گسترش پژوهش کمّی در Jump Trading با ChatGPT

Jump Trading شرکتی فعال در معاملات کمّی است که مدل‌های پیش‌بینی می‌سازد. این مدل‌ها با استفاده از داده‌های بازار، اخبار و رویدادها و طیفی از منابع دادهٔ جایگزین، بهترین پیش‌بینی‌های ممکن را از قیمت دارایی‌ها ارائه می‌دهند. ازآنجاکه بازارها پیچیده و پر از نویزند و در طول زمان تغییر می‌کنند، به‌ندرت می‌توان دقیقاً پیش‌بینی کرد چه اتفاقی خواهد افتاد. اما به گفتهٔ لوکاس بیکر، مدیر تحقیق و توسعهٔ الگوهای زبانی بزرگ (LLM) در Jump، اگر پیش‌بینی‌ها در مقیاس بزرگ حتی اندکی بهتر از شیر یا خط عمل کنند، همین برای رسیدن به یک راهبرد موفق کافی است.

بیکر هدایت تحقیق و توسعهٔ سامانه‌های عامل‌محور را بر عهده دارد و تمرکزش بر ساخت عامل‌ها، چارچوب‌های آزمون و زیرساخت‌هایی است که به پژوهشگران کمّی امکان می‌دهند ایده‌هایشان را گسترده‌تر و عمیق‌تر بررسی کنند. با اضافه شدن GPT‑6 Astra، مقیاس و پیچیدگی گردش‌کارهایی که می‌توان به عامل‌ها سپرد به‌شدت افزایش یافته است؛ از کدنویسی روزمره گرفته تا مطالعات کمّی پیشرفته برای اعتبارسنجی فرضیه‌های تازه.

در سال گذشته، هوش مصنوعی از ابزاری کمکی برای نوشتن قطعه‌کدهای موردی یا یافتن اشکال‌های کوچک، به سامانه‌ای توانمند و چندمنظوره تبدیل شده است که می‌تواند به‌تنهایی مجموعه‌های کامل کد و سرویس‌ها را توسعه دهد. اکنون بیکر و تیمش دریافته‌اند که هوش مصنوعی زمانی بهترین عملکرد را دارد که بیشتر مانند یک همکار با آن برخورد شود. پژوهشگران می‌توانند مسئله‌ای کلیدی، محیطی کاری و روشی برای ارزیابی کیفیت و اهمیت نتایج تعریف کنند؛ سپس در لحظه، یک یا چند عامل را راهنمایی کنند که تحلیل را بر چه چیزی متمرکز کنند یا در مرحلهٔ بعد چه کاری را اجرا کنند.

بیکر می‌گوید با GPT‑6 Astra، عامل‌ها اکنون نه‌تنها می‌توانند تغییرات معنادار و کاربردی پیدا کنند، بلکه می‌توانند این دستاوردها را در فرایندی از بهبود بازگشتی با هم ترکیب کنند و بر آن‌ها بیفزایند. در طول یک کار طولانی‌مدت، سامانه می‌تواند یافته‌هایش را تحلیل کند، آن‌ها را با معیارهای توافق‌شده در پیشنهاد اولیه بسنجد و به‌طور فعال مسیر تلاش‌هایش را تغییر دهد؛ بدون اینکه لازم باشد فردی هر دور از تغییرات را تحلیل کند. او توضیح می‌دهد: «می‌توانید کاری تعریف کنید که اجرای آن چند روز طول بکشد؛ کاری که باید از منابع دادهٔ متعدد استفاده کند، با قضاوت‌های ظریف تشخیص دهد چه چیزی مهم است و چه چیزی نیست و میان همهٔ این‌ها ارتباط برقرار کند تا تحلیلی جامع به دست دهد. این شیوه حالا واقعاً جواب می‌دهد.»

Jump Trading در تمام افق‌های زمانی و رده‌های دارایی فعالیت می‌کند. هر مرحله از این فرایند پیچیده است و در صنعتی مانند امور مالی که مقررات سخت‌گیرانه‌ای بر آن حاکم است، اشتباه‌ها می‌توانند هم پیامدهای مالی داشته باشند و هم به نقض مقررات بینجامند. بیکر می‌گوید آگاهی از خطرات سپردن کار به هوش مصنوعی ضروری است، اما می‌توان از هوش عامل‌محور برای بهبود کیفیت، امنیت و نظارت نیز استفاده کرد، نه صرفاً افزودن قابلیت‌ها. طراحی اصولی سامانه و مرزبندی دقیق آن، محدودیت‌های روشن، زیرساختی که هدایت‌پذیری و مشاهده‌پذیری را تقویت می‌کند و بازبینی انسانی تغییرات، به تیم Jump Trading کمک می‌کنند مطمئن شود گردش‌کارهای مبتنی بر هوش مصنوعی برای گسترش در محیطی تابع مقررات آماده‌اند.

