Jump Trading amplia la recerca quantitativa amb ChatGPT

Com a empresa de negociació quantitativa, Jump Trading crea models predictius que utilitzen dades de mercat, notícies i esdeveniments, i diverses fonts de dades alternatives per fer les millors prediccions possibles sobre els preus dels actius. Com que els mercats són complexos, tenen molt de soroll i canvien amb el temps, poques vegades es pot anticipar amb exactitud què passarà. Però, segons Lucas Baker, responsable d'R+D en LLM a Jump, fer prediccions a gran escala amb un encert lleugerament superior al de llançar una moneda ja és suficient perquè una estratègia tingui èxit.

Baker dirigeix la recerca i el desenvolupament de sistemes d'agents, i se centra a crear els agents, els entorns d'execució i la infraestructura que permeten als investigadors quantitatius explorar les seves idees amb més amplitud i profunditat. La incorporació de GPT‑6 Astra ha ampliat enormement l'escala i la complexitat dels fluxos de treball que es poden delegar als agents, des de la programació quotidiana fins a estudis quantitatius avançats per validar noves hipòtesis.

Durant l'últim any, la IA ha passat de ser una eina útil per escriure fragments de codi puntuals o trobar petits errors a ser un sistema competent i versàtil, capaç de desenvolupar bases de codi i serveis sencers per si sol. Ara, Baker i el seu equip constaten que la IA funciona millor quan la tracten més com un company de feina. Els investigadors poden definir un problema clau, un entorn de treball i una manera d'avaluar la qualitat i la rellevància dels resultats, i després orientar un o diversos agents en temps real sobre on centrar l'anàlisi o quina tasca executar a continuació.

Baker afirma que, amb GPT‑6 Astra, els agents ja no només són capaços de trobar canvis significatius i pràctics, sinó també de combinar i acumular aquestes millores en un procés de millora recursiva. Durant una sola tasca de llarga durada, el sistema pot analitzar les seves troballes, valorar-les segons els criteris acordats en una proposta inicial i reorientar activament els seus esforços, sense que calgui una persona que analitzi cada ronda de canvis. Tal com explica: "Pots definir una tasca que s'hagi d'executar durant dies, que hagi de recórrer a moltes fonts de dades, prendre decisions subtils sobre què és important i què no, i interrelacionar-ho tot per crear una anàlisi exhaustiva. Ara això funciona de debò."

Jump Trading opera en tots els horitzons temporals i amb totes les classes d'actius. Cada pas del procés és complex i, en un sector tan regulat com el financer, els errors poden tenir conseqüències tant econòmiques com de compliment normatiu. Baker afirma que és essencial ser conscient dels riscos de confiar feina a la IA, però també destaca que la intel·ligència dels agents es pot aplicar a millorar la qualitat, la seguretat i la supervisió, no només a afegir funcionalitats. Un disseny sòlid del sistema amb límits ben definits, restriccions clares, una infraestructura que faciliti orientar i observar el funcionament del sistema, i la revisió humana dels canvis ajuden l'equip de Jump Trading a garantir que els fluxos de treball amb IA estiguin preparats per créixer en un entorn regulat.

"El que ens dona confiança és disposar d'un entorn segur on l'agent o el sistema tingui llibertat per generar qualsevol resultat que necessiti, però que al final també hi hagi un procés de revisió humana en què es faci la validació crítica amb aprovació humana", explica. Per exemple, si un agent genera un senyal de negociació, se'n delimita l'abast i es revisa com qualsevol altre resultat: es tracta com un senyal, generalment informatiu però potencialment erroni, i s'integra amb tots els altres senyals en un entorn d'execució sotmès a revisió i control rigorosos.

Baker creu que avancem cap a un món on la "recerca autònoma", és a dir, la millora recursiva de sistemes mesurables per part d'agents investigadors, serà tan habitual que es considerarà simplement una part del flux de treball ordinari d'un investigador quantitatiu. Avui, fins i tot les tasques més llargues de GPT‑6 Astra encara impliquen consultes periòdiques amb la persona que defineix la tasca: no només per determinar quines dades cal obtenir, quant de temps ha de durar l'execució i què es considera important, sinó també per comprovar si els resultats intermedis tenen sentit. La recerca autònoma avançada continuaria partint d'un sistema definit per persones, que inclouria les entrades, la definició de l'entorn, les mètriques d'avaluació, els equilibris entre objectius i les prioritats generals, però confiaria la resta del procés a una "flota" d'agents amb una estructura flexible, coordinats al seu torn per altres agents. Dins d'un procés de recerca ben estructurat, aquests agents podrien prendre decisions intel·ligents sobre com explorar idees, assignar temps de càlcul i integrar troballes prometedores, tot partint de poc més que una pregunta oberta.

"Com serà poder connectar tot això de principi a fi, plantejar una pregunta general de la qual ni tu mateix saps la resposta i obtenir un resultat útil?", es pregunta. "Si pots resoldre un problema del mil·lenni, probablement també pots descobrir coses força interessants sobre les finances quantitatives."

Cada any ha portat no només avenços constants en els resultats de les proves de referència, sinó també salts qualitatius en el tipus de feina que els models eren capaços de fer. Sovint era difícil preveure aquests avenços fins i tot amb mesos d'antelació: mentre que el 2024 es considerava impressionant que els primers agents escrivissin un sol fitxer sense errors, el 2025 ja es podien crear bases de codi senceres des de zero, i el 2026, avançar en qüestions de recerca obertes amb molts agents col·laborant dinàmicament, colze a colze. "Què tindrem l'any que ve?", diu. "És una perspectiva realment increïble."