Slik skalerer Jump Trading kvantitativ forskning med ChatGPT

Jump Trading driver med kvantitativ handel og utvikler prediktive modeller som bruker markedsdata, nyheter og hendelser samt en rekke alternative datakilder for å forutsi prisene på aktiva så presist som mulig. Fordi markedene er komplekse, preget av støy og i stadig endring, er det sjelden mulig å forutse nøyaktig hva som vil skje. Men ifølge Lucas Baker, leder for LLM-forskning og -utvikling i Jump, er det nok å forutsi bare litt bedre enn et myntkast i stor skala for å lykkes med en strategi.

Baker leder forskning og utvikling innen agentbasert KI. Han fokuserer på å bygge agentene, rammeverkene og infrastrukturen som lar kvantitative forskere utforske ideene sine både bredere og dypere. Med GPT‑6 Astra kan langt større og mer komplekse arbeidsflyter overlates til agenter, fra daglig programmering til avanserte kvantitative studier for å validere nye hypoteser.

Det siste året har KI gått fra å være et nyttig verktøy for å skrive enkeltstående kodesnutter eller finne små feil, til et kapabelt og allsidig system som kan utvikle hele kodebaser og tjenester på egen hånd. Nå opplever Baker og teamet hans at KI fungerer best når den behandles mer som en kollega. Forskere kan definere en sentral problemstilling, et arbeidsmiljø og en metode for å vurdere kvaliteten og betydningen av resultatene. Deretter kan de i sanntid veilede én eller flere agenter om hva analysen skal fokusere på, eller hvilken jobb som skal kjøres neste gang.

Baker sier at agenter med GPT‑6 Astra nå ikke bare kan finne meningsfulle og praktisk nyttige endringer, men også kombinere dem og bygge videre på gevinstene i en rekursiv forbedringsprosess. I løpet av én langvarig oppgave kan systemet analysere funnene sine, vurdere dem opp mot kriteriene som ble avtalt i et innledende forslag, og selv justere kursen. Dermed trengs det ikke et menneske til å analysere hver runde med endringer. Som han sier: «Du kan definere en oppgave som må kjøre i flere dager – den må hente inn data fra mange kilder, gjøre nyanserte vurderinger av hva som er viktig og ikke, og se alt i sammenheng – for å lage en omfattende analyse. Nå fungerer dette faktisk.»

Jump Trading arbeider på tvers av alle tidshorisonter og aktivaklasser. Hvert trinn i prosessen er komplekst, og i en strengt regulert bransje som finans kan feil få både økonomiske og regulatoriske konsekvenser. Baker sier det er avgjørende å være bevisst på risikoen ved å overlate arbeid til KI. Samtidig understreker han at agentbasert intelligens også kan brukes til å forbedre kvalitet, sikkerhet og overvåking, ikke bare til å legge til funksjoner. God systemutforming og avgrensning, tydelige begrensninger, infrastruktur som gjør det lett å styre og observere systemene, og menneskelig gjennomgang av endringer hjelper teamet i Jump Trading med å sikre at KI-baserte arbeidsflyter er klare til å skaleres i et regulert miljø.

«Det som gir oss trygghet, er et sikkert miljø der agenten eller systemet står fritt til å produsere alle nødvendige resultater, men der mennesker gjennomgår arbeidet til slutt og står for den kritiske valideringen og godkjenningen», sier han. Hvis en agent for eksempel produserer et handelssignal, blir bruken avgrenset og signalet vurdert på samme måte som ethvert annet resultat: som et signal, vanligvis informativt, men potensielt feilaktig. Det integreres med alle andre signaler i et miljø der handelen er underlagt streng gjennomgang og kontroll.

Baker tror vi er på vei mot en verden der «autoforskning» – forskningsagenters rekursive forbedring av målbare systemer – blir så utbredt at det regnes som en naturlig del av en kvantitativ forskers vanlige arbeidsflyt. I dag krever selv de mest langvarige oppgavene til GPT‑6 Astra fortsatt jevnlige avklaringer med personen som definerer oppgaven. Det gjelder ikke bare hvilke data som skal hentes, hvor lenge arbeidet skal pågå, og hva som regnes som viktig, men også om de foreløpige resultatene gir mening. Avansert autoforskning ville fortsatt ta utgangspunkt i et system definert av mennesker, med inndata, miljødefinisjon, evalueringsmål, avveininger og overordnede prioriteringer. Resten av prosessen ville imidlertid overlates til en løst organisert «flåte» av agenter, som selv koordineres av andre agenter. Innenfor en godt strukturert forskningsprosess ville disse agentene kunne ta intelligente beslutninger om hvordan ideer skal utforskes, beregningstid fordeles og lovende funn integreres – alt med lite mer enn et åpent spørsmål som utgangspunkt.

«Hvordan blir det når du kan koble sammen hele denne prosessen, stille et overordnet spørsmål du ikke engang vet svaret på selv, og få et nyttig resultat tilbake?» spør han. «Hvis du kan løse et av tusenårsproblemene, kan du sannsynligvis også avdekke noen ganske interessante fakta om kvantitativ finans.»

Hvert år har gitt oss ikke bare jevnt bedre resultater på ytelsestester, men også store sprang i hva slags arbeid modellene er i stand til å utføre. Ofte har det vært vanskelig å forutsi denne utviklingen selv noen få måneder i forveien: I 2024 ble det ansett som imponerende at de første agentene kunne skrive én enkelt fil uten feil. I 2025 ble det mulig å lage hele kodebaser fra bunnen av, og i 2026 å gjøre fremskritt med åpne forskningsspørsmål ved hjelp av mange agenter som samarbeider dynamisk side om side. «Hva vil vi ha neste år?» sier han. «Det er ganske utrolig å tenke på.»