Kaip „Jump Trading“ plečia kiekybinius tyrimus su „ChatGPT“

Kiekybinės prekybos įmonė „Jump Trading“ kuria prognozavimo modelius, kurie remiasi rinkos duomenimis, naujienomis, įvykiais ir įvairiais alternatyviais duomenų šaltiniais, kad kuo tiksliau numatytų turto kainas. Rinkos yra sudėtingos, jose gausu triukšmo, o laikui bėgant jos kinta, todėl tiksliai numatyti, kas įvyks, retai įmanoma. Tačiau, pasak „Jump“ LLM tyrimų ir plėtros vadovo Lucaso Bakerio, kai prognozuojama dideliu mastu, sėkmingai strategijai pakanka net šiek tiek didesnio tikslumo, nei spėjant pagal monetos metimą.

Bakeris vadovauja agentų tyrimams ir plėtrai. Jis daugiausia dėmesio skiria agentų, jų veikimo ir bendrosios infrastruktūros kūrimui, kad kiekybinių tyrimų specialistai galėtų plačiau ir giliau nagrinėti savo idėjas. Pradėjus naudoti GPT‑6 Astra, smarkiai išaugo agentams patikimų darbo eigų mastas ir sudėtingumas: nuo kasdienio programavimo iki pažangių kiekybinių tyrimų naujoms hipotezėms patikrinti.

Per pastaruosius metus DI iš pagalbinio įrankio pavieniams kodo fragmentams rašyti ar smulkioms klaidoms rasti tapo pajėgia, universalia sistema, galinčia savarankiškai sukurti ištisas kodo bazes ir paslaugas. Dabar Bakeris ir jo komanda pastebi, kad DI geriausiai veikia, kai su juo elgiamasi kaip su kolega. Tyrėjai gali apibrėžti pagrindinę problemą, darbo aplinką bei rezultatų kokybės ir reikšmingumo vertinimo būdą, o tada realiuoju laiku nurodyti vienam ar keliems agentams, į ką sutelkti analizę ar kokią užduotį vykdyti toliau.

Pasak Bakerio, su GPT‑6 Astra agentai dabar geba ne tik rasti prasmingų ir praktiškų patobulinimų, bet ir juos sujungti bei nuosekliai pritaikyti, rekursyviai tobulindami sistemą. Atlikdama vieną ilgai trunkančią užduotį, sistema gali analizuoti savo rezultatus, vertinti juos pagal pradiniame pasiūlyme sutartus kriterijus ir pati keisti darbo kryptį, užuot laukusi, kol žmogus išanalizuos kiekvieną pakeitimų etapą. „Galite apibrėžti užduotį, kuri truks kelias dienas: reikės surinkti duomenis iš daugybės šaltinių, priimti subtilius sprendimus, kas svarbu, o kas ne, ir viską susieti. Dabar iš to jau galima gauti išsamią analizę, kuri iš tiesų naudinga“, – sako jis.

„Jump Trading“ prekiauja visais laikotarpiais ir visų klasių turtu. Kiekvienas proceso žingsnis yra sudėtingas, o griežtai reguliuojamame finansų sektoriuje klaidos gali turėti tiek finansinių, tiek atitikties reikalavimams pasekmių. Bakeris pabrėžia, kad būtina suvokti riziką, kylančią patikint darbą DI. Tačiau agentų gebėjimus galima pasitelkti ne tik naujoms funkcijoms kurti, bet ir kokybei, saugumui bei stebėsenai gerinti. Patikima sistemos architektūra ir apibrėžtos jos veikimo ribos, aiškūs apribojimai, valdymą ir stebėjimą palengvinanti infrastruktūra bei žmonių atliekama pakeitimų peržiūra padeda „Jump Trading“ komandai pasirengti plėsti DI darbo eigas reguliuojamoje aplinkoje.

„Pasitikėjimo suteikia saugi aplinka, kurioje agentas ar sistema gali laisvai kurti visus reikiamus rezultatus, tačiau proceso pabaigoje juos peržiūri žmogus: jis atlieka esminę patikrą ir patvirtina, kad rezultatai priimtini“, – sako jis. Pavyzdžiui, jei agentas sukuria prekybos signalą, jo taikymo ribos nustatomos ir jis peržiūrimas taip pat, kaip bet kuris kitas rezultatas: tai paprastai informatyvus, bet galbūt klaidingas signalas, kuris sujungiamas su visais kitais signalais griežtai tikrinamoje ir kontroliuojamoje sandorių vykdymo aplinkoje.

Bakerio manymu, artėjame prie pasaulio, kuriame „automatiniai tyrimai“ – rekursyvus sistemų, kurių rezultatus galima išmatuoti, tobulinimas pasitelkiant agentus tyrėjus – taps tokie įprasti, kad bus laikomi tiesiog kasdienio kiekybinių tyrimų specialisto darbo dalimi. Šiandien net ilgiausiai trunkančiame GPT‑6 Astra darbe vis dar reguliariai tariamasi su užduotį apibrėžusiu žmogumi: ne tik kokius duomenis rinkti, kiek laiko dirbti ir ką laikyti svarbiu dalyku, bet ir ar tarpiniai rezultatai prasmingi. Pažangūs automatiniai tyrimai vis tiek prasidėtų nuo žmogaus apibrėžtos sistemos: įvesties duomenų, aplinkos, vertinimo rodiklių, kompromisų ir bendrų prioritetų. Tačiau likusi proceso dalis būtų patikėta laisvai organizuotam agentų „laivynui“, kurį koordinuotų kiti agentai. Gerai organizuotame tyrimų procese šie agentai galėtų sumaniai spręsti, kaip nagrinėti idėjas, paskirstyti skaičiavimų laiką ir integruoti perspektyvius rezultatus, pradėdami beveik vien nuo atviro klausimo.

„Kaip viskas atrodys, kai galėsite sujungti visą procesą nuo pradžios iki pabaigos, užduoti bendrą klausimą, į kurį net patys nežinote atsakymo, ir gauti naudingą rezultatą?“ – klausia jis. „Jei galite išspręsti vieną iš Tūkstantmečio problemų, tikriausiai galite atrasti ir gana įdomių faktų apie kiekybinius finansus.“

Kasmet ne tik nuosekliai gerėjo lyginamųjų testų rezultatai, bet ir iš esmės keitėsi tai, kokį darbą modeliai geba atlikti. Dažnai šiuos pokyčius buvo sunku numatyti net prieš kelis mėnesius. 2024 m. atrodė įspūdinga, kai ankstyvieji agentai be klaidų parašydavo vieną failą, o 2025 m. jau tapo įmanoma nuo nulio kurti ištisas kodo bazes. 2026 m. daugybei agentų dinamiškai bendradarbiaujant jau daroma pažanga sprendžiant atvirus tyrimų klausimus. „O ką turėsime kitais metais?“ – svarsto jis. „Tai išties neįtikėtina perspektyva.“