Jump Trading-ն ընդլայնում է քանակական հետազոտությունը ChatGPT‑ով

Jump Trading-ը քանակական առևտրով զբաղվող ընկերություն է։ Այն ստեղծում է կանխատեսող մոդելներ, որոնք օգտագործում են շուկայական տվյալները, նորություններն ու իրադարձությունները և այլընտրանքային տվյալների տարբեր աղբյուրներ՝ ակտիվների գները հնարավորինս ճշգրիտ կանխատեսելու համար։ Շուկաները բարդ են, լի են տեղեկատվական աղմուկով և ժամանակի ընթացքում փոխվում են, ուստի հազվադեպ է հնարավոր ճշգրիտ կանխատեսել, թե ինչ է տեղի ունենալու։ Սակայն, ըստ Jump-ի LLM հետազոտությունների և մշակման ղեկավար Լուկաս Բեյքերի, մեծ ծավալների դեպքում նույնիսկ պատահական ընտրությունից փոքր-ինչ ավելի ճշգրիտ կանխատեսումները բավարար են հաջող ռազմավարություն կառուցելու համար։

Բեյքերը ղեկավարում է ագենտային համակարգերի հետազոտությունն ու մշակումը։ Նա կենտրոնացած է ագենտների, հարնեսների և ենթակառուցվածքի ստեղծման վրա, որոնք քանակական հետազոտությամբ զբաղվող մասնագետներին թույլ են տալիս իրենց գաղափարներն ուսումնասիրել ավելի լայն ընդգրկմամբ ու խորությամբ։ GPT‑6 Astra-ի ներդրմամբ կտրուկ աճել են ագենտներին վստահվող աշխատանքային գործընթացների ծավալն ու բարդությունը՝ ամենօրյա ծրագրավորումից մինչև նոր վարկածների ստուգմանն ուղղված բարդ քանակական ուսումնասիրություններ։

Անցած տարվա ընթացքում ԱԲ-ն առանձին դեպքերի համար կոդի հատվածներ գրելու կամ փոքր սխալներ գտնելու օգտակար գործիքից վերածվել է հմուտ, բազմակողմանի համակարգի, որն ինքնուրույն կարող է մշակել ամբողջական կոդային բազաներ և ծառայություններ։ Այժմ Բեյքերն ու իր թիմը նկատում են, որ ԱԲ-ն առավել արդյունավետ է աշխատում, երբ նրան ավելի շատ վերաբերվում են որպես գործընկերոջ։ Հետազոտողները կարող են սահմանել հիմնական խնդիրը, աշխատանքային միջավայրը և արդյունքների որակն ու նշանակությունը գնահատելու եղանակը։ Ապա՝ իրական ժամանակում ուղղորդել մեկ կամ մի քանի ագենտի՝ նշելով, թե ինչի վրա կենտրոնացնել վերլուծությունը կամ որ աշխատանքը կատարել հաջորդիվ։

Բեյքերի խոսքով՝ GPT‑6 Astra-ի շնորհիվ ագենտներն այժմ կարող են ոչ միայն գտնել էական ու գործնական փոփոխություններ, այլև համադրել ու կուտակել այդ ձեռքբերումները՝ յուրաքանչյուր բարելավում դարձնելով հաջորդի հիմքը։ Մեկ երկարատև առաջադրանքի ընթացքում համակարգը կարող է վերլուծել իր ստացած արդյունքները, գնահատել դրանք նախնական առաջարկում համաձայնեցված չափանիշներով և ինքնուրույն փոխել աշխատանքի ուղղությունը՝ առանց փոփոխությունների յուրաքանչյուր փուլը մարդու վերլուծությանը հանձնելու անհրաժեշտության։ Ինչպես նա է ասում. «Կարող եք սահմանել մի աշխատանք, որը պետք է օրեր տևի, տվյալներ հավաքի բազմաթիվ աղբյուրներից, նրբանկատորեն որոշի՝ ինչն է կարևոր, ինչը՝ ոչ, և ամեն ինչ փոխկապակցի՝ համապարփակ վերլուծություն կազմելու համար։ Այժմ դա իսկապես աշխատում է»։

Jump Trading-ն աշխատում է առևտրի բոլոր ժամանակահատվածներում և ակտիվների բոլոր դասերով։ Գործընթացի յուրաքանչյուր քայլ բարդ է, իսկ ֆինանսների նման խիստ կարգավորվող ոլորտում սխալները կարող են առաջացնել թե՛ ֆինանսական կորուստներ, թե՛ կարգավորող պահանջների խախտումներ։ Բեյքերն ընդգծում է, որ չափազանց կարևոր է գիտակցել աշխատանքն ԱԲ-ին վստահելու ռիսկերը։ Միաժամանակ, ագենտների բանականությունը կարելի է օգտագործել ոչ միայն նոր գործառույթներ ավելացնելու, այլև որակը, անվտանգությունն ու մշտադիտարկումը բարելավելու համար։ Համակարգի հուսալի կառուցվածքն ու սահմանները, հստակ սահմանափակումները, կառավարելիությունն ու դիտարկելիությունն ապահովող ենթակառուցվածքը և մարդու կողմից փոփոխությունների վերանայումն օգնում են Jump Trading-ի թիմին ապահովել, որ ԱԲ-ով աշխատանքային գործընթացները պատրաստ լինեն ընդլայնման՝ կարգավորվող միջավայրում։