او می‌گوید: «اگر محیطی امن داشته باشید که عامل یا سامانه در آن آزاد باشد هر خروجی لازم را تولید کند، اما در پایان هم فرایند بازبینی انسانی وجود داشته باشد که اعتبارسنجی حیاتی و تأیید انسان در آن انجام شود، همین به ما اطمینان می‌دهد.» برای مثال، اگر عاملی یک سیگنال معاملاتی تولید کند، دامنهٔ کاربرد آن مانند هر خروجی دیگری تعیین می‌شود و همان‌طور بازبینی می‌شود: سیگنالی که معمولاً اطلاعات مفیدی دارد، اما ممکن است اشتباه باشد و در محیط اجراییِ تحت بازبینی و کنترل سخت‌گیرانه، با تمام سیگنال‌های دیگر ترکیب می‌شود.

بیکر معتقد است به سوی جهانی می‌رویم که در آن «پژوهش خودکار»، یعنی بهبود بازگشتی سامانه‌های قابل‌اندازه‌گیری به دست عامل‌های پژوهشگر، چنان فراگیر خواهد شد که صرفاً بخشی از گردش‌کار روزمرهٔ یک پژوهشگر کمّی به شمار خواهد آمد. امروز حتی طولانی‌ترین کارهای GPT‑6 Astra نیز همچنان به هماهنگی منظم با فردی که کار را تعریف کرده نیاز دارند؛ نه‌فقط دربارهٔ اینکه چه داده‌هایی دریافت شوند، اجرا چقدر طول بکشد و چه چیزی مهم محسوب شود، بلکه دربارهٔ اینکه آیا نتایج میانی منطقی‌اند یا نه. پژوهش خودکار پیشرفته نیز با سامانه‌ای آغاز خواهد شد که انسان آن را تعریف کرده است؛ از جمله ورودی‌ها، تعریف محیط، معیارهای ارزیابی، موازنه‌ها و اولویت‌های کلی. اما باقی فرایند به «ناوگانی» از عامل‌ها با ساختاری منعطف سپرده خواهد شد که خودشان به دست عامل‌های دیگر هماهنگ می‌شوند. در یک زنجیرهٔ پژوهشی با ساختار مناسب، این عامل‌ها خواهند توانست دربارهٔ نحوهٔ بررسی ایده‌ها، تخصیص زمان محاسباتی و ادغام یافته‌های امیدبخش، هوشمندانه تصمیم بگیرند؛ آن هم با نقطهٔ شروعی که چیزی بیش از یک پرسش حل‌نشده نیست.

«چه می‌شود اگر بتوانید همهٔ این مراحل را از ابتدا تا انتها به هم وصل کنید، پرسشی کلی مطرح کنید که حتی خودتان پاسخ آن را نمی‌دانید و نتیجه‌ای مفید دریافت کنید؟» او این پرسش را مطرح می‌کند. «اگر بتوانید یکی از مسائل هزاره را حل کنید، احتمالاً می‌توانید به واقعیت‌های بسیار جالبی دربارهٔ مالی کمّی هم پی ببرید.»

هر سال نه‌تنها پیشرفت مستمری در نتایج آزمون‌های معیار به همراه داشته، بلکه شاهد جهش‌هایی در نوع کارهایی بوده‌ایم که مدل‌ها قادر به انجامشان هستند. اغلب حتی چند ماه پیش از این تحولات هم پیش‌بینی آن‌ها دشوار بود: در سال ۲۰۲۴، اینکه عامل‌های اولیه بتوانند یک فایل را بدون اشتباه بنویسند چشمگیر به شمار می‌رفت؛ اما در سال ۲۰۲۵ ساخت مجموعه‌های کامل کد از صفر ممکن شد و در سال ۲۰۲۶، عامل‌های متعدد با همکاری پویا در کنار یکدیگر توانستند در پاسخ به پرسش‌های پژوهشی حل‌نشده پیشرفت کنند. «سال آینده چه امکاناتی خواهیم داشت؟» او می‌پرسد. «چشم‌انداز واقعاً شگفت‌انگیزی است.»