Jump Trading amplía la investigación cuantitativa con ChatGPT

Como firma de trading cuantitativo, Jump Trading crea modelos predictivos que utilizan datos de mercado, noticias y acontecimientos, además de diversas fuentes de datos alternativas, para predecir con la mayor precisión posible los precios de los activos. Como los mercados son complejos, están llenos de ruido y cambian con el tiempo, rara vez es posible anticipar con exactitud lo que va a ocurrir. Pero, según Lucas Baker, responsable de I+D de LLM en Jump, basta con hacer predicciones ligeramente mejores que el azar a gran escala para lograr una estrategia de éxito.

Baker dirige la investigación y el desarrollo de sistemas de agentes y se centra en crear los agentes, arneses e infraestructuras que permiten a los investigadores cuantitativos explorar sus ideas con mayor amplitud y profundidad. La incorporación de GPT‑6 Astra ha aumentado enormemente la escala y la complejidad de los flujos de trabajo que pueden delegarse en agentes, desde tareas cotidianas de programación hasta estudios cuantitativos avanzados para validar nuevas hipótesis.

En el último año, la IA ha pasado 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 observan que la IA funciona mejor cuando se la trata más como a un compañero de trabajo. 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 después orientar a uno o varios agentes en tiempo real sobre dónde centrar el análisis o qué tarea ejecutar a continuación.

Baker afirma que, con GPT‑6 Astra, los agentes ya no solo pueden encontrar cambios relevantes y prácticos, sino también combinar y acumular esos avances en un proceso de mejora recursiva. En el transcurso de una sola tarea de larga duración, el sistema puede analizar sus hallazgos, evaluarlos según los criterios acordados en una propuesta inicial y reorientar activamente sus esfuerzos, sin necesidad de que una persona analice cada ronda de cambios. Como explica Baker: «Puedes definir una tarea que deba ejecutarse durante días, consultar muchas fuentes de datos, tomar decisiones sutiles sobre qué es importante y qué no, y relacionarlo todo entre sí para elaborar un análisis exhaustivo. Ahora eso funciona de verdad».

Jump Trading trabaja con todos los horizontes temporales y 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 afirma que es fundamental ser conscientes de los riesgos que supone confiar tareas a la IA, pero también señala que la inteligencia de los agentes puede aplicarse a mejorar la calidad, la seguridad y la supervisión, no solo a añadir funciones. Un diseño sólido del sistema, límites y restricciones claros, una infraestructura que facilite el control y la observabilidad, y la revisión humana de los cambios ayudan al equipo de Jump Trading a garantizar que los flujos de trabajo basados en IA estén listos para ampliarse en un entorno regulado.

«Si tienes un entorno seguro en el que el agente o el sistema puede generar libremente cualquier resultado que necesite, pero al final también hay un proceso de revisión humana en el que se realiza la validación crítica y una persona da el visto bueno, eso es lo que nos da confianza», explica. Por ejemplo, si un agente genera una señal de trading, se delimita su alcance y se revisa igual que cualquier otro resultado: como una señal que suele aportar información, pero que podría ser errónea, y que se integra con todas las demás en un entorno de ejecución sujeto a una revisión y un control rigurosos.

Baker cree que nos dirigimos hacia un mundo en el que la «investigación autónoma», es decir, la mejora recursiva de sistemas medibles por parte de agentes investigadores, estará tan extendida que se considerará una parte más del trabajo habitual de un investigador cuantitativo. Hoy, incluso los trabajos de mayor duración de GPT‑6 Astra siguen requiriendo consultas periódicas con la persona que define la tarea, no solo para decidir qué datos obtener, cuánto tiempo dedicarle o 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, con sus datos de entrada, entorno, métricas de evaluación, equilibrios entre objetivos y 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 ello partiendo de poco más que una pregunta abierta.

«¿Qué ocurre cuando puedes conectar todo esto de principio a fin, plantear una pregunta general cuya respuesta ni siquiera tú conoces y obtener un resultado útil?», se 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 los resultados de las pruebas de referencia, sino también saltos cualitativos en el tipo de trabajo que los modelos podían realizar. A menudo, estos avances eran difíciles de prever incluso con unos meses de antelación: mientras que en 2024 se consideraba impresionante que los primeros agentes escribieran un solo archivo sin errores, en 2025 ya era posible crear bases de código completas desde cero y, en 2026, avanzar en cuestiones de investigación abiertas con numerosos agentes colaborando de forma dinámica. «¿Qué tendremos el año que viene?», plantea. «Es una perspectiva realmente increíble».