Jump Trading laajentaa kvanttitutkimusta ChatGPT:n avulla

Kvantitatiivista kaupankäyntiä harjoittava Jump Trading luo ennustemalleja, jotka hyödyntävät markkinadataa, uutisia, tapahtumia ja erilaisia vaihtoehtoisia tietolähteitä ennustaakseen omaisuuserien hintoja mahdollisimman tarkasti. Markkinat ovat monimutkaiset, sisältävät paljon kohinaa ja muuttuvat ajan myötä, joten tulevia tapahtumia on harvoin mahdollista ennakoida täsmällisesti. Jump Tradingin suurten kielimallien tutkimus- ja kehitysjohtajan Lucas Bakerin mukaan jo hieman kolikonheittoa parempi ennustetarkkuus riittää kuitenkin menestyksekkääseen strategiaan, kun toimitaan suuressa mittakaavassa.

Baker johtaa agenttipohjaista tutkimusta ja kehitystä. Hän keskittyy rakentamaan agentteja, arviointikehyksiä ja infrastruktuuria, joiden avulla kvantitatiivisen tutkimuksen tekijät voivat tutkia ideoitaan entistä laajemmin ja syvällisemmin. GPT‑6 Astran käyttöönotto on mahdollistanut huomattavasti laajempien ja monimutkaisempien työnkulkujen siirtämisen agenteille. Ne ulottuvat päivittäisestä ohjelmoinnista vaativiin kvantitatiivisiin tutkimuksiin, joilla testataan uusia hypoteeseja.

Viime vuoden aikana tekoäly on kehittynyt yksittäisten koodinpätkien kirjoittamiseen ja pienten virheiden löytämiseen sopivasta apuvälineestä kyvykkääksi, monipuoliseksi järjestelmäksi, joka voi kehittää kokonaisia koodikantoja ja palveluita itsenäisesti. Baker ja hänen tiiminsä ovat havainneet, että nyt tekoäly toimii parhaiten, kun siihen suhtaudutaan pikemminkin kollegana. Tutkijat voivat määritellä keskeisen ongelman, työympäristön sekä tavan arvioida tulosten laatua ja merkittävyyttä. Sen jälkeen he voivat ohjata yhtä tai useampaa agenttia reaaliaikaisesti: mihin analyysi kannattaa kohdistaa tai mikä tehtävä suorittaa seuraavaksi.

Bakerin mukaan agentit pystyvät GPT‑6 Astran avulla paitsi löytämään merkityksellisiä ja käytännöllisiä muutoksia myös yhdistämään niitä ja rakentamaan niiden varaan prosessissa, jossa jokainen parannus luo pohjan seuraavalle. Yhden pitkäkestoisen tehtävän aikana järjestelmä voi analysoida havaintojaan, arvioida niitä alkuperäisen ehdotuksen pohjalta sovittuja kriteereitä vasten ja suunnata työtään aktiivisesti uudelleen. Ihmisen ei siis tarvitse analysoida jokaista muutoskierrosta. Baker kuvaa asiaa näin: ”Voit määritellä tehtävän, jonka suorittaminen vaatii päiviä. Siinä on haettava tietoa monista lähteistä, tehtävä hienovaraisia arvioita siitä, mikä on tärkeää ja mikä ei, sekä hahmotettava kaikkien tietojen väliset yhteydet. Tällaisen kattavan analyysin laatiminen todella onnistuu nyt.”

Jump Trading toimii kaikilla aikajänteillä ja kaikissa omaisuusluokissa. Prosessin jokainen vaihe on monimutkainen. Finanssialan kaltaisella vahvasti säännellyllä alalla virheillä voi olla sekä taloudellisia että sääntelyn noudattamiseen liittyviä seurauksia. Bakerin mukaan on ratkaisevan tärkeää tiedostaa riskit, joita työn antaminen tekoälyn tehtäväksi tuo mukanaan. Hän kuitenkin muistuttaa, että agenttipohjaista tekoälyä voi käyttää myös laadun, tietoturvan ja valvonnan parantamiseen, ei vain ominaisuuksien lisäämiseen. Huolellinen järjestelmäsuunnittelu ja rajaukset, selkeät rajoitteet, ohjattavuutta ja havainnoitavuutta tukeva infrastruktuuri sekä ihmisten tekemä muutosten tarkistus auttavat Jump Tradingin tiimiä varmistamaan, että tekoälyavusteiset työnkulut ovat valmiita laajempaan käyttöön säännellyssä ympäristössä.

