Jump Trading amplia a pesquisa quantitativa com ChatGPT

Como empresa de negociação quantitativa, a Jump Trading cria modelos preditivos que usam dados de mercado, notícias, eventos e diversas fontes alternativas de dados para fazer as melhores previsões possíveis sobre os preços dos ativos. Como os mercados são complexos, apresentam ruído e mudam ao longo do tempo, raramente é possível antecipar exatamente o que vai acontecer. Mas, segundo Lucas Baker, líder de P&D em LLM na Jump, fazer previsões com uma taxa de acerto um pouco melhor que a de cara ou coroa, em escala, já basta para obter uma estratégia bem-sucedida.

Baker lidera a pesquisa e o desenvolvimento com agentes de IA e se concentra em criar agentes, harness e infraestrutura que permitam aos pesquisadores quantitativos explorar suas ideias com maior abrangência e profundidade. A adoção do GPT‑6 Astra ampliou drasticamente a escala e a complexidade dos fluxos de trabalho que podem ser delegados a agentes, desde a programação do dia a dia até estudos quantitativos avançados para validar novas hipóteses.

No último ano, a IA deixou de ser uma ferramenta de apoio, útil para escrever trechos pontuais de código ou encontrar pequenos bugs, e se tornou um sistema capaz e versátil, que pode desenvolver bases de código e serviços inteiros por conta própria. Agora, Baker e sua equipe percebem que a IA funciona melhor quando é tratada mais como uma colega de trabalho. Os pesquisadores podem definir um problema central, um ambiente de trabalho e uma forma de avaliar a qualidade e a relevância dos resultados. Depois, podem orientar um ou vários agentes em tempo real sobre onde concentrar a análise ou qual tarefa executar em seguida.

Baker afirma que, com o GPT‑6 Astra, os agentes agora conseguem não apenas identificar mudanças relevantes e práticas, mas também combinar e acumular esses ganhos em um processo de melhoria recursiva. Ao longo de uma única tarefa de longa duração, o sistema pode analisar suas descobertas, avaliá-las segundo os critérios acordados na proposta inicial e redirecionar ativamente seus esforços, sem precisar que uma pessoa analise cada rodada de mudanças. Como ele explica: "Você pode definir uma tarefa que precisa ser executada por dias — buscar informações em várias fontes de dados, fazer avaliações sutis sobre o que é importante e o que não é, e relacionar tudo isso — para criar uma análise abrangente. Hoje, isso realmente funciona."

A Jump Trading atua em todos os horizontes temporais e classes de ativos. Cada etapa do processo é complexa e, em um setor altamente regulamentado como o financeiro, erros podem ter consequências tanto financeiras quanto de conformidade. Baker afirma que é fundamental estar ciente dos riscos de delegar trabalho à IA, mas ressalta que a inteligência com agentes de IA também pode ser aplicada para melhorar a qualidade, a segurança e o monitoramento, e não apenas para adicionar funcionalidades. Uma arquitetura de sistema robusta, limites e restrições claros, uma infraestrutura que facilite o direcionamento e a observabilidade, além da revisão humana das mudanças, ajudam a equipe da Jump Trading a garantir que os fluxos de trabalho com IA estejam prontos para ganhar escala em um ambiente regulamentado.

"O que nos dá confiança é ter um ambiente seguro em que o agente ou sistema tenha liberdade para produzir qualquer resultado necessário, mas que também conte com um processo de revisão humana ao final, no qual ocorra a validação crítica com aprovação humana", diz ele. Por exemplo, se um agente produz um sinal de negociação, seu escopo é definido e ele é revisado como qualquer outro resultado: como um sinal, geralmente informativo, mas sujeito a erros, e integrado a todos os outros sinais em um ambiente de execução rigorosamente revisado e controlado.

Baker acredita que estamos caminhando para um mundo em que a "pesquisa autônoma", ou a melhoria recursiva de sistemas mensuráveis por agentes pesquisadores, será tão difundida que será considerada apenas mais uma parte do fluxo de trabalho habitual de um pesquisador quantitativo. Hoje, mesmo os trabalhos mais longos do GPT‑6 Astra ainda envolvem consultas regulares à pessoa que define a tarefa — não só sobre quais dados buscar, por quanto tempo executar o trabalho e o que considerar importante, mas também sobre se os resultados intermediários fazem sentido. A pesquisa autônoma avançada ainda começaria com um sistema definido por humanos, incluindo dados de entrada, definição do ambiente, métricas de avaliação, concessões necessárias e prioridades gerais. O restante do processo, porém, seria confiado a uma "frota" de agentes com estrutura flexível, coordenados por outros agentes. Em um fluxo de pesquisa bem estruturado, esses agentes seriam capazes de tomar decisões inteligentes sobre como explorar ideias, alocar tempo de computação e integrar descobertas promissoras, partindo de pouco mais que uma pergunta em aberto.

"Como seria conectar tudo isso de ponta a ponta, fazer uma pergunta ampla para a qual nem você sabe a resposta e receber um resultado útil?", pergunta ele. "Se você consegue resolver um dos Problemas do Milênio, provavelmente também consegue descobrir fatos muito interessantes sobre finanças quantitativas."

A cada ano, houve não apenas avanços constantes nos resultados dos benchmarks, mas também saltos nos tipos de trabalho que os modelos eram capazes de realizar. Muitas vezes, era difícil prever esses avanços mesmo com poucos meses de antecedência: em 2024, era considerado impressionante que os primeiros agentes escrevessem um único arquivo sem erros; em 2025, tornou-se possível criar bases de código inteiras do zero; e, em 2026, avançar em questões de pesquisa em aberto, com muitos agentes colaborando dinamicamente lado a lado. "O que teremos no ano que vem?", diz ele. "É uma perspectiva realmente incrível."