Jump Trading élargit sa recherche quantitative avec ChatGPT
Jump Trading utilise GPT‑6 Astra pour s’attaquer à des problèmes de recherche plus longs et plus ambigus.
Société de négociation quantitative, Jump Trading crée des modèles prédictifs qui exploitent les données de marché, les nouvelles et les événements, ainsi que diverses sources de données alternatives pour prédire le prix des actifs avec la plus grande précision possible. Comme les marchés sont complexes, bruités et en constante évolution, il est rarement possible de prévoir exactement ce qui se passera. Mais selon Lucas Baker, responsable de la R-D sur les LLM chez Jump, des prédictions à peine meilleures que le hasard suffisent, à grande échelle, à produire une stratégie gagnante.
Baker dirige la recherche et le développement agentiques. Il se concentre sur la création d’agents, de harnais et d’infrastructures qui permettent aux chercheurs quantitatifs d’explorer leurs idées plus largement et plus en profondeur. L’ajout de GPT‑6 Astra a considérablement accru l’envergure et la complexité des flux de travail pouvant être confiés aux agents, de la programmation quotidienne aux études quantitatives avancées visant à valider de nouvelles hypothèses.
« Avec la série GPT-6, surtout GPT-6 Astra, OpenAI a atteint un nouveau degré d’autonomie pour les tâches de longue durée qui exigent une coordination souple des agents et une persévérance exceptionnelle dans des flux de travail complexes. Là où des directives et des interventions humaines fréquentes étaient nécessaires, nous pouvons désormais nous consacrer entièrement à définir un environnement sécurisé et bien surveillé, avec des objectifs clairs, et laisser les agents trouver leur propre voie. »
Au cours de la dernière année, l’IA est passée d’un outil pratique pour écrire des extraits de code ponctuels ou repérer de petits bogues à un système performant et polyvalent, capable de développer seul des bases de code et des services entiers. Aujourd’hui, Baker et son équipe constatent que l’IA fonctionne mieux lorsqu’on la traite davantage comme un collègue. Les chercheurs peuvent définir un problème clé, un environnement de travail et une façon d’évaluer la qualité et la portée des résultats, puis indiquer en temps réel à un ou plusieurs agents où concentrer l’analyse ou quelle tâche exécuter ensuite.
Selon Baker, avec GPT‑6 Astra, les agents peuvent désormais non seulement trouver des changements pertinents et concrets, mais aussi combiner et cumuler ces gains dans un processus d’amélioration récursive. Au cours d’une seule tâche de longue durée, le système peut analyser ses résultats, les évaluer selon les critères convenus dans une proposition initiale et réorienter activement ses efforts, sans qu’une personne ait à analyser chaque série de changements. Comme il l’explique : « Vous pouvez définir une tâche qui doit s’exécuter pendant des jours, puiser dans de nombreuses sources de données, porter des jugements nuancés sur ce qui est important ou non et établir des liens entre tous ces éléments, pour produire une analyse complète qui fonctionne réellement aujourd’hui. »
Jump Trading travaille sur tous les horizons temporels et toutes les catégories d’actifs. Chaque étape du processus est complexe et, dans un secteur fortement réglementé comme la finance, les erreurs peuvent avoir des conséquences tant sur le plan financier qu’en matière de conformité. Baker souligne qu’il est essentiel d’avoir conscience des risques liés au fait de confier du travail à l’IA, mais que l’intelligence agentique peut aussi servir à améliorer la qualité, la sécurité et la surveillance, et pas seulement à ajouter des fonctionnalités. Une conception robuste du système et de ses limites, des contraintes claires, une infrastructure favorisant le pilotage et l’observabilité, ainsi qu’une révision humaine des changements aident l’équipe de Jump Trading à s’assurer que les flux de travail intégrant l’IA peuvent être déployés à grande échelle dans un environnement réglementé.
« Ce qui nous donne confiance, c’est un environnement sûr où l’agent ou le système est libre de produire tous les résultats nécessaires, mais où un processus de révision humaine intervient aussi à la fin pour assurer la validation essentielle et l’approbation par une personne », dit-il. Par exemple, si un agent produit un signal de négociation, sa portée est définie et il est examiné comme tout autre résultat : comme un signal, généralement informatif mais potentiellement erroné, puis intégré à tous les autres signaux dans un environnement d’exécution rigoureusement examiné et contrôlé.
Baker pense que nous nous dirigeons vers un monde où la « recherche autonome », soit l’amélioration récursive de systèmes mesurables par des agents chercheurs, deviendra si omniprésente qu’elle sera simplement considérée comme faisant partie du flux de travail habituel d’un chercheur quantitatif. Aujourd’hui, même les travaux les plus longs de GPT‑6 Astra impliquent encore des échanges réguliers avec la personne qui définit la tâche, non seulement pour préciser les données à récupérer, la durée d’exécution et ce qui compte comme important, mais aussi pour vérifier si les résultats intermédiaires sont cohérents. La recherche autonome avancée partirait toujours d’un système défini par une personne, comprenant les données d’entrée, la définition de l’environnement, les mesures d’évaluation, les compromis et les priorités globales, mais confierait le reste du processus à une « flotte » d’agents organisée de façon souple, eux-mêmes coordonnés par d’autres agents. Au sein d’un pipeline de recherche bien structuré, ces agents pourraient prendre des décisions judicieuses sur la façon d’explorer des idées, d’allouer du temps de calcul et d’intégrer des résultats prometteurs, le tout à partir d’à peine plus qu’une question ouverte.
« À quoi cela ressemble-t-il quand on peut relier tout cela de bout en bout, poser une question générale dont on ne connaît même pas la réponse et obtenir un résultat utile? » demande-t-il. « Si vous pouvez résoudre un problème du millénaire, vous pouvez probablement aussi découvrir des faits assez intéressants sur la finance quantitative. »
Chaque année a apporté non seulement des progrès constants dans les résultats aux tests de référence, mais aussi des avancées majeures dans les types de travaux que les modèles étaient capables d’accomplir. Ces évolutions étaient souvent difficiles à prévoir, même quelques mois à l’avance : alors qu’en 2024, il était impressionnant de voir les premiers agents écrire un seul fichier sans erreur, il est devenu possible en 2025 de créer des bases de code entières à partir de zéro, puis en 2026 de faire progresser des questions de recherche ouvertes grâce à de nombreux agents collaborant de façon dynamique, côte à côte. « Qu’aurons-nous l’année prochaine? » dit-il. « C’est une perspective assez incroyable. »
