Jump Trading extinde cercetarea cantitativă cu ChatGPT

Ca firmă de tranzacționare cantitativă, Jump Trading creează modele predictive care folosesc date de piață, știri și evenimente, precum și o serie de surse alternative de date pentru a face previziuni cât mai bune privind prețurile activelor. Deoarece piețele sunt complexe, abundă în zgomot informațional și se schimbă în timp, rareori se poate anticipa cu exactitate ce se va întâmpla. Dar, potrivit lui Lucas Baker, director de cercetare și dezvoltare LLM la Jump, previziunile chiar și puțin mai bune decât hazardul sunt suficiente, la scară mare, pentru o strategie de succes.

Baker conduce activitatea de cercetare și dezvoltare în domeniul agenților AI și se concentrează pe construirea agenților, a cadrelor de testare și a infrastructurii care le permit cercetătorilor în domeniul cantitativ să-și exploreze ideile mai amplu și mai profund. Integrarea GPT‑6 Astra a extins considerabil amploarea și complexitatea fluxurilor de lucru care pot fi delegate agenților, de la programarea de zi cu zi până la studii cantitative avansate pentru validarea unor noi ipoteze.

În ultimul an, AI a evoluat dintr-un instrument util pentru scrierea unor fragmente de cod punctuale sau identificarea unor erori minore într-un sistem performant și versatil, capabil să dezvolte singur baze de cod și servicii întregi. Acum, Baker și echipa sa constată că AI funcționează cel mai bine când este tratată mai degrabă ca un coleg. Cercetătorii pot defini o problemă esențială, un mediu de lucru și o metodă de evaluare a calității și relevanței rezultatelor, apoi pot îndruma unul sau mai mulți agenți în timp real, indicându-le pe ce să se concentreze în analiză sau ce sarcină să execute în continuare.

Baker spune că, datorită GPT‑6 Astra, agenții pot acum nu doar să identifice modificări relevante și utile în practică, ci și să combine și să cumuleze aceste progrese într-un proces de îmbunătățire recursivă. Pe parcursul unei singure sarcini de lungă durată, sistemul își poate analiza constatările, le poate evalua în raport cu criteriile convenite în propunerea inițială și își poate redirecționa activ eforturile, fără să fie nevoie ca o persoană să analizeze fiecare rundă de modificări. După cum explică el: „Poți defini o sarcină care trebuie să ruleze zile întregi, să preia date din numeroase surse, să facă distincții subtile între ce este important și ce nu și să coreleze totul, pentru a produce o analiză cuprinzătoare. Acum, acest lucru chiar funcționează.”

Jump Trading operează pe toate orizonturile de timp și în toate clasele de active. Fiecare etapă a procesului este complexă, iar într-un sector puternic reglementat, precum cel financiar, greșelile pot avea consecințe atât financiare, cât și în materie de conformitate. Baker spune că este esențial să conștientizăm riscurile care apar când încredințăm sarcini sistemelor AI, dar și că inteligența agenților poate fi folosită pentru îmbunătățirea calității, securității și monitorizării, nu doar pentru adăugarea de funcționalități. Un sistem bine proiectat, cu limite solide și constrângeri clare, o infrastructură care facilitează ghidarea și observarea funcționării sistemului, precum și verificarea modificărilor de către oameni ajută echipa Jump Trading să se asigure că fluxurile de lucru bazate pe AI sunt pregătite să se extindă într-un mediu reglementat.

„Ceea ce ne dă încredere este să avem un mediu sigur, în care agentul sau sistemul este liber să producă orice rezultat de care are nevoie, dar în care există și un proces final de verificare umană, cu validarea aspectelor esențiale și aprobarea de către oameni”, spune el. De exemplu, dacă un agent produce un semnal de tranzacționare, i se stabilește domeniul de aplicare și este verificat ca orice alt rezultat: ca un semnal, de obicei informativ, dar potențial eronat, integrat cu toate celelalte semnale într-un mediu de execuție riguros verificat și controlat.

Baker crede că ne îndreptăm spre o lume în care „cercetarea autonomă”, adică îmbunătățirea recursivă a sistemelor măsurabile de către agenți de cercetare, va fi atât de răspândită, încât va fi considerată pur și simplu o parte obișnuită a activității unui cercetător în domeniul cantitativ. Astăzi, chiar și cele mai îndelungate sarcini ale GPT‑6 Astra implică încă verificări periodice cu persoana care definește sarcina: nu doar ce date să fie preluate, cât timp să ruleze și ce este considerat important, ci și dacă rezultatele intermediare au sens. Cercetarea autonomă avansată ar porni tot de la un sistem definit de oameni, incluzând datele de intrare, definirea mediului, indicatorii de evaluare, compromisurile și prioritățile generale, dar ar încredința restul procesului unei „flote” de agenți cu o structură flexibilă, coordonați la rândul lor de alți agenți. Într-un flux de cercetare bine structurat, acești agenți ar putea lua decizii inteligente despre cum să exploreze idei, să aloce timp de calcul și să integreze constatările promițătoare, pornind de la aproape nimic altceva decât o întrebare deschisă.

„Cum ar arăta lucrurile dacă ai putea conecta toate aceste etape de la un capăt la altul, ai pune o întrebare generală la care nici tu nu știi răspunsul și ai primi un rezultat util?”, întreabă el. „Dacă poți rezolva o problemă a mileniului, probabil poți descoperi și lucruri foarte interesante despre finanțele cantitative.”

Fiecare an a adus nu doar progrese constante în rezultatele la testele de referință, ci și salturi majore în tipurile de activități pe care modelele le puteau realiza. Adesea, aceste evoluții erau greu de anticipat chiar și cu câteva luni înainte: dacă în 2024 era considerat impresionant ca primii agenți să scrie un singur fișier fără greșeli, în 2025 a devenit posibilă crearea unor baze de cod întregi de la zero, iar în 2026, avansarea cercetării unor probleme încă nerezolvate, prin colaborarea dinamică a numeroși agenți. „Ce vom avea anul viitor?”, spune el. „Este o perspectivă cu adevărat incredibilă.”