1. “AI에게 어떤 주식을 살지 묻기”가 아니라 “연구소 자체를 AI화하기”
자율 투자에서 핵심은 챗봇에게 오늘 살 종목을 묻는 것이 아니다.
진짜 변화는 연구 루프 자체의 자동화다.
아이디어 수집, 가설화, 코드 작성, 데이터 검증, 실패 폐기, 생존 전략 비교, 포트폴리오 추가, 다시 탐색.
기존 알고리즘 트레이딩이 “사람이 전략을 만들고 기계가 실행”이었다면, 이제는 “사람이 연구 방향과 평가 기준을 정하고 AI가 연구원처럼 대량 실험”하는 형태에 가까워진다.
점집이 아니다.
24시간 연구소다.
연구원은 잠을 자지 않는다. 가끔 rate limit에서 쓰러질 뿐이다.
2. J-Quants의 진짜 가치는 예측력이 아니라 연구 시작 전 귀찮음을 줄이는 데 있다
일본 주식 퀀트 연구에서는 실제 아이디어보다 데이터 수집과 정리가 더 큰 마찰이 되기 쉽다.
종목 정보, 가격, 재무, 신용, 공매도, 배당, 선물, 옵션이 여러 곳에 흩어지면 가설을 떠올리고도 검증 전에 체력이 먼저 상장폐지된다.
J-Quants는 표준화된 데이터를 API로 제공해 이 거리를 줄인다.[1]
2026년 10월 1일 기준 Standard는 월 3,300엔, Premium은 16,500엔이다. Premium은 이용 가능한 전체 기간과 더 넓은 데이터에 접근한다.
16,500엔을 내면 알파를 사는 것이 아니다.
CSV 유적 발굴 시간을 줄이는 것이다.
API가 안정되면 에이전트는 가설 직후 데이터 수집, Python 구현, 백테스트, 결과 저장까지 연속으로 진행할 수 있다.
3. 구현이 희소하지 않으면 아이디어와 평가가 희소해진다
예전에는 아이디어 열 개가 있어도 실제 구현은 한두 개가 한계였다.
코딩, 디버깅, API 문서, 데이터 정리, 시각화가 자연스러운 브레이크였다.
강한 코딩 에이전트는 이 브레이크를 크게 약화시킨다.
“이거 해봐.”
“구현했습니다.”
“조건 바꿔.”
“완료.”
“워크포워드도.”
“완료.”
생각을 코드로 바꾸는 요정이 나타난 것이다.
그리고 곧 새로운 문제가 생긴다.
쓸 만한 생각이 부족하다.
AI가 아이디어까지 대량 생성하기 시작하면 다음 병목은 선택이다.
결국 구현력보다 탐색 공간 설계, 반증, 평가 함수가 중요해진다.
4. 가장 위험한 능력은 쓰레기 전략 1,000개를 광속으로 만드는 것
자율 연구는 발견뿐 아니라 과적합도 빠르게 만든다.
비슷한 전략을 수백 개 만들고 우연히 잘 나온 것만 남기면 백테스트에서는 천재 펀드가 된다.
실전에서는 멸종 다큐가 될 수 있다.
그래서 필요한 것은 더 많은 아이디어보다 더 강한 탈락 장치다.
아웃오브샘플, 워크포워드, 거래비용, 슬리피지, 연도별 안정성, 레짐 민감도, 기존 전략과의 상관, 회전율, 유동성, 용량, 중복 아이디어 검출이 기본 게이트가 된다.
AI 연구원 100명을 고용한다면 인사팀보다 쓰레기통을 먼저 키워야 한다.
탈락 기준이 없는 연구소는 백테스트 동물원이다.