”Luottamusta antaa se, että käytössä on turvallinen ympäristö, jossa agentti tai järjestelmä voi vapaasti tuottaa kaikki tarvitsemansa tulokset, mutta prosessin päätteeksi ihminen tarkistaa ja hyväksyy ne kriittisessä validointivaiheessa”, hän sanoo. Jos agentti esimerkiksi tuottaa kaupankäyntisignaalin, sen käyttö rajataan ja se tarkistetaan kuten mikä tahansa muukin tulos. Sitä käsitellään signaalina, joka on yleensä hyödyllinen mutta voi olla väärä, ja se yhdistetään muihin signaaleihin tarkasti tarkastetussa ja valvotussa kaupankäynnin toteutusympäristössä.

Baker uskoo, että olemme matkalla kohti maailmaa, jossa ”automaattisesta tutkimuksesta” tulee niin yleistä, että sitä pidetään tavallisena osana kvantitatiivisen tutkijan työnkulkua. Siinä tutkija-agentit parantavat mitattavia järjestelmiä toistuvasti aiempien parannusten pohjalta. Nykyisin myös GPT‑6 Astran pitkäkestoisimmat tehtävät edellyttävät säännöllistä yhteydenpitoa tehtävän määritelleen ihmisen kanssa. Kyse ei ole vain siitä, mitä tietoa haetaan, kuinka kauan tehtävää suoritetaan ja mitä pidetään tärkeänä, vaan myös siitä, ovatko välitulokset järkeviä. Edistynyt automaattinen tutkimus lähtisi edelleen ihmisen määrittelemästä järjestelmästä: syötteistä, ympäristön määrittelystä, arviointimittareista, kompromisseista ja yleisistä painopisteistä. Muu prosessi annettaisiin kuitenkin löyhästi organisoidulle agenttien ”laivastolle”, jota toiset agentit koordinoivat. Hyvin jäsennellyssä tutkimusprosessissa nämä agentit voisivat tehdä älykkäitä päätöksiä ideoiden tutkimisesta, laskenta-ajan kohdentamisesta ja lupaavien havaintojen yhdistämisestä. Lähtökohdaksi riittäisi lähes pelkkä avoin kysymys.

”Millaista on, kun kaiken tämän voi yhdistää alusta loppuun toimivaksi kokonaisuudeksi, esittää yleisluontoisen kysymyksen, johon ei itsekään tiedä vastausta, ja saada hyödyllisen tuloksen?” hän kysyy. ”Jos pystyy ratkaisemaan yhden Millennium-ongelmista, pystyy luultavasti selvittämään aika kiinnostavia asioita myös kvantitatiivisesta rahoituksesta.”

Joka vuosi on nähty paitsi tasaista edistystä vertailutestien tuloksissa myös suuria harppauksia siinä, millaiseen työhön mallit pystyvät. Näitä kehitysaskelia oli usein vaikea ennustaa edes muutamaa kuukautta etukäteen. Vuonna 2024 pidettiin vaikuttavana, jos varhainen agentti kirjoitti yhden tiedoston virheettömästi. Vuonna 2025 tuli mahdolliseksi luoda kokonaisia koodikantoja alusta asti, ja vuonna 2026 useiden agenttien joustava rinnakkainen yhteistyö mahdollisti etenemisen avoimissa tutkimuskysymyksissä. ”Mitä meillä on käytössämme ensi vuonna?” hän pohtii. ”Tulevaisuudennäkymät ovat aika uskomattomat.”