Jump Trading expande a investigação quantitativa com ChatGPT

Enquanto empresa de negociação quantitativa, a Jump Trading cria modelos preditivos que utilizam dados de mercado, notícias e eventos, bem como várias fontes de dados alternativas, para fazer as melhores previsões possíveis sobre os preços dos ativos. Como os mercados são complexos, têm muito ruído e mudam ao longo do tempo, raramente é possível antecipar exatamente o que vai acontecer. Mas, segundo Lucas Baker, responsável de I&D em LLM na Jump, fazer previsões em grande escala com uma precisão ligeiramente superior à de um lançamento de moeda ao ar já basta para obter uma estratégia bem-sucedida.

Baker lidera a investigação e o desenvolvimento de sistemas de agentes e dedica-se a criar os agentes, harnesses e infraestruturas que permitem aos investigadores quantitativos explorar as suas ideias com maior abrangência e profundidade. A introdução do GPT‑6 Astra aumentou 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 passou de uma ferramenta útil para escrever excertos de código pontuais ou encontrar pequenos erros a um sistema capaz e versátil, que consegue desenvolver bases de código inteiras e serviços por si só. Hoje, Baker e a sua equipa constatam que a IA funciona melhor quando é tratada mais como um colega. Os investigadores podem definir um problema central, um ambiente de trabalho e uma forma de avaliar a qualidade e a relevância dos resultados e, depois, orientar um ou vários agentes em tempo real sobre onde concentrar a análise ou que tarefa executar a seguir.

Baker afirma que, com o GPT‑6 Astra, os agentes são agora capazes não só de identificar alterações relevantes e práticas, mas também de combinar e acumular esses ganhos num processo de melhoria recursiva. Ao longo de uma única tarefa de longa duração, o sistema consegue analisar as suas descobertas, avaliá-las face aos critérios acordados numa proposta inicial e redirecionar ativamente os seus esforços, sem precisar de uma pessoa para analisar cada conjunto de alterações. Como explica: «Podemos definir uma tarefa que precisa de ser executada durante dias, de recorrer a muitas fontes de dados, de fazer avaliações subtis sobre o que é importante e o que não é, e de relacionar tudo isso para criar uma análise abrangente. Agora, isto funciona mesmo.»

A Jump Trading opera em todos os horizontes temporais e classes de ativos. Cada etapa do processo é complexa e, num setor fortemente regulamentado como o financeiro, os erros podem ter consequências tanto financeiras como de conformidade regulamentar. Baker afirma que é fundamental ter consciência dos riscos de confiar trabalho à IA, mas também salienta que a inteligência dos agentes pode ser aplicada à melhoria da qualidade, da segurança e da monitorização, e não apenas à introdução de funcionalidades. Uma conceção sólida do sistema, limites bem definidos, restrições claras, uma infraestrutura que facilite a orientação e a observação do sistema e a revisão humana das alterações ajudam a equipa da Jump Trading a garantir que os fluxos de trabalho apoiados por IA estão preparados para ganhar escala num ambiente regulamentado.

«O que nos dá confiança é ter um ambiente seguro onde o agente ou sistema é livre de produzir os resultados de que precisa, mas onde também existe, no final, um processo de revisão humana com uma validação crítica e aprovação por uma pessoa», afirma. Por exemplo, se um agente produzir um sinal de negociação, o seu âmbito é delimitado e o sinal é revisto como qualquer outro resultado: é tratado como um sinal, geralmente informativo mas potencialmente errado, e integrado com todos os outros sinais num ambiente de execução sujeito a revisão e controlo rigorosos.

Baker acredita que caminhamos para um mundo em que a «investigação autónoma», ou seja, a melhoria recursiva de sistemas mensuráveis por agentes investigadores, será tão generalizada que será considerada apenas mais uma parte do fluxo de trabalho habitual de um investigador quantitativo. Hoje, mesmo os trabalhos mais longos do GPT‑6 Astra continuam a exigir consultas regulares à pessoa que define a tarefa: não só para decidir que dados obter, durante quanto tempo executar o trabalho e o que considerar importante, mas também para verificar se os resultados intermédios fazem sentido. Uma investigação autónoma avançada continuaria a partir de um sistema definido por uma pessoa, incluindo dados de entrada, definição do ambiente, métricas de avaliação, compromissos a fazer e prioridades gerais, mas confiaria o resto do processo a uma «frota» de agentes com uma estrutura flexível, coordenados por outros agentes. Num processo de investigação bem estruturado, estes agentes seriam capazes de tomar decisões inteligentes sobre como explorar ideias, distribuir tempo de computação e integrar descobertas promissoras, partindo de pouco mais do que uma questão em aberto.

«Como será quando pudermos ligar tudo isto de ponta a ponta, fazer uma pergunta geral cuja resposta nem nós sabemos e obter um resultado útil?», pergunta. «Se conseguirmos resolver um dos Problemas do Milénio, provavelmente também conseguiremos descobrir factos bastante interessantes sobre finanças quantitativas.»

Cada ano tem trazido não só avanços constantes nos resultados dos testes de referência, mas também saltos qualitativos no tipo de trabalho que os modelos conseguem realizar. Muitas vezes, era difícil prever estes avanços mesmo com alguns meses de antecedência: em 2024, considerava-se impressionante que os primeiros agentes escrevessem um único ficheiro sem erros; em 2025, tornou-se possível criar bases de código inteiras de raiz; e, em 2026, avançar em questões de investigação em aberto com muitos agentes a colaborar dinamicamente, lado a lado. «O que teremos no próximo ano?», pergunta. «É uma perspetiva verdadeiramente incrível.»