Kako Jump Trading širi kvantitativna istraživanja uz ChatGPT

Kao tvrtka za kvantitativno trgovanje, Jump Trading izrađuje prediktivne modele koji se služe tržišnim podacima, vijestima i događajima te nizom alternativnih izvora podataka kako bi što bolje predvidjeli cijene imovine. Budući da su tržišta složena, puna šuma i podložna promjenama, rijetko je moguće točno predvidjeti što će se dogoditi. No prema riječima Lucasa Bakera, voditelja istraživanja i razvoja LLM-ova u tvrtki Jump Trading, predviđanja koja su makar malo bolja od bacanja novčića dovoljna su za uspješnu strategiju ako se primjenjuju u velikom opsegu.

Baker vodi istraživanje i razvoj agentskih sustava, a usredotočen je na izgradnju agenata, testnih sklopova i infrastrukture koji kvantitativnim istraživačima omogućuju da svoje ideje istraže šire i dublje. Uvođenjem modela GPT‑6 Astra znatno su se povećali opseg i složenost radnih procesa koji se mogu prepustiti agentima, od svakodnevnog programiranja do naprednih kvantitativnih studija za provjeru novih hipoteza.

Tijekom protekle godine umjetna inteligencija prerasla je iz korisnog alata za pisanje pojedinačnih isječaka koda ili pronalaženje manjih pogrešaka u sposoban, svestran sustav koji samostalno može razvijati cijele baze koda i servise. Baker i njegov tim sada uviđaju da umjetna inteligencija najbolje funkcionira kada se prema njoj odnose više kao prema kolegi. Istraživači mogu definirati ključni problem, radno okruženje i način procjene kvalitete i važnosti rezultata, a zatim u stvarnom vremenu usmjeravati jednog ili više agenata na to čemu posvetiti analizu ili koji zadatak sljedeći pokrenuti.

Baker kaže da uz GPT‑6 Astra agenti sada mogu ne samo pronaći smislene i praktične promjene nego i povezivati te uspjehe i nadograđivati ih u procesu rekurzivnog poboljšavanja. Tijekom jednog dugotrajnog zadatka sustav može analizirati svoje nalaze, procijeniti ih prema dogovorenim kriterijima iz početnog prijedloga i aktivno preusmjeravati svoj rad, bez potrebe da čovjek analizira svaki krug promjena. Kako sam kaže: „Možete definirati zadatak koji treba trajati danima: mora prikupljati podatke iz brojnih izvora, donositi suptilne procjene o tome što je važno, a što nije, te sve međusobno povezati. Tako sada može nastati sveobuhvatna analiza koja doista funkcionira.“

Jump Trading posluje u svim vremenskim horizontima i klasama imovine. Svaki je korak procesa složen, a u strogo reguliranoj djelatnosti poput financija pogreške mogu imati i financijske posljedice i posljedice za usklađenost s propisima. Baker kaže da je ključno biti svjestan rizika koji proizlaze iz povjeravanja posla umjetnoj inteligenciji, ali i da se inteligencija agenata može primijeniti na poboljšanje kvalitete, sigurnosti i nadzora, a ne samo na dodavanje novih funkcija. Dobro osmišljen sustav s čvrstim granicama, jasna ograničenja, infrastruktura koja olakšava usmjeravanje i praćenje te ljudski pregled promjena pomažu timu tvrtke Jump Trading osigurati da su radni procesi potpomognuti umjetnom inteligencijom spremni za širu primjenu u reguliranom okruženju.

„Povjerenje nam daje sigurno okruženje u kojem agent ili sustav može slobodno izraditi sve potrebne rezultate, ali na kraju postoji i postupak ljudskog pregleda u kojem ljudi provode ključnu provjeru i odobravaju rezultate“, kaže. Primjerice, ako agent izradi signal za trgovanje, njegov se opseg primjene određuje i pregledava jednako kao i za svaki drugi rezultat: tretira se kao signal, obično koristan, ali potencijalno pogrešan, te se povezuje sa svim ostalim signalima u strogo provjeravanom i kontroliranom okruženju za izvršavanje naloga.

Baker smatra da idemo prema svijetu u kojem će „autonomno istraživanje“, odnosno rekurzivno poboljšavanje sustava s mjerljivim rezultatima koje provode agentski istraživači, postati toliko rašireno da će se smatrati običnim dijelom svakodnevnog rada kvantitativnog istraživača. Danas čak i najdugotrajniji zadaci modela GPT‑6 Astra i dalje uključuju redovite konzultacije s osobom koja definira zadatak. Pritom se ne provjerava samo koje podatke prikupiti, koliko dugo raditi i što smatrati važnim nego i imaju li međurezultati smisla. Napredno autonomno istraživanje i dalje bi počinjalo sustavom koji definira čovjek, uključujući ulazne podatke, definiciju okruženja, mjerila za procjenu, kompromise i opće prioritete. No ostatak procesa bio bi povjeren labavo strukturiranoj „floti“ agenata koje koordiniraju drugi agenti. Unutar dobro strukturiranog istraživačkog procesa ti bi agenti mogli inteligentno odlučivati o tome kako istraživati ideje, rasporediti računalno vrijeme i uključiti obećavajuće nalaze, a polazište bi im bilo gotovo samo otvoreno pitanje.

„Kako to izgleda kada sve možete povezati od početka do kraja, postaviti opće pitanje na koje ni sami ne znate odgovor i dobiti koristan rezultat?“ pita se. „Ako možete riješiti neki od milenijskih problema, vjerojatno možete otkriti i prilično zanimljive činjenice o kvantitativnim financijama.“

Svaka je godina donijela ne samo stalan napredak u rezultatima referentnih testova nego i velike pomake u vrstama poslova koje su modeli mogli obavljati. Takav je razvoj često bilo teško predvidjeti čak i nekoliko mjeseci unaprijed: dok se 2024. smatralo impresivnim kada bi rani agenti napisali jednu datoteku bez pogrešaka, 2025. postalo je moguće izraditi cijele baze koda od nule, a 2026. ostvariti napredak u otvorenim istraživačkim pitanjima uz brojne agente koji dinamično surađuju jedni s drugima. „Što ćemo imati sljedeće godine?“ pita se. „Pred nama su doista nevjerojatne mogućnosti.“