ChatGPT を活用した Jump Trading のクオンツ研究拡大
GPT‑6 Astra を活用し、より長期的で不確実性の高い研究課題に挑む Jump Trading
クオンツ取引を手がける Jump Trading は、市場データやニュース、イベント、さまざまなオルタナティブデータを活用し、資産価格を可能な限り正確に予測するモデルを構築しています。市場は複雑でノイズが多く、時間とともに変化するため、何が起きるかを正確に見通すことはほとんどできません。しかし、Jump の LLM 研究開発責任者である Lucas Baker 氏によると、コイントスをわずかに上回る予測精度でも、大規模に運用すれば、成功する戦略につながるといいます。
Baker 氏はエージェントの研究開発を率い、クオンツ研究者がアイデアをより幅広く、深く探究できるよう、エージェントやハーネス、インフラの構築に注力しています。GPT‑6 Astra の導入により、日々のコーディングから新たな仮説を検証する高度な定量研究まで、エージェントに任せられるワークフローの規模と複雑さが飛躍的に拡大しました。
「GPT-6 シリーズ、とりわけ GPT-6 Astra によって、OpenAI は長期にわたるタスクでの自律性を新たな水準へと引き上げました。こうしたタスクには、エージェント間の柔軟な連携と、複雑なワークフローを粘り強く遂行し続ける力が必要です。以前は人間による指示や介入が頻繁に必要でしたが、今では明確な目標を設け、安全で十分に監視の行き届いた環境を整えることに専念し、進め方はエージェント自身に任せられます」
この 1 年で、AI は単発のコード片の作成や小さなバグの発見に役立つツールから、コードベースやサービス全体を自力で開発できる、高性能で汎用性の高いシステムへと進化しました。今では Baker 氏とそのチームは、AI を同僚のように扱うことで、その力を最も引き出せると実感しています。研究者は、重要な課題と作業環境、結果の質や意義を評価する方法を定めたうえで、分析の重点や次に実行するジョブについて、単独または複数のエージェントにリアルタイムで指示を出せます。
Baker 氏によると、GPT‑6 Astra を使うエージェントは、有意義で実用的な変更を見つけるだけでなく、その成果を組み合わせて積み重ね、再帰的に改善できるようになったといいます。長時間にわたる単一のタスクの中で、システムは発見した内容を分析し、最初の提案時に合意した基準に照らして評価し、自ら作業の方向を修正できます。変更のたびに人間が分析する必要はありません。Baker 氏はこう説明します。「何日もかかる作業を設定できます。多くのデータソースから情報を集め、何が重要で何がそうでないかを微妙な違いまで見極め、すべてを関連づける必要がある作業です。今ではそれを通じて、実際に役立つ包括的な分析を生み出せるようになりました」
Jump Trading は、あらゆる投資期間と資産クラスを対象に取引を行っています。プロセスのどの段階も複雑であり、金融のように厳しい規制のある業界では、ミスが金銭面とコンプライアンス面の両方に影響を及ぼしかねません。Baker 氏は、AI に仕事を任せることで生じるリスクを認識することが不可欠だと述べています。一方で、エージェントの知能は、機能の追加だけでなく、品質やセキュリティ、監視の改善にも活用できるといいます。堅牢なシステム設計と動作範囲の設定、明確な制約、制御性と可観測性を高めるインフラ、そして人間による変更のレビュー。これらを通じて、Jump Trading のチームは、規制下の環境でも AI を活用したワークフローを拡張できる体制を整えています。
「エージェントやシステムが必要な出力を自由に生成できる安全な環境があり、最後には人間がレビューし、重要な検証を行って承認するプロセスもある。それがあるからこそ、私たちは安心して任せられるのです」と Baker 氏は語ります。たとえば、エージェントが取引シグナルを生成した場合も、他の出力と同じように適用範囲を定め、レビューします。通常は参考になるものの、誤っている可能性もあるシグナルとして扱い、厳格なレビューと管理のもとにある取引執行環境で、他のすべてのシグナルと統合します。
Baker 氏は、「自動研究」が広く普及し、クオンツ研究者の日常的なワークフローの一部と見なされる世界に向かっていると考えています。自動研究とは、研究を担うエージェントが、性能を測定できるシステムを再帰的に改善することです。現時点では、GPT‑6 Astra が最も長時間取り組む作業でも、タスクを定義した人との定期的な確認が必要です。取得するデータや実行時間、何を重要とするかだけでなく、途中の結果が妥当かどうかも確認します。自動研究がさらに進化しても、入力や環境の定義、評価指標、トレードオフ、全体の優先順位など、システムの枠組みを人間が定めることが出発点になります。ただし、それ以降のプロセスは、別のエージェントが連携を調整する、緩やかに組織されたエージェントの「集団」に委ねられます。適切に構成された研究パイプラインの中で、こうしたエージェントは、未解決の問いがほぼ一つあるだけの状態から、アイデアの探究方法、計算時間の配分、有望な知見の統合について、的確に判断できるようになるでしょう。
「これらを最初から最後までつなぎ、自分でも答えのわからない大きな問いを投げかけて、有益な結果が返ってくるようになったら、どのような世界になるのでしょうか。」と Baker 氏は問いかけます。「ミレニアム懸賞問題を解けるなら、クオンツ金融についても、かなり興味深い事実を明らかにできるはずです」
毎年、ベンチマークの測定値が着実に向上するだけでなく、モデルがこなせる仕事の種類にも飛躍的な変化が起きています。こうした進展は、わずか数か月前でも予測が難しいことが少なくありませんでした。2024 年には、初期のエージェントがミスなく単一のファイルを書けるだけで画期的とされていましたが、2025 年にはコードベース全体をゼロから作成できるようになりました。そして 2026 年には、多数のエージェントが並行して柔軟に連携し、未解決の研究課題で前進を遂げられるようになっています。「来年は何ができるようになっているのでしょうか。」と Baker 氏は語ります。「想像するだけで胸が躍ります」
