Pinalalawak ng Jump Trading ang quant research gamit ang ChatGPT

Bilang isang kompanyang nakatuon sa quantitative trading, gumagawa ang Jump Trading ng mga modelong gumagamit ng datos sa merkado, balita at mga pangyayari, at iba't ibang alternatibong pinagkukunan ng datos upang makabuo ng pinakamahuhusay na posibleng prediksyon sa mga presyo ng asset. Dahil masalimuot ang mga merkado, puno ng datos na hindi laging makabuluhan, at patuloy na nagbabago, bihirang mahulaan nang eksakto ang mangyayari. Pero ayon kay Lucas Baker, Pinuno ng LLM R&D sa Jump, sapat na ang mga prediksyong bahagyang mas mahusay kaysa sa paghula sa resulta ng paghagis ng barya upang maging matagumpay ang isang estratehiya kapag inilapat ito sa malawakang antas.

Pinamumunuan ni Baker ang pananaliksik at pagbuo ng teknolohiyang gumagamit ng mga agent. Nakatuon siya sa pagbuo ng mga agent, harness, at imprastrakturang nagbibigay-daan sa mga quantitative researcher na mas malawak at mas malalim na tuklasin ang kanilang mga ideya. Sa pagdagdag ng GPT‑6 Astra, lubhang lumawak ang saklaw at tumaas ang antas ng pagkamasalimuot ng mga workflow na maipagkakatiwala sa mga agent—mula sa pang-araw-araw na coding hanggang sa mas sopistikadong quantitative na pag-aaral upang masubok ang mga bagong haypotesis.

Sa nakalipas na taon, nagbago ang AI mula sa isang kapaki-pakinabang na tool para sa pagsulat ng maiikling code para sa partikular na gamit o paghahanap ng maliliit na bug, tungo sa isang mahusay at maraming-gamit na sistemang kayang bumuo ng buong mga codebase at serbisyo nang mag-isa. Ngayon, nakikita ni Baker at ng kanyang team na pinakamabisa ang AI kapag itinuturing itong parang katrabaho. Maaaring magtakda ang mga mananaliksik ng pangunahing problema, kapaligiran sa pagtatrabaho, at paraan ng pagtatasa sa kalidad at kabuluhan ng mga resulta. Pagkatapos, maaari nilang gabayan sa real time ang isa o higit pang agent kung saan itutuon ang pagsusuri o kung aling gawain ang susunod na patatakbuhin.

Ayon kay Baker, sa GPT‑6 Astra, kaya na ng mga agent hindi lamang na tumukoy ng makabuluhan at praktikal na mga pagbabago, kundi pagsama-samahin at pagpatung-patungin ang mga tagumpay na ito sa prosesong ginagamit ang bawat pagpapahusay bilang batayan ng susunod. Habang isinasagawa ang isang matagal na gawain, kayang suriin ng sistema ang mga natuklasan nito, tasahin ang mga ito batay sa napagkasunduang pamantayan sa unang panukala, at kusang baguhin ang direksiyon ng trabaho nito, sa halip na mangailangan ng taong susuri sa bawat serye ng mga pagbabago. Gaya ng paliwanag niya, “Maaari kang magtakda ng gawaing kailangang tumakbo nang ilang araw—kailangan nitong kumuha ng datos mula sa maraming pinagkukunan, maingat na magpasya kung ano ang mahalaga at hindi, at pag-ugnay-ugnayin ang lahat—upang makabuo ng komprehensibong pagsusuri. Ngayon, talagang gumagana na ito.”

Saklaw ng Jump Trading ang lahat ng haba ng panahon ng pamumuhunan at lahat ng klase ng asset. Masalimuot ang bawat hakbang ng proseso. Sa isang industriyang mahigpit na kinokontrol gaya ng pananalapi, ang mga pagkakamali ay maaaring magdulot ng pagkalugi at mga problema sa pagsunod sa regulasyon. Ayon kay Baker, napakahalagang maunawaan ang mga panganib ng pagkakatiwala ng trabaho sa AI. Pero maaari ring gamitin ang kakayahan ng mga agent upang mapabuti ang kalidad, seguridad, at pagsubaybay, hindi lamang upang magdagdag ng mga feature. Nakatutulong sa team ng Jump Trading ang matatag na disenyo at mga hangganan ng sistema, malinaw na mga limitasyon, imprastrakturang nagpapadali sa paggabay at pagsubaybay, at pagsusuri ng tao sa mga pagbabago upang matiyak na handa nang palawakin ang mga workflow na gumagamit ng AI sa isang kapaligirang saklaw ng regulasyon.

