Jump Trading amplía su investigación cuantitativa con ChatGPT

Como firma de operaciones bursátiles cuantitativas, Jump Trading crea modelos predictivos que utilizan datos de mercado, noticias, acontecimientos y diversas fuentes de datos alternativos para hacer las mejores predicciones posibles sobre los precios de los activos. Dado que los mercados son complejos, están llenos de ruido y cambian con el tiempo, rara vez es posible anticipar exactamente qué sucederá. Pero, según Lucas Baker, director de I+D de LLM en Jump, basta con hacer predicciones a gran escala con una precisión apenas superior a la del azar para lograr una estrategia exitosa.

Baker dirige la investigación y el desarrollo de sistemas de agentes, y se enfoca en crear los agentes, los arneses de ejecución y la infraestructura que permiten a los investigadores cuantitativos explorar sus ideas con mayor amplitud y profundidad. La incorporación de GPT‑6 Astra ha ampliado drásticamente la escala y la complejidad de los flujos de trabajo que pueden delegarse a los agentes, desde la programación cotidiana hasta los estudios cuantitativos avanzados para validar nuevas hipótesis.

Durante el último año, la IA pasó de ser una herramienta útil para escribir fragmentos de código puntuales o encontrar pequeños errores a convertirse en un sistema capaz y versátil que puede desarrollar bases de código y servicios completos por sí solo. Ahora, Baker y su equipo consideran que la IA funciona mejor cuando se la trata más como a un colega. Los investigadores pueden definir un problema clave, un entorno de trabajo y una forma de evaluar la calidad y la relevancia de los resultados, y luego orientar en tiempo real a uno o varios agentes sobre dónde centrar el análisis o qué tarea ejecutar a continuación.

Baker afirma que, con GPT‑6 Astra, los agentes ahora pueden no solo identificar cambios relevantes y prácticos, sino también combinar y acumular esos avances en un proceso de mejora recursiva. Durante una sola tarea de larga duración, el sistema puede analizar sus hallazgos, evaluarlos según los criterios acordados en una propuesta inicial y redirigir activamente sus esfuerzos, en lugar de necesitar que una persona analice cada ronda de cambios. Como él explica: “Puedes definir una tarea que deba ejecutarse durante días, que necesite recurrir a muchas fuentes de datos, tomar decisiones sutiles sobre qué es importante y qué no, y relacionarlo todo para crear un análisis integral. Ahora eso realmente funciona”.

Jump Trading opera en todos los horizontes temporales y con todas las clases de activos. Cada paso del proceso es complejo y, en un sector tan regulado como el financiero, los errores pueden tener consecuencias tanto económicas como de cumplimiento normativo. Baker sostiene que es fundamental conocer los riesgos de confiar trabajo a la IA, pero también señala que la inteligencia de los agentes puede aplicarse para mejorar la calidad, la seguridad y la supervisión, no solo para agregar funciones. Un diseño sólido del sistema con límites bien definidos, restricciones claras, una infraestructura que facilite la orientación y la observabilidad, y la revisión humana de los cambios ayudan al equipo de Jump Trading a garantizar que los flujos de trabajo con IA estén listos para ampliarse en un entorno regulado.

“Si tienes un entorno seguro donde el agente o el sistema puede generar cualquier resultado que necesite, pero también hay un proceso de revisión humana al final, con una validación crucial y aprobación humana, eso es lo que nos da confianza”, afirma. Por ejemplo, si un agente genera una señal de negociación, se delimita su alcance y se revisa como cualquier otro resultado: como una señal, generalmente informativa pero potencialmente errónea, que se integra con todas las demás señales en un entorno de ejecución sometido a una revisión y un control rigurosos.

Baker cree que nos dirigimos hacia un mundo donde la “investigación autónoma”, es decir, la mejora recursiva de sistemas medibles por parte de agentes investigadores, será tan común que se considerará simplemente parte del flujo de trabajo habitual de un investigador cuantitativo. Hoy, incluso los trabajos de mayor duración de GPT‑6 Astra aún requieren consultas periódicas con la persona que define la tarea, no solo para determinar qué datos obtener, cuánto tiempo ejecutarla y qué se considera importante, sino también para comprobar si los resultados intermedios tienen sentido. La investigación autónoma avanzada seguiría partiendo de un sistema definido por una persona, que incluiría los datos de entrada, la definición del entorno, las métricas de evaluación, las decisiones de compromiso y las prioridades generales, pero confiaría el resto del proceso a una “flota” de agentes con una estructura flexible, coordinados a su vez por otros agentes. Dentro de un proceso de investigación bien estructurado, estos agentes podrían tomar decisiones inteligentes sobre cómo explorar ideas, asignar tiempo de cómputo e integrar hallazgos prometedores, todo a partir de poco más que una pregunta abierta.

“¿Cómo sería conectar todo esto de principio a fin, plantear una pregunta general cuya respuesta ni siquiera tú conoces y obtener un resultado útil?”, pregunta. “Si puedes resolver un problema del milenio, probablemente también puedas descubrir cosas muy interesantes sobre las finanzas cuantitativas”.

Cada año ha traído no solo avances constantes en las mediciones de las pruebas de referencia, sino también cambios sustanciales en el tipo de trabajo que los modelos podían realizar. A menudo, estos avances eran difíciles de predecir incluso con meses de anticipación: mientras que en 2024 se consideraba impresionante que los primeros agentes escribieran un solo archivo sin errores, en 2025 fue posible crear bases de código completas desde cero y, en 2026, avanzar en preguntas de investigación abiertas con muchos agentes que colaboraban dinámicamente entre sí. “¿Qué tendremos el próximo año?”, dice. “Es una perspectiva realmente increíble”.