Jump Trading разширява количествените изследвания с ChatGPT

Като компания за търговия с количествени методи, Jump Trading създава прогнозни модели, които използват пазарни данни, новини и събития, както и различни алтернативни източници на данни, за да предвиждат възможно най-точно цените на активите. Тъй като пазарите са сложни, изпълнени с шум и се променят с времето, рядко е възможно да се предвиди точно какво ще се случи. Но според Лукас Бейкър, ръководител на научноизследователската и развойната дейност за големи езикови модели в Jump, при достатъчно голям мащаб дори прогнози, малко по-точни от хвърлянето на монета, са достатъчни за успешна стратегия.

Бейкър ръководи изследванията и разработките в областта на агентните системи. Той се фокусира върху създаването на агенти, рамки и инфраструктура, които позволяват на изследователите в областта на количествените методи да проучват идеите си по-широко и по-задълбочено. Добавянето на GPT‑6 Astra значително увеличи мащаба и сложността на работните процеси, които могат да бъдат възлагани на агенти — от ежедневното програмиране до задълбочени количествени изследвания за проверка на нови хипотези.

През изминалата година ИИ се превърна от полезен инструмент за писане на отделни фрагменти код или откриване на дребни грешки в мощна, многофункционална система, която може самостоятелно да разработва цели кодови бази и услуги. Сега Бейкър и екипът му установяват, че ИИ работи най-добре, когато се отнасят към него по-скоро като към колега. Изследователите могат да определят основния проблем, работната среда и начина за оценяване на качеството и значимостта на резултатите, а след това в реално време да насочват един или повече агенти къде да съсредоточат анализа или коя задача да изпълнят след това.

Бейкър казва, че с GPT‑6 Astra агентите вече могат не само да откриват значими и практически приложими промени, но и да съчетават и надграждат тези успехи в процес на рекурсивно подобряване. В рамките на една продължителна задача системата може да анализира откритията си, да ги оценява спрямо договорените в първоначалното предложение критерии и активно да пренасочва усилията си, вместо да се налага човек да анализира всеки пореден набор от промени. Както той обяснява: „Можете да зададете задача, чието изпълнение отнема дни — тя изисква данни от много източници, фина преценка кое е важно и кое не и свързване на всичко това в едно цяло. Вече наистина е възможно така да се получи цялостен анализ.“

Jump Trading работи с всички времеви хоризонти и класове активи. Всяка стъпка от процеса е сложна, а в силно регулиран сектор като финансите грешките могат да имат както финансови последици, така и последици за спазването на нормативните изисквания. Бейкър подчертава колко е важно да се осъзнават рисковете при възлагане на работа на ИИ. Същевременно интелигентните агентни системи могат да се използват и за подобряване на качеството, сигурността и наблюдението, а не само за добавяне на функционалности. Надеждното проектиране на системите, добре очертаните им граници, ясните ограничения, инфраструктурата, която улеснява управлението и наблюдението, и човешкият преглед на промените помагат на екипа на Jump Trading да гарантира, че работните процеси с ИИ са готови за разрастване в регулирана среда.

„Увереност ни дава това, че имаме безопасна среда, в която агентът или системата може свободно да генерира всички необходими резултати, но накрая има и процес на преглед от човек, който извършва ключовите проверки и дава одобрението си“, казва той. Например, ако агент генерира търговски сигнал, обхватът му се определя и той се преглежда като всеки друг резултат: като сигнал, който обикновено е информативен, но може да е погрешен, и който се съчетава с всички останали сигнали в среда за изпълнение, подложена на строги проверки и контрол.

Бейкър смята, че се движим към свят, в който „автоматизираното изследване“ — рекурсивното подобряване на системи с измерими показатели от агенти изследователи — ще стане толкова разпространено, че ще се възприема просто като част от обичайния работен процес на изследователя в областта на количествените методи. Днес дори най-продължителната работа на GPT‑6 Astra все още включва редовни сверявания с човека, който задава задачата — не само какви данни да се извлекат, колко дълго да продължи изпълнението и какво се смята за важно, но и дали междинните резултати са смислени. По-усъвършенстваното автоматизирано изследване пак би започвало със система, определена от човек — включително входни данни, описание на средата, показатели за оценка, компромиси и общи приоритети. Останалата част от процеса обаче би се възлагала на свободно организиран „флот“ от агенти, координирани от други агенти. В рамките на добре структуриран изследователски процес тези агенти биха могли да вземат интелигентни решения как да проучват идеи, да разпределят изчислително време и да интегрират обещаващи открития — като за начало им е нужен почти само един отворен въпрос.

„Как би изглеждало всичко това, ако го свържете в цялостен процес, зададете общ въпрос, на който дори вие не знаете отговора, и получите полезен резултат?“ — пита той. „Ако можете да решите една от задачите на хилядолетието, вероятно можете да откриете и доста интересни факти за количествените методи във финансите.“

Всяка година носи не само постоянен напредък в резултатите от сравнителните тестове, но и качествени скокове във видовете работа, които моделите могат да извършват. Често тези промени бяха трудни за предвиждане дори само няколко месеца по-рано: през 2024 г. се смяташе за впечатляващо ранните агенти да напишат един файл без грешки, през 2025 г. стана възможно да се създават цели кодови бази от нулата, а през 2026 г. — да се постига напредък по отворени изследователски въпроси чрез динамичното сътрудничество на множество агенти. „С какво ще разполагаме догодина?“ — пита той. „Перспективата е наистина невероятна.“