Jump Trading développe sa recherche quantitative avec ChatGPT

Société de trading quantitatif, Jump Trading crée des modèles prédictifs qui s’appuient sur les données de marché, l’actualité, les événements et diverses sources de données alternatives pour prédire au mieux le prix des actifs. Les marchés étant complexes, bruités et évolutifs, il est rarement possible d’anticiper exactement ce qui va se passer. Mais selon Lucas Baker, responsable R&D sur les LLM chez Jump, des prévisions même légèrement meilleures qu’un tirage à pile ou face suffisent, à grande échelle, à produire une stratégie gagnante.

Lucas Baker dirige la recherche et le développement agentiques. Il se consacre à la création des agents, des harnais et de l’infrastructure qui permettent aux chercheurs quantitatifs d’explorer leurs idées plus largement et plus en profondeur. L’intégration de GPT‑6 Astra a considérablement accru l’ampleur et la complexité des processus pouvant être délégués aux agents, du codage quotidien aux études quantitatives avancées visant à valider de nouvelles hypothèses.

Au cours de l’année écoulée, l’IA est passée d’un outil pratique pour écrire ponctuellement des extraits de code ou repérer de petits bugs à un système performant et polyvalent, capable de développer seul des bases de code et des services entiers. Aujourd’hui, Lucas Baker et son équipe constatent que l’IA donne les meilleurs résultats lorsqu’on la traite davantage comme un collègue. Les chercheurs peuvent définir un problème central, un environnement de travail et une méthode d’évaluation de la qualité et de la pertinence des résultats, puis orienter en temps réel un ou plusieurs agents sur les aspects à analyser ou la prochaine tâche à exécuter.

Selon Lucas Baker, avec GPT‑6 Astra, les agents sont désormais capables non seulement d’identifier des changements pertinents et concrets, mais aussi de combiner et de cumuler ces avancées 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 modifications. Comme il l’explique : « Vous pouvez définir une tâche qui doit s’exécuter pendant des jours, puiser dans de nombreuses sources de données, juger avec finesse ce qui est important ou non et relier tous ces éléments, pour produire une analyse complète. Et maintenant, cela fonctionne vraiment. »

Jump Trading intervient sur tous les horizons temporels et toutes les classes d’actifs. Chaque étape du processus est complexe et, dans un secteur très réglementé comme la finance, les erreurs peuvent avoir des conséquences tant financières qu’en matière de conformité. Lucas 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 supervision, et pas seulement à ajouter des fonctionnalités. Une conception et un encadrement solides des systèmes, des contraintes claires, une infrastructure favorisant le pilotage et l’observabilité, ainsi qu’une revue humaine des modifications aident l’équipe de Jump Trading à s’assurer que les processus intégrant l’IA peuvent passer à l’échelle dans un environnement réglementé.

« Un environnement sûr, où l’agent ou le système est libre de produire tous les résultats nécessaires, mais où une revue humaine intervient à la fin pour effectuer les validations critiques et donner l’approbation finale : voilà ce qui nous donne confiance », explique-t-il. Par exemple, si un agent produit un signal de trading, celui-ci est encadré et examiné comme tout autre résultat : il s’agit d’un signal, généralement instructif mais potentiellement erroné, intégré à tous les autres signaux dans un environnement d’exécution rigoureusement vérifié et contrôlé.

Lucas Baker estime que nous nous dirigeons vers un monde où la « recherche autonome », c’est-à-dire l’amélioration récursive de systèmes mesurables par des agents chercheurs, sera si répandue qu’elle sera considérée comme une simple composante du travail quotidien d’un chercheur quantitatif. Aujourd’hui, même les travaux les plus longs de GPT‑6 Astra impliquent encore des points réguliers avec la personne qui définit la tâche : non seulement pour déterminer quelles données récupérer, combien de temps travailler et ce qui est important, mais aussi pour vérifier la cohérence des résultats intermédiaires. Une recherche autonome avancée partirait toujours d’un système défini par l’humain, comprenant les données d’entrée, la définition de l’environnement, les métriques d’évaluation, les compromis et les priorités globales. Mais elle confierait le reste du processus à une « flotte » d’agents organisée de manière souple, elle-même coordonnée par d’autres agents. Au sein d’un pipeline de recherche bien structuré, ces agents pourraient prendre des décisions éclairées sur la manière d’explorer les idées, d’allouer le temps de calcul et d’intégrer les résultats prometteurs, avec pour point de départ à peine plus qu’une question ouverte.

« À quoi cela ressemble-t-il lorsqu’on peut relier tous ces éléments de bout en bout, poser une question générale dont on ignore soi-même 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 très 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’effectuer. Ces évolutions étaient souvent difficiles à prévoir, même quelques mois à l’avance : alors qu’en 2024, voir les premiers agents écrire un seul fichier sans erreur était jugé impressionnant, il est devenu possible en 2025 de créer des bases de code entières à partir de zéro, puis en 2026 de progresser sur des questions de recherche ouvertes grâce à de nombreux agents collaborant dynamiquement côte à côte. « Qu’allons-nous voir l’année prochaine ? » s’interroge-t-il. « C’est une perspective assez incroyable. »