“Nagbibigay sa amin ng kumpiyansa ang isang ligtas na kapaligiran kung saan malayang makakagawa ang agent o sistema ng anumang output na kailangan nito, pero sa dulo ay may proseso rin ng pagsusuri ng tao kung saan isinasagawa ang mahalagang pagpapatunay at kailangang aprubahan ito ng tao,” sabi niya. Halimbawa, kung gagawa ang isang agent ng signal para sa pangangalakal, itinatakda ang saklaw at sinusuri ito gaya ng anumang output: bilang isang signal na karaniwang nagbibigay ng kapaki-pakinabang na impormasyon pero maaaring mali, at isinasama sa lahat ng iba pang signal sa isang mahigpit na sinusuri at kontroladong kapaligiran para sa pagpapatupad ng mga transaksiyon.

Sa tingin ni Baker, patungo tayo sa mundong magiging napakalaganap ng “awtomatikong pananaliksik”—kung saan paulit-ulit na pinapahusay ng mga agent na mananaliksik ang mga sistemang nasusukat ang pagganap—kaya ituturing na lamang itong bahagi ng karaniwang workflow ng isang quantitative researcher. Sa ngayon, maging ang pinakamatagal na gawain ng GPT‑6 Astra ay nangangailangan pa rin ng regular na pagkonsulta sa taong nagtatakda ng gawain—hindi lamang tungkol sa kukuning datos, tagal ng pagpapatakbo, at kung ano ang maituturing na mahalaga, kundi pati kung may saysay ang mga paunang resulta. Magsisimula pa rin ang mas sopistikadong awtomatikong pananaliksik sa isang sistemang itinakda ng tao, kabilang ang mga input, kapaligiran, sukatan sa pagsusuri, mga kompromisong kailangang gawin, at pangkalahatang priyoridad. Pero ipagkakatiwala na ang natitirang proseso sa isang “pangkat” ng mga agent na may maluwag na estruktura at pinag-uugnay rin ng iba pang agent. Sa loob ng isang maayos na daloy ng pananaliksik, makakagawa ang mga agent na ito ng matatalinong desisyon tungkol sa pagtuklas ng mga ideya, paglalaan ng oras sa pag-compute, at pagsasama ng mga natuklasang may potensiyal—na halos wala nang ibang kailangan sa simula kundi isang tanong na wala pang sagot.

“Ano kaya ang mangyayari kung mapagdurugtong mo ang lahat ng ito mula simula hanggang dulo, makapagtatanong ka ng isang pangkalahatang tanong na kahit ikaw ay hindi alam ang sagot, at makakatanggap ka ng kapaki-pakinabang na resulta?” tanong niya. “Kung kaya mong lutasin ang isang Millennium problem, malamang na kaya mo ring makatuklas ng ilang talagang kawili-wiling katotohanan tungkol sa quantitative finance.”

Bawat taon, hindi lamang tuloy-tuloy na pagbuti sa mga benchmark ang nasaksihan, kundi pati malalaking pagbabago sa uri ng trabahong kayang gawin ng mga modelo. Kadalasan, mahirap hulaan ang mga pagsulong na ito kahit ilang buwan lang bago mangyari: kung noong 2024 ay kahanga-hanga nang makasulat ang mga unang agent ng isang file nang walang pagkakamali, noong 2025 ay naging posible nang bumuo ng buong mga codebase mula sa wala, at noong 2026 ay makausad sa mga tanong sa pananaliksik na wala pang sagot, sa tulong ng maraming agent na aktibong nagtutulungan. “Ano kaya ang magkakaroon tayo sa susunod na taon?” sabi niya. “Talagang kamangha-mangha ang mga posibilidad.”