Jump Trading amplia la ricerca quantitativa con ChatGPT

Jump Trading è una società di trading quantitativo che crea modelli predittivi basati su dati di mercato, notizie, eventi e diverse fonti di dati alternative per formulare le migliori previsioni possibili sui prezzi degli asset. Poiché i mercati sono complessi, ricchi di rumore e in continua evoluzione, raramente è possibile prevedere con esattezza che cosa accadrà. Ma secondo Lucas Baker, responsabile Ricerca e sviluppo LLM di Jump, su larga scala basta fare previsioni anche solo leggermente migliori del lancio di una moneta per ottenere una strategia vincente.

Baker dirige la ricerca e lo sviluppo sugli agenti e si dedica alla creazione di agenti, infrastrutture operative e infrastrutture di base che consentano ai ricercatori quantitativi di esplorare le proprie idee in modo più ampio e approfondito. L'introduzione di GPT‑6 Astra ha aumentato enormemente la scala e la complessità dei flussi di lavoro che si possono affidare agli agenti: dalle attività quotidiane di programmazione agli studi quantitativi avanzati per convalidare nuove ipotesi.

Nell'ultimo anno, l'IA si è trasformata da un utile strumento per scrivere frammenti di codice per esigenze specifiche o individuare piccoli bug a un sistema capace e versatile, in grado di sviluppare autonomamente intere basi di codice e servizi. Oggi Baker e il suo team constatano che l'IA dà il meglio di sé quando viene trattata più come un collega. I ricercatori possono definire un problema centrale, un ambiente di lavoro e un metodo per valutare la qualità e la rilevanza dei risultati, per poi indicare in tempo reale a uno o più agenti dove concentrare l'analisi o quale attività eseguire successivamente.

Secondo Baker, con GPT‑6 Astra gli agenti sono ora capaci non solo di individuare modifiche utili e concrete, ma anche di combinare i miglioramenti ottenuti e usarli come base per quelli successivi, in un processo di miglioramento ricorsivo. Nel corso di una singola attività di lunga durata, il sistema può analizzare i propri risultati, valutarli in base ai criteri concordati a partire da una proposta iniziale e riorientare attivamente il proprio lavoro, senza che una persona debba analizzare ogni ciclo di modifiche. Come spiega Baker: “Puoi definire un'attività che richiede giorni di lavoro: deve attingere a molte fonti di dati, deve formulare valutazioni sottili su ciò che conta e ciò che non conta, e deve mettere tutto in relazione. Oggi questo permette di produrre un'analisi completa che funziona davvero”.

Jump Trading opera su ogni orizzonte temporale e classe di asset. Ogni fase del processo è complessa e, in un settore fortemente regolamentato come la finanza, gli errori possono avere conseguenze sia finanziarie sia sul piano della conformità normativa. Baker sottolinea che è fondamentale essere consapevoli dei rischi legati all'affidare il lavoro all'IA, ma anche che l'intelligenza degli agenti può essere usata per migliorare la qualità, la sicurezza e il monitoraggio, non solo per aggiungere funzionalità. Una progettazione solida dei sistemi e dei loro limiti operativi, vincoli chiari, infrastrutture che favoriscano la possibilità di guidare e osservare il sistema e la revisione umana delle modifiche aiutano il team di Jump Trading a garantire che i flussi di lavoro basati sull'IA siano pronti a operare su larga scala in un ambiente regolamentato.

“Ci dà fiducia avere un ambiente sicuro in cui l'agente o il sistema è libero di produrre qualsiasi risultato necessario, ma dove alla fine c'è anche un processo di revisione umana, con una convalida critica e l'approvazione da parte di una persona”, afferma. Per esempio, se un agente produce un segnale di trading, se ne definisce l'ambito di applicazione e lo si esamina come qualsiasi altro risultato: è un segnale, solitamente informativo ma potenzialmente errato, da integrare con tutti gli altri segnali in un ambiente di esecuzione sottoposto a verifiche e controlli rigorosi.

Baker ritiene che ci stiamo avviando verso un mondo in cui la “ricerca autonoma”, ossia il miglioramento ricorsivo di sistemi misurabili da parte di agenti ricercatori, sarà talmente diffusa da essere considerata semplicemente parte del normale flusso di lavoro di un ricercatore quantitativo. Oggi, anche le attività più prolungate di GPT‑6 Astra prevedono ancora confronti regolari con la persona che definisce il compito: non solo per stabilire quali dati raccogliere, per quanto tempo proseguire e che cosa considerare importante, ma anche per verificare se i risultati intermedi hanno senso. Una ricerca autonoma avanzata partirebbe comunque da un sistema definito da una persona, che stabilirebbe input, ambiente, metriche di valutazione, compromessi e priorità generali. Il resto del processo verrebbe però affidato a una “flotta” di agenti organizzata in modo flessibile, a sua volta coordinata da altri agenti. All'interno di un processo di ricerca ben strutturato, questi agenti sarebbero in grado di prendere decisioni intelligenti su come esplorare le idee, allocare il tempo di calcolo e integrare i risultati promettenti, partendo da poco più di una domanda aperta.

“Che cosa succede quando puoi collegare tutto questo dall'inizio alla fine, porre una domanda generale di cui nemmeno tu conosci la risposta e ottenere un risultato utile?”, si chiede. “Se riesci a risolvere un problema del millennio, probabilmente puoi anche scoprire cose molto interessanti sulla finanza quantitativa.”

Ogni anno ha portato non solo progressi costanti nei risultati dei benchmark, ma anche salti di qualità nel tipo di lavoro che i modelli erano in grado di svolgere. Spesso questi sviluppi erano difficili da prevedere anche con pochi mesi di anticipo: se nel 2024 si riteneva notevole che i primi agenti scrivessero un singolo file senza errori, nel 2025 è diventato possibile creare intere basi di codice da zero e nel 2026 fare progressi su questioni di ricerca aperte grazie a molti agenti che collaborano dinamicamente fianco a fianco. “Che cosa avremo l'anno prossimo?”, si domanda. “È una prospettiva davvero incredibile.”