Jump Trading: bővülő kvantitatív kutatás a ChatGPT‑vel

A kvantitatív kereskedéssel foglalkozó Jump Trading olyan prediktív modelleket hoz létre, amelyek piaci adatok, hírek és események, valamint különféle alternatív adatforrások alapján a lehető legpontosabb előrejelzést adják az eszközárakról. Mivel a piacok összetettek, zajosak és idővel változnak, ritkán lehet pontosan előre látni, mi fog történni. Lucas Baker, a Jump LLM-kutatási és -fejlesztési vezetője szerint azonban nagy léptékben már az is elég egy sikeres stratégiához, ha az előrejelzések csak egy kicsivel pontosabbak a pénzfeldobásnál.

Baker az ügynökalapú kutatást és fejlesztést vezeti. Olyan ügynökök, végrehajtási környezetek és infrastruktúra kiépítésére összpontosít, amelyekkel a kvantitatív kutatók szélesebb körben és mélyebben vizsgálhatják meg ötleteiket. A GPT‑6 Astra bevezetése óta jóval nagyobb léptékű és összetettebb munkafolyamatokat lehet ügynökökre bízni: a mindennapi kódolástól az új hipotézisek igazolását célzó, magas szintű kvantitatív vizsgálatokig.

Az elmúlt évben az MI az alkalmi kódrészletek megírására és apró hibák felderítésére használható segédeszközből olyan sokoldalú, hatékony rendszerré vált, amely önállóan képes teljes kódbázisokat és szolgáltatásokat fejleszteni. Baker és csapata ma már úgy látja, hogy az MI akkor működik a legjobban, ha inkább munkatársként kezelik. A kutatók meghatározhatják a fő problémát, a munkakörnyezetet, valamint az eredmények minőségének és jelentőségének értékelési módját. Ezután valós időben irányíthatnak egy vagy több ügynököt: megadhatják, mire összpontosítsák az elemzést, vagy melyik feladatot futtassák legközelebb.

Baker szerint a GPT‑6 Astrával az ügynökök már nemcsak érdemi, a gyakorlatban is hasznos változtatásokat tudnak azonosítani, hanem ezeket egyesíteni és egymásra építeni is képesek egy rekurzív fejlesztési folyamatban. Egyetlen hosszú futású feladat során a rendszer képes elemezni a saját eredményeit, értékelni őket a kezdeti javaslatban közösen meghatározott szempontok szerint, és önállóan új irányt szabni a munkájának. Így nincs szükség arra, hogy minden módosítási kört ember elemezzen. Ahogy ő fogalmaz: „Megadhatunk egy napokig futó feladatot, amelyhez sok adatforrásból kell meríteni, árnyaltan kell mérlegelni, mi fontos és mi nem, és minden összefüggést fel kell tárni. Az ebből születő átfogó elemzés ma már valóban működik.”

A Jump Trading minden időtávon és eszközosztályban tevékenykedik. A folyamat minden lépése összetett, és egy olyan szigorúan szabályozott ágazatban, mint a pénzügy, a hibáknak pénzügyi és szabályozási megfelelési következményei is lehetnek. Baker szerint elengedhetetlen tisztában lenni azzal, milyen kockázatokkal jár a munka MI-re bízása. Ugyanakkor az ügynökök intelligenciája nemcsak új funkciók létrehozására, hanem a minőség, a biztonság és a felügyelet javítására is felhasználható. Az átgondolt rendszertervezés és a megfelelő működési keretek, az egyértelmű korlátok, az irányíthatóságot és megfigyelhetőséget támogató infrastruktúra, valamint a változtatások emberi ellenőrzése segíti a Jump Trading csapatát abban, hogy az MI-vel támogatott munkafolyamatokat szabályozott környezetben is nagyobb léptékben alkalmazhassa.

„Az ad biztonságérzetet, ha van egy biztonságos környezet, ahol az ügynök vagy a rendszer szabadon előállíthat bármilyen szükséges kimenetet, de a folyamat végén emberi felülvizsgálat is történik: a kritikus ellenőrzést emberi jóváhagyás követi” – mondja. Ha például egy ügynök kereskedési jelzést állít elő, annak felhasználási körét ugyanúgy határozzák meg, és ugyanúgy ellenőrzik, mint bármely más kimenetét. Jelzésként kezelik, amely általában informatív, de téves is lehet, és szigorúan felülvizsgált, ellenőrzött végrehajtási környezetben kapcsolják össze az összes többi jelzéssel.

Baker szerint egy olyan világ felé tartunk, amelyben az „automatikus kutatás” – vagyis a mérhető rendszerek kutatóügynökök általi rekurzív fejlesztése – annyira elterjedtté válik, hogy egyszerűen a kvantitatív kutatók szokásos munkafolyamatának részét képezi majd. Ma még a GPT‑6 Astra leghosszabb futású munkái is rendszeres egyeztetést igényelnek a feladatot meghatározó személlyel. Nemcsak arról kell egyeztetni, hogy milyen adatokat gyűjtsön, meddig fusson, és mi számít fontosnak, hanem arról is, hogy van-e értelmük a köztes eredményeknek. A fejlett automatikus kutatás továbbra is egy ember által meghatározott rendszerből indulna ki, beleértve a bemeneteket, a környezet leírását, az értékelési mutatókat, a kompromisszumokat és az átfogó prioritásokat. A folyamat többi részét azonban ügynökök lazán szervezett „flottájára” bízná, amelyet más ügynökök koordinálnának. Egy jól felépített kutatási folyamatban ezek az ügynökök intelligens döntéseket hozhatnának arról, hogyan vizsgálják meg az ötleteket, osszák be a számítási időt és építsék be az ígéretes eredményeket – mindezt úgy, hogy kiindulásként alig kapnak többet egy nyitott kérdésnél.

„Milyen lesz, amikor mindezt elejétől végéig összekapcsolhatjuk, feltehetünk egy általános kérdést, amelyre mi magunk sem tudjuk a választ, és hasznos eredményt kapunk vissza?” – teszi fel a kérdést. „Ha meg tudunk oldani egy millenniumi problémát, akkor valószínűleg a kvantitatív pénzügyekről is fel tudunk tárni néhány igazán érdekes tényt.”

Évről évre nemcsak a teljesítménytesztek eredményei javultak folyamatosan, hanem ugrásszerűen változott az is, hogy milyen munkákat képesek elvégezni a modellek. Ezeket a fejleményeket gyakran még néhány hónappal korábban is nehéz volt előre látni. Míg 2024-ben már az is lenyűgözőnek számított, ha a korai ügynökök egyetlen fájlt hibátlanul megírtak, 2025-ben már teljes kódbázisokat lehetett a semmiből létrehozni. 2026-ban pedig számos ügynök dinamikus együttműködésével már nyitott kutatási kérdések megoldásában is előre lehetett lépni. „Vajon mire leszünk képesek jövőre?” – kérdezi. „Egészen hihetetlen távlatok nyílnak előttünk.”