Jump Trading ги шири квантитативните истражувања со ChatGPT

Како компанија за квантитативно тргување, Jump Trading создава предиктивни модели што користат пазарни податоци, вести и настани, како и низа алтернативни извори на податоци, за што попрецизно да ги предвидат цените на средствата. Бидејќи пазарите се сложени, полни со шум и се менуваат со текот на времето, ретко е можно точно да се предвиди што ќе се случи. Но, според Лукас Бејкер, раководител за истражување и развој на големи јазични модели (LLM) во Jump, при голем обем на тргување, дури и предвидувања што се малку попрецизни од фрлање паричка се доволни за успешна стратегија.

Бејкер го води истражувањето и развојот на агентски системи и е насочен кон создавање агенти, рамки и инфраструктура што им овозможуваат на квантитативните истражувачи да ги истражуваат своите идеи пошироко и подлабоко. Воведувањето на GPT‑6 Astra значително ги зголеми обемот и сложеноста на работните процеси што можат да им се препуштат на агентите — од секојдневно програмирање до напредни квантитативни студии за проверка на нови хипотези.

Во текот на изминатата година, ВИ се преобрази од помошна алатка за пишување поединечни фрагменти код или наоѓање ситни грешки во способен, сестран систем што може самостојно да развива цели кодни бази и сервиси. Сега Бејкер и неговиот тим забележуваат дека ВИ работи најдобро кога ѝ пристапуваат повеќе како на колега. Истражувачите можат да дефинираат клучен проблем, работна средина и начин за оценување на квалитетот и значајноста на резултатите, а потоа во реално време да насочуваат еден или повеќе агенти кон тоа на што да ја фокусираат анализата или која задача да ја извршат следна.

Бејкер вели дека со GPT‑6 Astra агентите сега можат не само да наоѓаат значајни и практични промени, туку и да ги спојуваат и надградуваат тие придобивки во процес на рекурзивно подобрување. Во текот на една долготрајна задача, системот може да ги анализира своите наоди, да ги оцени според договорените критериуми од првичниот предлог и активно да ги пренасочи своите напори, без човек да мора да го анализира секој круг промени. Како што вели тој: „Можете да дефинирате задача што треба да трае со денови — да црпи од многу извори на податоци, да прави суптилни процени за тоа што е важно, а што не, и да поврзе сè — за да создаде сеопфатна анализа. Сега тоа навистина функционира.“

Jump Trading работи во сите временски хоризонти и со сите класи средства. Секој чекор од процесот е сложен, а во строго регулиран сектор како финансиите, грешките можат да имаат и финансиски последици и последици за усогласеноста со прописите. Бејкер вели дека е клучно да се биде свесен за ризиците што произлегуваат од доверувањето работа на ВИ, но и дека интелигенцијата на агентите може да се примени за подобрување на квалитетот, безбедноста и надзорот, а не само за додавање функции. Добро осмислениот систем со јасни граници и ограничувања, инфраструктурата што овозможува насочување и следење на работата и човечката проверка на промените му помагаат на тимот на Jump Trading да обезбеди работните процеси со ВИ да бидат подготвени за проширување во регулирана средина.

„Ако имате безбедна средина во која агентот или системот може слободно да произведе каков било потребен резултат, но на крајот има и човечка проверка при која се врши клучната валидација и човек го одобрува резултатот — тоа ни влева доверба“, вели тој. На пример, ако агент произведе сигнал за тргување, неговата примена се ограничува и се проверува како и секој друг резултат: се третира како сигнал што обично е информативен, но може да биде погрешен, и се комбинира со сите други сигнали во средина за извршување што строго се проверува и контролира.

Бејкер смета дека се движиме кон свет во кој „автоматското истражување“, односно рекурзивното подобрување на мерливи системи од страна на агенти истражувачи, ќе стане толку распространето што едноставно ќе се смета за дел од вообичаениот работен процес на квантитативниот истражувач. Денес, дури и најдолготрајните задачи на GPT‑6 Astra сè уште вклучуваат редовни консултации со лицето што ја дефинира задачата — не само за тоа кои податоци да се преземат, колку долго да се работи и што се смета за важно, туку и дали меѓурезултатите имаат смисла. Напредното автоматско истражување и понатаму би започнувало со систем дефиниран од човек, вклучувајќи влезни податоци, дефиниција на средината, метрики за оценување, компромиси и општи приоритети. Но остатокот од процесот би ѝ се доверил на лабаво организирана „флота“ агенти, координирани од други агенти. Во добро структуриран истражувачки процес, овие агенти би можеле да носат разумни одлуки за тоа како да ги истражуваат идеите, да го распределуваат времето за пресметување и да ги интегрираат ветувачките наоди, почнувајќи со речиси ништо повеќе од едно отворено прашање.

„Како би изгледало кога би можеле да го поврзете сето ова од почеток до крај, да поставите општо прашање на кое ни самите не го знаете одговорот и да добиете корисен резултат?“, прашува тој. „Ако можете да решите еден од Милениумските проблеми, веројатно можете да откриете и доста интересни факти за квантитативните финансии.“

Секоја година носеше не само постојан напредок во резултатите на референтните тестови, туку и големи исчекори во видовите работа што моделите можеа да ја извршуваат. Честопати беше тешко да се предвиди ваквиот развој дури и само неколку месеци однапред: додека во 2024 година се сметаше за импресивно раните агенти да напишат една датотека без грешки, во 2025 година стана можно да се создадат цели кодни бази од нула, а во 2026 година — да се напредува во отворени истражувачки прашања со многу агенти што динамично соработуваат меѓу себе. „Што ќе имаме следната година?“, вели тој. „Нè очекуваат навистина неверојатни можности.“