 만족해 다음 여름과 정규직으로 복귀했고, 이후 박사학위를 위해 휴직한 뒤 다시 돌아왔다. [17:29]
• 회사는 이런 사례가 흔하지 않더라도 개인별 상황과 독특한 경력 경로를 가능하게 하는 유연성을 보였다고 보여준다. [18:02]
• 면접은 확률·문제 해결 질문과 게임을 섞어 진행됐으며, 지원자에게 흥미롭지만 당시에는 스트레스가 큰 경험이었다. [19:00]

14. 현재 역량보다 미래 학습 능력을 보는 채용

• 채용은 영리함, 성실함, 합리성, 적응력과 새로운 것을 배우려는 태도를 중심으로 하며 머신러닝 기술은 가산점이지만 핵심 기준을 대체하지 않는다. [19:33]
• 장기 근속을 기대할 수 있기 때문에 이미 완성된 전문가만 뽑기보다 구성원을 1년간 머신러닝 업무에 재교육하는 투자가 가능하다. [20:18]
• 면접만으로 수년 뒤의 성과를 예측하기는 어렵지만, 여러 기술을 학습하는 일반ist를 찾는 전략이 변화한 업무 수요에 적응하는 데 효과적이었다. [21:27]

15. 수학·컴퓨터과학이 실제 모델링으로 연결된 경험

• 수학과 컴퓨터과학을 공부한 인턴은 금융이 머신러닝·데이터과학과 닮았으며, 추상적으로 보이던 대학 수업의 아이디어가 모델 분석에 실제로 쓰인다는 점에 놀랐다. [23:24]
• 특히 Huber의 M-estimator와 강건 추정 이론이 비정상 데이터와 잘못 형성된 데이터를 다루는 구체적인 모델링 문제에 유용했다고 보여준다. [24:24]

16. OCaml에서 시작된 장기 경력과 지적 놀이

• 2005년 OCaml 메일링 리스트의 채용 공고를 우연히 보고 지원한 구성원은 작은 회사에서 만난 사람들이 마음에 들어 입사한 뒤 계속 근무했다. [25:36]
• 개인 프로젝트로 프랙털과 게임 봇을 만들 때 OCaml을 사용했고, 회사에서도 수학·물리학 즉석 강연을 열며 지적 호기심을 이어간다. [26:32]
• 대화는 통계역학, 분배함수와 파인만 다이어그램 같은 주제로 확장되며 Jane Street의 학문적 놀이 문화를 드러낸다. [27:04]

17. 인터뷰가 남긴 최종 인상

• 3Blue1Brown은 이번 대화가 Jane Street에 대한 여러 의문을 해소하고, 외부 시청자에게 회사를 더 현실적으로 이해시키는 데 도움이 됐다고 정리한다. [27:29]
• 출연자들에게 시간을 내준 데 감사를 전하며 인터뷰를 마친다. [27:33]

🧾 결론

• Jane Street의 머신러닝 경쟁력은 GPU나 기성 모델의 단순 도입이 아니라 금융 특유의 잡음과 데이터 문제를 다루는 연구 역량에서 나온다.
• 실시간 컴퓨트 경매와 작업 공유 같은 제도는 중앙 통제를 줄이는 대신 구성원의 판단력, 투명성, 공동 책임을 요구한다.
• 장기 근속 가능성이 높기 때문에 현재의 전문성보다 장기간 새로운 기술을 배울 수 있는 일반ist형 인재에게 투자하는 전략이 성립한다.
• 기술 스택은 빠르게 바뀌어도 낮은 마찰의 협업, 높은 자율성, 진실 탐구 중심의 대화 방식이 조직의 지속적인 적응을 지탱한다.

📈 투자·시사 포인트

• 체계적 거래 회사의 경쟁력을 평가할 때 모델 종류뿐 아니라 독점 데이터, 잡음 처리 능력, 연구 인프라와 조직 내 지식 이동 속도를 함께 살펴볼 필요가 있다.
• 머신러닝이 체계적 거래의 가장 큰 동력이라는 발언은 정량금융에서 컴퓨트와 연구 인재의 전략적 중요성이 계속 커지고 있음을 시사한다.
• 공유 자원에 가격 신호를 적용하는 컴퓨트 경매는 희소한 GPU와 클러스터를 효율적으로 배분하려는 다른 조직에도 참고할 만한 운영 방식이다.
• 다만 회사가 구체적인 거래 전략이나 성과 수치를 공개하지 않았으므로, 인터뷰만으로 수익성이나 경쟁우위를 정량 평가해서는 안 된다.

⚠️ 불확실하거나 확인이 필요한 부분

• 머신러닝이 체계적 거래의 가장 큰 동력이라는 설명은 인터뷰 참여자의 정성적 진술이며, 모델별 성과나 수익 기여도는 제시되지 않았다.
• 컴퓨트 경매의 가격 결정 방식, 예산 구조, 우선순위 규칙과 실제 효율성은 공개되지 않아 다른 조직에 그대로 적용할 수 있는지는 확인이 필요하다.
• 시장조성 및 ETF 사례는 Jane Street 사업을 설명하기 위한 대표적 비유이며, 회사의 전체 사업 범위나 거래 전략을 포괄하지 않는다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 금융 머신러닝을 검토할 때 기성 모델 성능과 함께 잡음, 이상치, 비정상 데이터 및 분포 변화에 대한 강건성을 평가한다.
• 조직 내 GPU·클러스터 배분 방식을 조사하고, 고정 할당과 경매형 가격 신호의 장단점을 비교한다.
• 채용 과정에서 현재 도구 숙련도뿐 아니라 새로운 문제를 소리 내어 탐색하고 피드백으로 관점을 수정하는 능력을 확인한다.
• 단기 탐색과 장기 프로젝트를 구분해 전자에는 자율성을, 후자에는 명시적인 책임자와 계획을 적용한다.

❓ 열린 질문

• 금융처럼 신호대잡음비가 낮은 환경에서 Jane Street가 개발한 독자적 머신러닝 방법은 일반적인 AI 연구와 구체적으로 어떻게 다른가?
• 실시간 컴퓨트 경매는 긴급 작업, 탐색 연구와 안정적인 운영 작업 사이의 우선순위를 어떻게 조정하는가?
• 조직 규모가 더 커져도 관리자 경유 없이 이루어지는 팀 간 직접 소통과 전사적 책임감을 유지할 수 있는가?