Jak Jump Trading rozwija badania ilościowe z ChatGPT

Jump Trading, firma zajmująca się handlem ilościowym, tworzy modele predykcyjne wykorzystujące dane rynkowe, wiadomości i wydarzenia oraz szereg alternatywnych źródeł danych, by jak najtrafniej prognozować ceny aktywów. Ponieważ rynki są złożone, pełne szumu informacyjnego i zmieniają się w czasie, rzadko można dokładnie przewidzieć, co się wydarzy. Jednak według Lucasa Bakera, szefa działu badań i rozwoju LLM w Jump, trafność prognoz choćby nieznacznie lepsza niż rzut monetą wystarczy, by przy dużej skali zbudować skuteczną strategię.

Baker kieruje badaniami i rozwojem systemów agentowych. Skupia się na tworzeniu agentów, otoczenia operacyjnego i infrastruktury, które pozwalają badaczom ilościowym analizować pomysły szerzej i dogłębniej. Wdrożenie GPT‑6 Astra radykalnie zwiększyło skalę i złożoność procesów, które można powierzać agentom — od codziennego programowania po zaawansowane badania ilościowe służące weryfikacji nowych hipotez.

W ciągu ostatniego roku AI przekształciła się z pomocnego narzędzia do pisania pojedynczych fragmentów kodu czy znajdowania drobnych błędów w sprawny, wszechstronny system, który potrafi samodzielnie tworzyć całe bazy kodu i usługi. Dziś Baker i jego zespół przekonują się, że AI sprawdza się najlepiej, gdy traktuje się ją bardziej jak współpracownika. Badacze mogą określić kluczowy problem, środowisko pracy oraz sposób oceny jakości i znaczenia wyników, a następnie na bieżąco wskazywać jednemu lub wielu agentom, na czym skupić analizę lub jakie zadanie wykonać w następnej kolejności.

Baker mówi, że dzięki GPT‑6 Astra agenci potrafią już nie tylko znajdować istotne i praktyczne usprawnienia, lecz także łączyć je i na ich podstawie wprowadzać kolejne, w procesie rekurencyjnego doskonalenia. W trakcie jednego długotrwałego zadania system może analizować swoje ustalenia, oceniać je według kryteriów uzgodnionych we wstępnej propozycji i aktywnie zmieniać kierunek pracy, zamiast wymagać od człowieka analizy każdej kolejnej serii zmian. Jak wyjaśnia: „Można zdefiniować zadanie, którego wykonanie zajmie wiele dni — wymagające czerpania z wielu źródeł danych, subtelnego rozróżniania tego, co ważne, od tego, co nieistotne, i powiązania wszystkiego ze sobą — aby stworzyć kompleksową analizę. To już naprawdę działa”.

Jump Trading działa we wszystkich horyzontach czasowych i klasach aktywów. Każdy etap procesu jest złożony, a w tak ściśle regulowanej branży jak finanse błędy mogą mieć konsekwencje zarówno finansowe, jak i związane ze zgodnością z przepisami. Baker podkreśla, że trzeba mieć świadomość ryzyka związanego z powierzaniem pracy AI. Zaznacza też jednak, że możliwości agentów można wykorzystać do poprawy jakości, bezpieczeństwa i monitorowania, a nie tylko do dodawania funkcji. Solidny projekt systemu i jasno wyznaczone granice jego działania, precyzyjne ograniczenia, infrastruktura ułatwiająca sterowanie i obserwację oraz weryfikacja zmian przez ludzi pomagają zespołowi Jump Trading przygotować procesy wspierane przez AI do skalowania w regulowanym środowisku.

„Mamy bezpieczne środowisko, w którym agent lub system może swobodnie generować wszelkie potrzebne wyniki, ale na końcu jest też weryfikacja przez człowieka — to on przeprowadza kluczową walidację i zatwierdza rezultaty. Właśnie to daje nam pewność” — mówi. Na przykład, jeśli agent wygeneruje sygnał transakcyjny, jego zakres zastosowania określa się i weryfikuje tak samo jak w przypadku każdego innego wyniku: traktuje się go jako sygnał, zwykle przydatny, lecz potencjalnie błędny, i łączy z pozostałymi sygnałami w środowisku realizacji transakcji podlegającym rygorystycznej weryfikacji i kontroli.

Zdaniem Bakera zmierzamy ku światu, w którym „autonomiczne badania”, czyli rekurencyjne doskonalenie systemów o mierzalnych wynikach przez agentów badawczych, staną się tak powszechne, że będą po prostu częścią codziennej pracy badacza ilościowego. Dziś nawet najdłuższe zadania wykonywane przez GPT‑6 Astra nadal wymagają regularnych konsultacji z osobą, która je definiuje. Dotyczą one nie tylko tego, jakie dane pobierać, jak długo pracować i co uznawać za istotne, ale też tego, czy wyniki pośrednie mają sens. Zaawansowane autonomiczne badania nadal zaczynałyby się od systemu zdefiniowanego przez człowieka, obejmującego dane wejściowe, opis środowiska, metryki oceny, kompromisy i ogólne priorytety. Reszta procesu byłaby jednak powierzana luźno zorganizowanej „flocie” agentów, koordynowanych przez innych agentów. W dobrze zorganizowanym procesie badawczym agenci mogliby podejmować trafne decyzje o tym, jak sprawdzać pomysły, przydzielać czas obliczeniowy i wykorzystywać obiecujące ustalenia — a punktem wyjścia byłoby niewiele więcej niż otwarte pytanie.

„Jak to będzie wyglądać, gdy uda się połączyć wszystkie te elementy w całość, zadać ogólne pytanie, na które nawet samemu nie zna się odpowiedzi, i otrzymać przydatny wynik?” — pyta. „Jeśli można rozwiązać problem milenijny, to zapewne można też odkryć całkiem interesujące fakty dotyczące finansów ilościowych”.

Każdy rok przynosił nie tylko stałą poprawę wyników w testach porównawczych, lecz także skokowe zmiany w rodzajach pracy, które modele potrafiły wykonywać. Często trudno było przewidzieć te zmiany nawet z kilkumiesięcznym wyprzedzeniem. W 2024 roku za imponujące osiągnięcie pierwszych agentów uznawano napisanie jednego pliku bez błędów. W 2025 roku możliwe stało się tworzenie całych baz kodu od zera, a w 2026 — osiąganie postępów w otwartych problemach badawczych dzięki dynamicznej współpracy wielu agentów. „Co przyniesie nam przyszły rok?” — zastanawia się. „To naprawdę niesamowita perspektywa”.