Forward Guidance 팟캐스트 상세 요약
게스트: Yan Zelelegi (Reflexivity CEO & Co-founder)
1. Yan의 커리어 경로
Yan은 Yale에서 수학을 전공하던 중 우연히 Stanley Druckenmiller와 연결되었고, 한 번의 대화가 곧바로 채용으로 이어져 Druckenmiller 옆에서 글로벌 매크로 포트폴리오 운용을 배웠습니다. 글로벌 매크로의 매력은 지정학, 경제학 등 광범위한 질문을 던지면서도 자산군이나 트레이드 구조에 제약이 없다는 점이었습니다.
→ 와 이런 엄청난
이후 2년 반 동안 Harvard에서 퀀트 파이낸스 PhD를 했는데, Druckenmiller 본인은 이것이 헤지펀드 커리어에 도움이 되지 않을 거라고 봤고, Yan도 당시엔 그 말이 맞다고 인정합니다. 다만 "긁어야 할 가려운 곳" 같은 것이었고, 결과적으로 투자 프로세스를 체계화하는 데 도움이 되어 Reflexivity 창업의 밑거름이 되었습니다.
PhD 후 Druckenmiller에게 복귀했다가, 이후 Fortress로 옮겨 Mike Novogratz와 함께 글로벌 매크로 포트폴리오를 운용했습니다. Novogratz는 이후 암호화폐 쪽으로 전향했고, 이 모든 경험이 Reflexivity 창업으로 수렴했습니다.
2. Reflexivity라는 이름의 의미
George Soros의 "reflexivity" 개념에서 직접 따온 이름입니다. 시장이 펀더멘털을 반영하지만, 동시에 펀더멘털도 시장에 반응한다는 이 피드백 루프가 Reflexivity 시스템의 철학과 맞닿아 있습니다.
구체적으로, Reflexivity 시스템은 애널리스트와 PM이 실시간으로 기업이나 정부의 의사결정이 어디로 향하고 있는지 피드백을 줄 수 있게 합니다. 데이터를 통해 특정 결정이 좋은지 나쁜지를 더 빨리 파악할수록, 의사결정자가 경로를 수정할 수 있는 신호가 됩니다. 즉 "voting machine(투표 기계)"에서 "weighing machine(저울)"으로의 전환을 훨씬 짧은 시간 안에 가능하게 만드는 것이 목표입니다.
3. 창업 동기: ChatGPT 이전에 본 것
Yan은 ChatGPT 공개 이전에 이미 LLM 기술의 잠재력을 인식하고 있었습니다. 초기 작업은 LLM뿐 아니라 AI의 다른 측면에도 기반했고, 지금도 그렇습니다.
핵심 직관은 금융 데이터에 담긴 가치를 대규모로 풀어낼 수 있는 기술이라는 것이었습니다. 그 근거는 인간 애널리스트와 LLM의 분석 방식 차이입니다.
인간 애널리스트는 선형적으로 분석합니다: 헤드라인을 보고 → 한 단계씩 파급효과를 추론합니다. "유가 상승 → 인플레이션에 나쁨 → 금리 인상 → 멀티플 하락" 이런 식으로요.
반면 LLM은 다차원 합성(multi-dimensional synthesis)을 합니다: 유가 상승이라는 하나의 이벤트에 대해 에탄올-가솔린 밸런스, 시추업체 수혜, 생산자 수혜, 금리 상승, 커브 스티프닝 등을 동시에 처리합니다. 이것이 데이터의 풍요 속에서 점들을 연결하는 훨씬 빠른 방법이라고 봤습니다.
4. 글로벌 매크로의 "작은 N" 문제와 AI의 해법
글로벌 매크로 투자에서는 2-10 커브 역전 → 리세션 같은 가설을 N=10 정도의 샘플로 검증해야 하는데, 다른 학문 분야에서는 웃음거리가 될 수준입니다. AI가 이 문제를 두 가지로 해결할 수 있다고 봅니다.
첫째, "유사성"의 재정의를 통한 N 확장. 예를 들어 브라질의 초인플레이션만 연구하면 샘플이 극히 적지만, "유사한 펀더멘털을 가진 이머징 국가들의 위기 경험"이라는 더 넓은 데이터셋을 구성하면 N을 늘릴 수 있습니다. AI가 "유사하다"의 기준을 더 정교하게 정의할 수 있습니다.
둘째, 경제적 논리에 대한 깊은 이해가 있으면 큰 N이 불필요. 큰 샘플이 필요한 이유는 드라이버를 완전히 이해하지 못하기 때문입니다. 반면 메커니즘을 이해하면 7~8개 사례만으로도 충분합니다.
Yan이 든 예시: 오일 선물의 극단적 contango가 현물 가격의 바닥 신호인 이유는, 생산자들이 원유를 땅에 놔두고 선물을 매도하면서 오늘의 공급에 실제 ...
