Jump Trading škáluje kvantitativní výzkum s ChatGPT

Jump Trading se zabývá kvantitativním obchodováním a vytváří prediktivní modely, které využívají tržní data, zprávy a události i řadu alternativních zdrojů dat k co nejpřesnějšímu předpovídání cen aktiv. Trhy jsou složité, plné šumu a neustále se mění, takže přesně předvídat jejich vývoj je možné jen zřídka. Podle Lucase Bakera, vedoucího výzkumu a vývoje LLM ve společnosti Jump, ale k úspěšné strategii stačí, když jsou předpovědi při dostatečně velkém počtu případů byť jen o něco přesnější než hod mincí.

Baker vede výzkum a vývoj v oblasti agentních systémů. Zaměřuje se na tvorbu agentů, harnessů a infrastruktury, které umožňují kvantitativním výzkumníkům zkoumat své nápady do větší šířky i hloubky. Zapojení GPT‑6 Astra výrazně rozšířilo rozsah i složitost pracovních postupů, které lze předat agentům: od každodenního programování až po pokročilé kvantitativní studie ověřující nové hypotézy.

Za poslední rok se AI proměnila z užitečného nástroje pro psaní jednorázových úryvků kódu či hledání drobných chyb ve schopný a všestranný systém, který dokáže samostatně vyvíjet celé kódové základny a služby. Baker a jeho tým dnes zjišťují, že AI funguje nejlépe, když k ní přistupují spíše jako ke kolegovi. Výzkumníci mohou definovat hlavní problém, pracovní prostředí a způsob hodnocení kvality a významu výsledků. Poté mohou v reálném čase vést jednoho či více agentů a určovat, na co zaměřit analýzu nebo jakou úlohu spustit dál.

Podle Bakera dnes agenti díky GPT‑6 Astra dokážou nejen nacházet smysluplné a praktické změny, ale také tyto dílčí úspěchy spojovat a stavět na nich v procesu rekurzivního zlepšování. Během jediné dlouhotrvající úlohy dokáže systém analyzovat svá zjištění, posoudit je podle kritérií dohodnutých v úvodním návrhu a sám změnit směr své práce, aniž by člověk musel vyhodnocovat každé kolo změn. Jak sám říká: „Můžete definovat úlohu, která potřebuje běžet několik dní, čerpat z mnoha zdrojů dat, citlivě rozlišovat, co je důležité a co ne, a všechno propojit. Takto už dnes skutečně dokážete získat komplexní analýzu, která opravdu funguje.“

Jump Trading obchoduje ve všech časových horizontech a se všemi třídami aktiv. Každý krok procesu je složitý a v silně regulovaném odvětví, jako jsou finance, mohou mít chyby dopad jak na finanční výsledky, tak na dodržování předpisů. Baker zdůrazňuje, že je zásadní uvědomovat si rizika spojená se svěřováním práce AI. Schopnosti agentních systémů lze ale využít i ke zlepšení kvality, zabezpečení a monitorování, nejen k přidávání funkcí. Promyšlený návrh systému s jasnými hranicemi a omezeními, infrastruktura umožňující řídit a sledovat jeho chování a lidská kontrola změn pomáhají týmu Jump Trading zajistit, že pracovní postupy s AI lze v regulovaném prostředí rozšiřovat.

„Jistotu nám dává bezpečné prostředí, ve kterém může agent nebo systém volně vytvářet jakýkoli potřebný výstup, ale na konci vždy následuje kontrola člověkem, důkladné ověření a lidské schválení,“ říká. Pokud například agent vytvoří obchodní signál, jeho rozsah a kontrola se řídí stejnými pravidly jako u kteréhokoli jiného výstupu: přistupuje se k němu jako k signálu, který obvykle přináší užitečnou informaci, ale může být chybný. S ostatními signály se propojuje v přísně kontrolovaném a řízeném prostředí pro provádění obchodů.

Baker se domnívá, že směřujeme ke světu, v němž bude „automatizovaný výzkum“ – tedy rekurzivní zlepšování systémů s měřitelnými výsledky pomocí výzkumných agentů – tak rozšířený, že se stane běžnou součástí práce kvantitativního výzkumníka. Dnes i ta nejdéle trvající práce GPT‑6 Astra stále zahrnuje pravidelné konzultace se zadavatelem úlohy. Nejde jen o to, jaká data získat, jak dlouho má úloha běžet a co je důležité, ale také o to, zda průběžné výsledky dávají smysl. I pokročilý automatizovaný výzkum by začínal systémem definovaným člověkem, včetně vstupů, vymezení prostředí, hodnoticích metrik, kompromisů a celkových priorit. Zbytek procesu by ale převzala volně uspořádaná „flotila“ agentů, které by koordinovali další agenti. V dobře strukturovaném výzkumném procesu by tito agenti dokázali inteligentně rozhodovat o tom, jak zkoumat nápady, rozdělovat výpočetní čas a začleňovat slibná zjištění. Na začátku by přitom stačilo jen o málo víc než otevřená otázka.

„Jaké to bude, až to všechno propojíte od začátku do konce, položíte obecnou otázku, na kterou ani sami neznáte odpověď, a dostanete užitečný výsledek?“ ptá se. „Pokud dokážete vyřešit některý z problémů tisíciletí, nejspíš dokážete odhalit i dost zajímavé poznatky o kvantitativních financích.“

Každý rok přinesl nejen průběžné zlepšování výsledků v benchmarcích, ale i zásadní posuny v tom, jaké druhy práce modely zvládají. Tento vývoj bylo často obtížné předvídat i jen několik měsíců dopředu. Zatímco v roce 2024 bylo působivé, když první agenti napsali jediný soubor bez chyb, v roce 2025 už dokázali vytvářet celé kódové základny od nuly. V roce 2026 pak díky dynamické spolupráci mnoha agentů dokážou posouvat řešení otevřených výzkumných otázek. „Co nás čeká příští rok?“ říká. „Je to opravdu neuvěřitelná vyhlídka.“