Jump Trading skalerer kvantitativ forskning med ChatGPT

Som kvantitativ handelsvirksomhed udvikler Jump Trading prædiktive modeller, der bruger markedsdata, nyheder og begivenheder samt en række alternative datakilder til at lave de bedst mulige forudsigelser om aktivpriser. Fordi markeder er komplekse, præget af støj og i konstant forandring, er det sjældent muligt at forudse præcis, hvad der vil ske. Men ifølge Lucas Baker, chef for LLM-forskning og -udvikling hos Jump, er forudsigelser, der blot er en smule bedre end plat eller krone, nok til at skabe en succesfuld strategi, når de bruges i stor skala.

Baker leder forskning og udvikling inden for AI-agenter og fokuserer på at bygge de agenter, harness og den infrastruktur, der giver kvantitative forskere mulighed for at udforske deres idéer i større bredde og dybde. Med GPT‑6 Astra er det blevet muligt at overlade langt større og mere komplekse arbejdsgange til agenter, fra daglig kodning til avancerede kvantitative undersøgelser, der skal validere nye hypoteser.

I løbet af det seneste år har AI udviklet sig fra et nyttigt værktøj til at skrive enkelte kodestykker eller finde små fejl til et kompetent og alsidigt system, der selv kan udvikle hele kodebaser og tjenester. Nu oplever Baker og hans team, at AI fungerer bedst, når den i højere grad behandles som en kollega. Forskere kan definere en central problemstilling, et arbejdsmiljø og en metode til at vurdere resultaternes kvalitet og betydning. Derefter kan de i realtid vejlede en eller flere agenter om, hvor analysen skal fokusere, eller hvilken opgave der skal køres som den næste.

Baker fortæller, at agenter med GPT‑6 Astra nu ikke blot kan finde frem til meningsfulde og praktisk anvendelige ændringer, men også kombinere og bygge videre på disse fremskridt i en rekursiv forbedringsproces. Under en enkelt langvarig opgave kan systemet analysere sine resultater, vurdere dem ud fra de aftalte kriterier i det oprindelige oplæg og aktivt ændre retning for sin indsats, uden at en person skal analysere hver runde af ændringer. Som han udtrykker det: »Du kan definere en opgave, der skal køre i flere dage – den skal hente data fra mange kilder, foretage nuancerede vurderinger af, hvad der er vigtigt, og hvad der ikke er, og sætte det hele i sammenhæng – for at skabe en omfattende analyse. Det fungerer faktisk nu.«

Jump Trading arbejder på tværs af alle tidshorisonter og aktivklasser. Hvert trin i processen er komplekst, og i en stærkt reguleret branche som finanssektoren kan fejl både have økonomiske konsekvenser og føre til brud på reglerne. Baker understreger, at det er afgørende at være opmærksom på de risici, der opstår, når man overlader arbejde til AI. Men han påpeger også, at agentbaseret intelligens kan bruges til at forbedre kvalitet, sikkerhed og overvågning – ikke kun til at tilføje funktioner. Solidt systemdesign med veldefinerede rammer, klare begrænsninger, infrastruktur, der gør systemerne nemme at styre og overvåge, samt menneskelig gennemgang af ændringer hjælper Jump Tradings team med at sikre, at AI-understøttede arbejdsgange er klar til at blive skaleret i et reguleret miljø.

»Hvis du har et sikkert miljø, hvor agenten eller systemet frit kan producere det output, der er brug for, men hvor der til sidst også er en menneskelig gennemgang med kritisk validering og godkendelse, så er det dét, der giver os tryghed,« siger han. Hvis en agent for eksempel producerer et handelssignal, bliver det afgrænset og gennemgået ligesom ethvert andet output: som et signal, der som regel er informativt, men kan være forkert, og som integreres med alle andre signaler i et eksekveringsmiljø under streng kontrol og grundig gennemgang.

Baker mener, at vi er på vej mod en verden, hvor »automatisk forskning« – altså forskningsagenters rekursive forbedring af målbare systemer – bliver så udbredt, at det blot betragtes som en del af en kvantitativ forskers normale arbejdsgang. I dag indebærer selv GPT‑6 Astras mest langvarige opgaver stadig regelmæssig afstemning med den person, der definerer opgaven. Det handler ikke kun om, hvilke data der skal hentes, hvor længe opgaven skal køre, og hvad der er vigtigt, men også om, hvorvidt de foreløbige resultater giver mening. Avanceret automatisk forskning ville stadig begynde med et menneskedefineret system med input, en definition af miljøet, evalueringsmål, afvejninger og overordnede prioriteter. Resten af processen ville dog blive overladt til en løst organiseret »flåde« af agenter, som selv koordineres af andre agenter. I et velstruktureret forskningsforløb ville disse agenter kunne træffe intelligente beslutninger om, hvordan idéer skal udforskes, beregningstid fordeles og lovende resultater integreres – alt sammen med udgangspunkt i stort set kun et åbent spørgsmål.

»Hvordan ser det ud, når man kan koble alt dette sammen fra start til slut, stille et generelt spørgsmål, som man ikke engang selv kender svaret på, og få et brugbart resultat tilbage?« spørger han. »Hvis man kan løse et af årtusindproblemerne, kan man nok også finde frem til nogle ret interessante indsigter inden for kvantitativ finansiering.«

Hvert år har ikke kun budt på stabile fremskridt i benchmarkmålinger, men også på markante spring i, hvilke typer arbejde modellerne kunne udføre. Ofte var denne udvikling svær at forudsige selv få måneder i forvejen: I 2024 blev det betragtet som imponerende, når de første agenter kunne skrive en enkelt fil uden fejl. I 2025 blev det muligt at skabe hele kodebaser fra bunden, og i 2026 kunne mange agenter i dynamisk samarbejde gøre fremskridt med uafklarede forskningsspørgsmål. »Hvad kan vi så næste år?« siger han. »Det er et ret utroligt perspektiv.«