Kako Jump Trading širi kvantitativna istraživanja uz ChatGPT

Kao kompanija za kvantitativno trgovanje, Jump Trading razvija prediktivne modele koji koriste tržišne podatke, vijesti i događaje te niz alternativnih izvora podataka kako bi što preciznije predvidjeli cijene imovine. Budući da su tržišta složena, puna šuma i promjenjiva, rijetko je moguće tačno predvidjeti šta će se dogoditi. Ali prema riječima Lucasa Bakera, rukovodioca istraživanja i razvoja LLM-a u kompaniji Jump Trading, predviđanja koja su makar malo bolja od bacanja novčića dovoljna su za uspješnu strategiju kada se primjenjuju u velikom obimu.

Baker vodi istraživanje i razvoj agentskih sistema, s fokusom na izgradnju agenata, harnessa i infrastrukture koji istraživačima u oblasti kvantitativnih finansija omogućavaju da svoje ideje istražuju šire i dublje. Uvođenje modela GPT‑6 Astra znatno je povećalo obim i složenost radnih procesa koji se mogu prepustiti agentima, od svakodnevnog programiranja do naprednih kvantitativnih studija za provjeru novih hipoteza.

Tokom protekle godine, umjetna inteligencija je od korisnog alata za pisanje pojedinačnih isječaka koda ili pronalaženje sitnih grešaka postala sposoban, svestran sistem koji može samostalno razvijati čitave baze koda i servise. Baker i njegov tim sada uviđaju da umjetna inteligencija najbolje radi kada joj se pristupa više kao kolegi. Istraživači mogu definirati ključni problem, radno okruženje i način procjene kvaliteta i značaja rezultata, a zatim u stvarnom vremenu usmjeravati jednog ili više agenata na to gdje da fokusiraju analizu ili koji zadatak da sljedeći pokrenu.

Baker kaže da uz GPT‑6 Astra agenti sada mogu ne samo pronalaziti smislene i praktične izmjene nego i povezivati te pomake i nadograđivati ih u procesu rekurzivnog poboljšavanja. Tokom jednog dugotrajnog zadatka, sistem može analizirati svoje nalaze, procjenjivati ih prema dogovorenim kriterijima iz početnog prijedloga i aktivno preusmjeravati svoj rad, umjesto da čovjek mora analizirati svaki krug izmjena. Kako objašnjava: „Možete definirati zadatak koji treba trajati danima — mora prikupljati podatke iz mnogih izvora, pažljivo procjenjivati šta je važno, a šta nije, i sve to međusobno povezati — kako bi nastala sveobuhvatna analiza koja sada zaista funkcionira.“

Jump Trading posluje na svim vremenskim horizontima i sa svim klasama imovine. Svaki korak procesa je složen, a u strogo reguliranoj djelatnosti poput finansija greške mogu imati i finansijske posljedice i posljedice po usklađenost s propisima. Baker kaže da je ključno biti svjestan rizika koji nastaju povjeravanjem posla umjetnoj inteligenciji, ali i da se inteligencija agenata može koristiti za poboljšanje kvaliteta, sigurnosti i nadzora, a ne samo za dodavanje funkcionalnosti. Dobro osmišljen sistem s jasno postavljenim granicama i ograničenjima, infrastruktura koja olakšava usmjeravanje i praćenje te ljudski pregled izmjena pomažu timu kompanije Jump Trading da osigura da su radni procesi potpomognuti umjetnom inteligencijom spremni za širu primjenu u reguliranom okruženju.

„Ako imate sigurno okruženje u kojem agent ili sistem može slobodno proizvesti bilo koji potreban rezultat, ali i završni postupak ljudskog pregleda u kojem se obavlja ključna provjera uz ljudsko odobrenje, to nam ulijeva povjerenje“, kaže on. Naprimjer, ako agent proizvede signal za trgovanje, njegov opseg se određuje i on se pregleda kao i svaki drugi rezultat: kao signal koji je obično informativan, ali može biti pogrešan, te se povezuje sa svim ostalim signalima u okruženju za izvršavanje koje se strogo provjerava i kontrolira.

Baker smatra da idemo prema svijetu u kojem će „automatsko istraživanje“, odnosno rekurzivno poboljšavanje sistema s mjerljivim rezultatima koje provode agenti istraživači, postati toliko rašireno da će se smatrati tek dijelom uobičajenog rada istraživača u oblasti kvantitativnih finansija. Danas čak i najdugotrajniji rad modela GPT‑6 Astra i dalje uključuje redovne konsultacije s osobom koja definira zadatak — ne samo o tome koje podatke prikupljati, koliko dugo raditi i šta se smatra važnim nego i o tome imaju li međurezultati smisla. Napredno automatsko istraživanje i dalje bi počinjalo sistemom koji definira čovjek, uključujući ulazne podatke, definiciju okruženja, metrike za procjenu, kompromise i opće prioritete, ali bi ostatak procesa bio povjeren labavo organiziranoj „floti“ agenata koje koordiniraju drugi agenti. U dobro strukturiranom istraživačkom procesu, ti agenti mogli bi donositi promišljene odluke o tome kako istraživati ideje, raspoređivati računarsko vrijeme i objedinjavati obećavajuće nalaze, polazeći od gotovo ničeg drugog osim otvorenog pitanja.

„Kako to izgleda kada sve ovo možete povezati od početka do kraja, postaviti opće pitanje na koje ni sami ne znate odgovor i dobiti koristan rezultat?“, pita se on. „Ako možete riješiti jedan od Milenijskih problema, vjerovatno možete otkriti i neke prilično zanimljive činjenice o kvantitativnim finansijama.“

Svaka godina donijela je ne samo stalan napredak u rezultatima referentnih testova nego i velike pomake u vrstama poslova koje su modeli mogli obavljati. Takav razvoj često je bilo teško predvidjeti čak i nekoliko mjeseci unaprijed: dok se 2024. smatralo impresivnim da rani agenti napišu jednu datoteku bez grešaka, 2025. postalo je moguće izraditi čitave baze koda od nule, a 2026. ostvariti napredak u otvorenim istraživačkim pitanjima uz dinamičnu saradnju brojnih agenata. „Šta ćemo imati sljedeće godine?“, pita se on. „Pred nama su zaista nevjerovatne mogućnosti.“