Kā Jump Trading paplašina kvantitatīvo izpēti ar ChatGPT

Jump Trading ir kvantitatīvās tirdzniecības uzņēmums, kas veido prognozēšanas modeļus. Tie izmanto tirgus datus, ziņas un notikumus, kā arī dažādus alternatīvus datu avotus, lai pēc iespējas precīzāk prognozētu aktīvu cenas. Tā kā tirgi ir sarežģīti, tajos ir daudz trokšņa un tie laika gaitā mainās, precīzi paredzēt turpmāko izdodas reti. Taču, kā norāda Jump LVM pētniecības un izstrādes vadītājs Lūkass Beikers, plašā mērogā pietiek prognozēt kaut nedaudz labāk nekā ar monētas metienu, lai stratēģija būtu veiksmīga.

Beikers vada aģentu pētniecību un izstrādi, koncentrējoties uz aģentu, izpildes ietvaru un infrastruktūras veidošanu, kas kvantitatīvās izpētes speciālistiem ļauj plašāk un dziļāk izpētīt savas idejas. GPT‑6 Astra ieviešana ir ievērojami palielinājusi aģentiem uzticamo darbplūsmu mērogu un sarežģītību — no ikdienas programmēšanas līdz padziļinātiem kvantitatīviem pētījumiem jaunu hipotēžu pārbaudei.

Pēdējā gada laikā mākslīgais intelekts (MI) no noderīga rīka atsevišķu koda fragmentu rakstīšanai vai nelielu kļūdu atrašanai ir kļuvis par spējīgu, daudzpusīgu sistēmu, kas patstāvīgi var izstrādāt veselas kodu bāzes un pakalpojumus. Tagad Beikers un viņa komanda secina, ka MI darbojas vislabāk, ja pret to izturas vairāk kā pret kolēģi. Pētnieki var definēt galveno problēmu, darba vidi un veidu, kā novērtēt rezultātu kvalitāti un nozīmīgumu, un pēc tam reāllaikā dot vienam vai vairākiem aģentiem norādes, kam pievērsties analīzē vai kuru uzdevumu izpildīt nākamo.

Beikers stāsta, ka ar GPT‑6 Astra aģenti tagad spēj ne tikai atrast jēgpilnus, praktiskus uzlabojumus, bet arī tos apvienot un papildināt citu ar citu rekursīvā pilnveides procesā. Viena ilgstoša uzdevuma gaitā sistēma var analizēt savus atklājumus, novērtēt tos pēc sākotnējā priekšlikumā saskaņotajiem kritērijiem un aktīvi mainīt darba virzienu, nevis gaidīt, kad cilvēks izanalizēs katru izmaiņu kārtu. Viņš skaidro: „Varat definēt uzdevumu, kura izpildei vajadzīgas vairākas dienas: jāiegūst dati no daudziem avotiem, niansēti jāizvērtē, kas ir svarīgs un kas nav, un viss jāsasaista, lai izveidotu visaptverošu analīzi. Tagad tas tiešām darbojas.“

Jump Trading darbojas visos laika diapazonos un visās aktīvu klasēs. Katrs procesa posms ir sarežģīts, un stingri regulētā nozarē, piemēram, finansēs, kļūdas var radīt gan finansiālas sekas, gan neatbilstību normatīvajām prasībām. Beikers uzsver, ka ir būtiski apzināties riskus, kas rodas, uzticot darbu MI. Vienlaikus aģentu spējas var izmantot ne tikai jaunu funkciju pievienošanai, bet arī kvalitātes, drošības un uzraudzības uzlabošanai. Pārdomāta sistēmas uzbūve un darbības robežas, skaidri ierobežojumi, vadāmību un novērojamību veicinoša infrastruktūra un cilvēku veikta izmaiņu pārbaude palīdz Jump Trading komandai nodrošināt, ka MI darbplūsmas ir gatavas izvēršanai regulētā vidē.

„Pārliecību mums dod droša vide, kurā aģents vai sistēma var brīvi radīt jebkādus nepieciešamos rezultātus, bet procesa beigās cilvēks tos pārskata, veic būtiskās pārbaudes un apstiprina,“ viņš saka. Piemēram, ja aģents rada tirdzniecības signālu, tā izmantošanas robežas nosaka un to pārbauda tāpat kā jebkuru citu rezultātu: tas ir signāls, parasti informatīvs, taču, iespējams, kļūdains, ko apvieno ar visiem pārējiem signāliem stingri pārbaudītā un kontrolētā izpildes vidē.

Beikers uzskata, ka tuvojamies pasaulei, kurā „automātiskā izpēte“ — sistēmu rekursīva pilnveidošana, ko aģenti pētnieki veic pēc izmērāmiem kritērijiem, — kļūs tik izplatīta, ka to uzskatīs par parastu kvantitatīvās izpētes speciālista ikdienas darbplūsmas daļu. Pašlaik pat GPT‑6 Astra ilgstošākajos darbos joprojām regulāri jākonsultējas ar uzdevuma definētāju — ne tikai par to, kādus datus iegūt, cik ilgi strādāt un ko uzskatīt par svarīgu, bet arī par to, vai starprezultāti ir loģiski. Arī attīstītāka automātiskā izpēte sāktos ar cilvēka definētu sistēmu, tostarp ievaddatiem, vides aprakstu, vērtēšanas rādītājiem, kompromisiem un kopējām prioritātēm, taču pārējais process tiktu uzticēts brīvi organizētai aģentu „flotei“, ko koordinētu citi aģenti. Labi strukturētā pētniecības procesā šie aģenti spētu saprātīgi izlemt, kā izpētīt idejas, sadalīt skaitļošanas laiku un iekļaut daudzsološus atklājumus, sākot gandrīz tikai ar vēl neatbildētu jautājumu.

„Kā tas izskatītos, ja varētu visu šo savienot vienotā procesā, uzdot vispārīgu jautājumu, uz kuru pat pats nezini atbildi, un saņemt noderīgu rezultātu?“ viņš jautā. „Ja spēj atrisināt kādu no tūkstošgades problēmām, droši vien spēj atklāt arī visai interesantus faktus kvantitatīvajās finansēs.“

Katrs gads ir nesis ne tikai stabilu progresu etalontestu rezultātos, bet arī būtiskus lēcienus tajā, kāda veida darbus modeļi spēj veikt. Bieži šos pavērsienus bija grūti paredzēt pat dažus mēnešus iepriekš: 2024. gadā par iespaidīgu sasniegumu uzskatīja agrīno aģentu spēju bez kļūdām uzrakstīt vienu failu, bet 2025. gadā jau kļuva iespējams no nulles izveidot veselas kodu bāzes. Savukārt 2026. gadā daudzi aģenti, dinamiski sadarbojoties, spēja panākt progresu vēl neatrisinātos pētniecības jautājumos. „Kas mūs gaida nākamgad?“ viņš vaicā. „Tā ir patiesi neticama perspektīva.“