Jump Trading schaalt kwantitatief onderzoek op met ChatGPT

Als kwantitatieve handelsfirma ontwikkelt Jump Trading voorspellende modellen die marktgegevens, nieuws en gebeurtenissen, en uiteenlopende alternatieve databronnen gebruiken om de prijzen van financiële activa zo goed mogelijk te voorspellen. Omdat markten complex zijn, veel ruis bevatten en voortdurend veranderen, is het zelden mogelijk om precies te voorspellen wat er gaat gebeuren. Maar volgens Lucas Baker, hoofd LLM-R&D bij Jump, is zelfs een voorspelling die maar iets beter presteert dan puur toeval op grote schaal al voldoende voor een succesvolle strategie.

Baker leidt het onderzoek en de ontwikkeling op het gebied van agents. Hij richt zich op het bouwen van agents, harnesses en infrastructuur waarmee kwantitatieve onderzoekers hun ideeën breder en diepgaander kunnen verkennen. Dankzij GPT‑6 Astra kunnen nu veel omvangrijkere en complexere workflows aan agents worden toevertrouwd: van dagelijks programmeerwerk tot geavanceerde kwantitatieve studies om nieuwe hypotheses te toetsen.

Het afgelopen jaar is AI uitgegroeid van een handig hulpmiddel voor losse codefragmenten of het opsporen van kleine bugs tot een capabel, veelzijdig systeem dat zelfstandig complete codebases en diensten kan ontwikkelen. Baker en zijn team merken nu dat AI het beste werkt als je het meer als een collega behandelt. Onderzoekers kunnen een centrale vraag, een werkomgeving en een methode vastleggen om de kwaliteit en relevantie van resultaten te beoordelen. Vervolgens kunnen ze een of meer agents in realtime bijsturen: waar moet de analyse zich op richten en welke taak moet hierna worden uitgevoerd?

Volgens Baker kunnen agents met GPT‑6 Astra nu niet alleen zinvolle, praktisch toepasbare verbeteringen vinden, maar die ook combineren en erop voortbouwen in een proces van recursieve verbetering. Tijdens één langdurige taak kan het systeem zijn bevindingen analyseren, toetsen aan de afgesproken criteria uit het oorspronkelijke voorstel en zijn aanpak actief bijsturen. Er hoeft dus niet meer na elke ronde van wijzigingen iemand een analyse te maken. Zoals hij het verwoordt: "Je kunt een taak definiëren die dagen in beslag neemt, gegevens uit veel bronnen moet halen, subtiele afwegingen moet maken over wat wel en niet belangrijk is, en alles met elkaar in verband moet brengen. Zo kun je nu een uitgebreide analyse laten maken die daadwerkelijk werkt."

Jump Trading werkt met alle tijdshorizonnen en beleggingscategorieën. Elke stap in het proces is complex. In een sterk gereguleerde sector als de financiële dienstverlening kunnen fouten zowel financiële gevolgen hebben als de naleving van regelgeving in gevaar brengen. Volgens Baker is het cruciaal om je bewust te zijn van de risico's van het toevertrouwen van werk aan AI. Tegelijkertijd kun je de intelligentie van agents niet alleen inzetten om functies toe te voegen, maar ook om kwaliteit, beveiliging en monitoring te verbeteren. Een degelijk systeemontwerp met heldere grenzen en beperkingen, infrastructuur die sturing en inzicht mogelijk maakt, en menselijke beoordeling van wijzigingen helpen het team van Jump Trading om AI-workflows geschikt te maken voor opschaling in een gereguleerde omgeving.

"Wat ons vertrouwen geeft, is een veilige omgeving waarin de agent of het systeem vrij is om alle benodigde output te produceren, maar waarin aan het einde ook een menselijke beoordeling plaatsvindt, met kritische toetsing en goedkeuring door mensen", zegt hij. Als een agent bijvoorbeeld een handelssignaal produceert, wordt dat op dezelfde manier afgebakend en beoordeeld als elke andere output: als een signaal dat doorgaans informatief is, maar ook onjuist kan zijn. Het wordt samen met alle andere signalen geïntegreerd in een uitvoeringsomgeving die streng wordt getoetst en gecontroleerd.

Baker denkt dat we op weg zijn naar een wereld waarin "autonoom onderzoek", oftewel het recursief verbeteren van meetbare systemen door onderzoeksagents, zo alomtegenwoordig wordt dat het gewoon deel uitmaakt van de dagelijkse workflow van een kwantitatief onderzoeker. Ook bij de langstlopende taken van GPT‑6 Astra is er nu nog regelmatig overleg met de persoon die de taak definieert. Dat gaat niet alleen over welke gegevens nodig zijn, hoelang de taak mag duren en wat belangrijk is, maar ook over de vraag of de tussentijdse resultaten logisch zijn. Geavanceerd autonoom onderzoek zou nog steeds beginnen met een door mensen gedefinieerd systeem, met invoergegevens, een omschrijving van de omgeving, evaluatiemaatstaven, afwegingen en overkoepelende prioriteiten. De rest van het proces zou echter worden toevertrouwd aan een losjes georganiseerde "vloot" van agents die op hun beurt door andere agents worden gecoördineerd. Binnen een goed gestructureerde onderzoekspijplijn zouden deze agents intelligente beslissingen kunnen nemen over het verkennen van ideeën, het verdelen van rekentijd en het integreren van veelbelovende bevindingen, met nauwelijks meer dan een open vraag als vertrekpunt.

"Hoe ziet het eruit als je dit allemaal van begin tot eind kunt verbinden, een algemene vraag kunt stellen waarop je zelf het antwoord niet weet, en een bruikbaar resultaat terugkrijgt?", vraagt hij. "Als je een millenniumprobleem kunt oplossen, kun je waarschijnlijk ook behoorlijk interessante inzichten opdoen over kwantitatieve financiën."

Elk jaar bracht niet alleen gestage vooruitgang in benchmarkscores, maar ook grote sprongen in het soort werk dat modellen konden uitvoeren. Vaak waren deze ontwikkelingen zelfs een paar maanden van tevoren moeilijk te voorspellen. In 2024 gold het nog als indrukwekkend als de eerste agents één bestand foutloos konden schrijven. In 2025 werd het mogelijk om complete codebases vanaf nul op te bouwen, en in 2026 om vooruitgang te boeken bij open onderzoeksvragen met veel agents die dynamisch naast elkaar samenwerken. "Wat kunnen we volgend jaar verwachten?", zegt hij. "Het is een ongelooflijk vooruitzicht."