«Մեզ վստահություն է տալիս անվտանգ միջավայրը, որտեղ ագենտը կամ համակարգը կարող է ազատորեն ստեղծել ցանկացած անհրաժեշտ արդյունք, բայց վերջում այն անցնում է մարդու վերանայման գործընթացով՝ մանրակրկիտ ստուգմամբ ու հաստատմամբ»,— ասում է նա։ Օրինակ՝ եթե ագենտը ստեղծում է առևտրային ազդանշան, դրա կիրառման շրջանակը սահմանվում է, և այն վերանայվում է այնպես, ինչպես ցանկացած այլ արդյունք։ Այն դիտարկվում է որպես սովորաբար օգտակար տեղեկություն պարունակող, բայց հնարավոր է՝ սխալ ազդանշան և համադրվում մյուս բոլոր ազդանշանների հետ՝ խստորեն ստուգվող ու վերահսկվող գործարքների կատարման միջավայրում։

Բեյքերը կարծում է, որ մոտենում ենք մի աշխարհի, որտեղ «ինքնաշխատ հետազոտությունը»՝ հետազոտող ագենտների կողմից չափելի համակարգերի շարունակական բարելավումը՝ նախորդ արդյունքների հիման վրա, այնքան տարածված կլինի, որ պարզապես կհամարվի քանակական հետազոտողի սովորական աշխատանքի մի մասը։ Այսօր նույնիսկ GPT‑6 Astra-ի ամենաերկարատև աշխատանքը դեռ պահանջում է կանոնավոր քննարկումներ առաջադրանքը սահմանող մարդու հետ։ Քննարկվում է ոչ միայն այն, թե որ տվյալները վերցնել, որքան երկար աշխատել և ինչն է կարևոր, այլև այն, թե արդյոք միջանկյալ արդյունքներն իմաստ ունեն։ Զարգացած ինքնաշխատ հետազոտությունը ևս կսկսվեր մարդու սահմանած համակարգից՝ մուտքային տվյալներով, միջավայրի նկարագրությամբ, գնահատման չափանիշներով, փոխզիջումներով և ընդհանուր առաջնահերթություններով։ Սակայն գործընթացի մնացած մասը կվստահվեր ճկուն կառուցվածքով ագենտների «նավատորմի», որոնց աշխատանքն էլ կհամակարգեին այլ ագենտներ։ Լավ կազմակերպված հետազոտական գործընթացում այս ագենտները կկարողանային կշռադատված որոշումներ կայացնել գաղափարների ուսումնասիրման, հաշվարկային ժամանակի բաշխման և խոստումնալից արդյունքների ներառման վերաբերյալ՝ մեկնարկի համար ունենալով գրեթե միայն մի բաց հարց։

«Ինչպիսի՞ն կլինի աշխատանքը, երբ կարողանաք այս ամենը կապել մեկ ամբողջական գործընթացի մեջ, տալ մի ընդհանուր հարց, որի պատասխանը նույնիսկ ինքներդ չգիտեք, և ստանալ օգտակար արդյունք»,— հարցնում է նա։ «Եթե կարող եք լուծել հազարամյակի խնդիրներից մեկը, հավանաբար կարող եք նաև բավական հետաքրքիր փաստեր բացահայտել քանակական ֆինանսների մասին»։

Յուրաքանչյուր տարի բերել է ոչ միայն հենանիշային չափումների կայուն առաջընթաց, այլև որակական թռիչքներ այն աշխատանքների տեսակներում, որոնք մոդելներն ունակ են կատարելու։ Հաճախ այս զարգացումները դժվար էր կանխատեսել նույնիսկ մի քանի ամիս առաջ։ Եթե 2024-ին տպավորիչ էր համարվում, երբ առաջին ագենտներն առանց սխալի մեկ ֆայլ էին գրում, ապա 2025-ին արդեն հնարավոր դարձավ զրոյից ամբողջական կոդային բազաներ ստեղծել, իսկ 2026-ին՝ առաջընթաց գրանցել դեռևս չլուծված հետազոտական հարցերում՝ բազմաթիվ ագենտների ճկուն ու համատեղ աշխատանքի շնորհիվ։ «Ի՞նչ կունենանք հաջորդ տարի»,— ասում է նա։ «Բավական անհավանական հեռանկար է»։