5. 2026년 기준 진지하게 돌리면 얼마인가
J-Quants Standard는 월 3,300엔, Premium은 16,500엔이다.[1]
Claude Max는 Max 5x가 월 100달러, Max 20x가 200달러이며 Claude Code 접근을 포함한다.[2][3]
하지만 200달러가 24시간 무제한 이용권은 아니다. 5시간 세션 제한과 주간 제한이 있다.[2]
2026년 6월 15일부터 Agent SDK와 claude -p는 대상 사용자에게 별도 월간 크레딧이 적용된다. Max 5x는 100달러, Max 20x는 200달러다.[4]
API는 Sonnet 5.5가 입력 2달러/MTok, 출력 10달러, Opus 5.5가 4/20달러다.[5] GPT-6.1 Sol도 Standard 기준 2/10달러, Astra는 10/50달러다.[6]
AI 연구원과 AI 연구부장은 같은 인건비가 아니다.
6. 월 90만 엔은 과장인가? 충분히 만들 수 있다
2/10달러 모델을 캐시 없이 쓰면 월 50M 입력+5M 출력은 약 150달러, 200M+20M은 600달러, 500M+50M은 1,500달러다.
그런데 10/50달러급을 같은 감각으로 쓰면 50M+5M은 750달러, 200M+20M은 3,000달러, 400M+40M은 6,000달러다.
환율을 1달러 150엔으로 단순화하면 6,000달러는 약 90만 엔이다.
공상과학이 아니다.
비싼 모델을 병렬로 오래 돌리면 그냥 나온다.
캐시, Batch, 저가 모델 라우팅, early stop으로 크게 줄일 수 있지만 긴 컨텍스트, 툴 호출, 재시도, 실패한 에이전트 방치로 다시 커진다.
따라서 질문은 “API 단가 얼마?”가 아니라 “월 몇 번의 연구 루프를 허용할 것인가?”다.
7. 단가는 내려갈 수 있다. 총지출은 올라갈 수 있다
Epoch AI는 2026년 9월, 같은 수준의 AI 성능을 얻는 비용이 2023년 이후 분기당 약 47%, 연 환산 약 13배 속도로 하락했다고 분석했다.[7]
이 속도가 영원히 이어진다는 보장은 없다.
그러나 같은 능력의 가격이 빠르게 내려온 방향은 분명하다.
그렇다고 총 AI 비용도 내려갈까?
한 작업의 비용은 내려갈 수 있다.
하지만 싸졌기 때문에 더 많이 돌린다.
1개 에이전트 10개 아이디어가 100개 에이전트의 100개 아이디어, 비판 에이전트, 메타 에이전트로 늘어난다.
제번스 역설과 비슷하다.
AI는 싸진다.
우리는 훨씬 더 많이 쓴다.
8. 가장 똑똑한 모델을 사는 사람이 아니라 지능을 잘 배차하는 사람이 이길 수 있다
모든 작업을 최고가 모델에 보낼 이유는 없다.
그렇게 하면 연구 시스템이 아니라 청구서 생성 시스템이 된다.
저가 모델로 가설을 넓게 만들고, Python과 SQL로 기계적으로 거를 것은 거르고, 강한 중간급 모델로 구현과 수정, 해석을 하고, 통계 게이트를 통과한 소수만 최고 모델에 반증시킨다.
수치 반복은 CPU와 배치 컴퓨팅에 맡긴다.
LLM은 프로그램을 쓰고, 컴퓨터가 반복하게 한다.
비싼 모델을 작업자로 쓰지 말자.
연구부장으로 쓰자.
앞으로의 핵심은 “어떤 일에 어떤 지능 단가를 배정할 것인가”다.
결론
자율 에이전트와 J-Quants는 개인의 일본 주식 시스템 연구 진입 장벽을 크게 낮춘다.
데이터, 구현, 검증, 보고가 자동화될수록 사람의 역할은 직접 작업에서 탐색 공간 설계와 평가로 이동한다.
다음 병목은 AI 사용료다.
하지만 미래는 단순히 AI가 비싸지는 방향만은 아닐 것이다.
같은 성능의 단가는 내려가고, 가능한 일은 늘고, 원하는 사용량은 더 빠르게 늘며, 총지출은 오를 수 있다.
미래의 질문은 “AI가 얼마인가?”가 아니다.
“이 연구소는 한 달에 얼마어치 지능을 사야 한계가치가 유지되는가?”다.
구현의 벽이 무너지면 자유가 나온다.
그 자유 옆에는 사용 내역서가 서 있다.
