Jump Trading laiendab ChatGPT abil kvantitatiivset uurimistööd

Kvantitatiivse kauplemise ettevõte Jump Trading loob prognoosimudeleid, mis kasutavad turuandmeid, uudiseid ja sündmusi ning mitmesuguseid alternatiivseid andmeallikaid, et ennustada varade hindu võimalikult täpselt. Kuna turud on keerukad, mürarikkad ja ajas muutuvad, on harva võimalik täpselt ette näha, mis juhtuma hakkab. Jump Tradingu LLM-ide teadus- ja arendustegevuse juhi Lucas Bakeri sõnul piisab aga edukaks strateegiaks sellest, kui prognoosid on suures mastaabis kasvõi pisut täpsemad kui mündivise.

Baker juhib agentide teadus- ja arendustegevust ning keskendub agentide, täitmiskeskkondade ja taristu loomisele, mis võimaldavad kvantitatiivse uurimistöö tegijatel oma ideid laiemalt ja sügavamalt uurida. GPT‑6 Astra kasutuselevõtt on märkimisväärselt suurendanud agentidele usaldatavate töövoogude ulatust ja keerukust: igapäevasest programmeerimisest kuni põhjalike kvantitatiivsete uuringuteni uute hüpoteeside kontrollimiseks.

Viimase aasta jooksul on tehisintellekt muutunud abivahendist üksikute koodilõikude kirjutamiseks või väikeste vigade leidmiseks võimekaks ja mitmekülgseks süsteemiks, mis suudab iseseisvalt arendada terveid koodibaase ja teenuseid. Nüüd leiavad Baker ja tema meeskond, et tehisintellekt töötab kõige paremini siis, kui seda kohelda pigem kolleegina. Teadlased saavad määratleda keskse probleemi, töökeskkonna ning tulemuste kvaliteedi ja olulisuse hindamise viisi. Seejärel saavad nad üht või mitut agenti reaalajas suunata, näidates, millele analüüsis keskenduda või milline ülesanne järgmisena käivitada.

Bakeri sõnul suudavad agendid GPT‑6 Astraga nüüd mitte ainult leida sisulisi ja praktilisi täiustusi, vaid neid ka ühendada ning nendele toetudes süsteemi üha edasi parandada. Ühe pikaajalise ülesande käigus saab süsteem oma leide analüüsida, hinnata neid algses ettepanekus kokku lepitud kriteeriumide alusel ning oma tegevust ise ümber suunata, ilma et inimene peaks iga muudatuste ringi analüüsima. Ta selgitab: „Saad määratleda ülesande, mis peab kestma päevi: koguma andmeid paljudest allikatest, tegema peeneid otsuseid selle kohta, mis on oluline ja mis mitte, ning kõike omavahel seostama. Nii saab luua tervikliku analüüsi ja nüüd see tõepoolest toimib.“

Jump Trading tegutseb kõigis ajaskaalades ja varaklassides. Protsessi iga etapp on keerukas ning rangelt reguleeritud valdkonnas, nagu rahandus, võivad vead tuua kaasa nii rahalisi kaotusi kui ka nõuetele vastavuse probleeme. Bakeri sõnul on ülioluline teadvustada tehisintellektile töö usaldamisega kaasnevaid riske. Samas saab agentide võimekust rakendada peale uute funktsioonide lisamise ka kvaliteedi, turvalisuse ja seire parandamiseks. Läbimõeldud süsteemiarhitektuur ja piirid, selged piirangud, juhitavust ja jälgitavust toetav taristu ning muudatuste inimkontroll aitavad Jump Tradingu meeskonnal tagada, et tehisintellektil põhinevaid töövooge saab reguleeritud keskkonnas laiemalt kasutusele võtta.

„Meile annab kindlust see, kui turvalises keskkonnas saab agent või süsteem vabalt luua vajalikku väljundit, kuid protsessi lõpus vaatab inimene tulemused üle, teeb kriitilise kontrolli ja annab oma heakskiidu,“ ütleb ta. Näiteks kui agent loob kauplemissignaali, määratakse selle kasutusulatus ja vaadatakse see üle samamoodi nagu mis tahes muu väljund. Seda käsitletakse signaalina, mis on enamasti informatiivne, kuid võib olla vale, ning ühendatakse kõigi teiste signaalidega rangelt kontrollitud ja juhitud tehingute täitmise keskkonnas.

Baker usub, et liigume maailma poole, kus „autonoomne uurimistöö“ ehk mõõdetavate süsteemide korduv täiustamine teadustööd tegevate agentide abil muutub nii tavaliseks, et seda peetakse lihtsalt kvantitatiivse uurimistöö tavapärase töövoo osaks. Praegu vajab isegi GPT‑6 Astra oma kõige pikaajalisemate tööde puhul regulaarset nõupidamist ülesande määratlenud inimesega. Küsimus pole ainult selles, milliseid andmeid koguda, kui kaua töötada ja mida pidada oluliseks, vaid ka selles, kas vahetulemused on mõistlikud. Edasijõudnud autonoomne uurimistöö algaks endiselt inimese määratletud süsteemist, mis hõlmab sisendeid, keskkonna kirjeldust, hindamismõõdikuid, kompromisse ja üldisi prioriteete. Ülejäänud protsess usaldataks aga lõdva struktuuriga agentide „laevastikule“, mida koordineeriksid omakorda teised agendid. Hästi üles ehitatud uurimisprotsessis suudaksid need agendid teha arukaid otsuseid selle kohta, kuidas ideid uurida, arvutusaega jaotada ja paljulubavaid leide rakendada, vajades lähtepunktiks peaaegu ainult avatud küsimust.

„Kuidas näeb see välja siis, kui saad kõik need etapid tervikuks ühendada, esitada üldise küsimuse, mille vastust sa isegi ei tea, ja saada tagasi kasuliku tulemuse?“ küsib ta. „Kui suudad lahendada ühe aastatuhande probleemidest, suudad tõenäoliselt avastada ka üsna huvitavaid tõsiasju kvantitatiivse rahanduse kohta.“

Iga aasta on toonud lisaks võrdlustestide tulemuste järjekindlale paranemisele ka suuri hüppeid selles, millist tööd mudelid suudavad teha. Sageli oli neid arenguid raske ette näha isegi mõni kuu varem. Kui 2024. aastal peeti muljetavaldavaks seda, et esimesed agendid suutsid ühe faili vigadeta kirjutada, siis 2025. aastal sai võimalikuks tervete koodibaaside loomine nullist. 2026. aastal suudavad paljud agendid paindlikult kõrvuti koostööd tehes juba lahendamata uurimisküsimustega edasi liikuda. „Mis meid järgmisel aastal ees ootab?“ küsib ta. „See on päris uskumatu väljavaade.“