Как Jump Trading масштабирует исследования с ChatGPT

Jump Trading занимается количественным трейдингом и создаёт прогностические модели, которые используют рыночные данные, новости и события, а также различные альтернативные источники данных, чтобы как можно точнее прогнозировать цены активов. Рынки сложны, в них много шума, и они меняются со временем, поэтому точно предвидеть события удаётся редко. Но, по словам Лукаса Бейкера, руководителя исследований и разработок в области LLM в Jump, при работе в большом масштабе даже прогнозов чуть точнее подбрасывания монеты достаточно для успешной стратегии.

Бейкер руководит исследованиями и разработками в области агентов. Он сосредоточен на создании агентов, обвязок и инфраструктуры, которые позволяют специалистам по количественным исследованиям изучать свои идеи шире и глубже. С внедрением GPT‑6 Astra значительно выросли масштаб и сложность рабочих процессов, которые можно поручить агентам: от повседневного написания кода до углублённых количественных исследований для проверки новых гипотез.

За последний год ИИ превратился из полезного инструмента для написания отдельных фрагментов кода или поиска мелких ошибок в мощную универсальную систему, способную самостоятельно разрабатывать целые кодовые базы и сервисы. Теперь Бейкер и его команда видят, что ИИ работает лучше всего, когда к нему относятся скорее как к коллеге. Исследователи могут определить основную задачу, рабочую среду и способ оценки качества и значимости результатов, а затем в реальном времени направлять одного или нескольких агентов: указывать, на чём сосредоточить анализ или какую задачу запустить следующей.

По словам Бейкера, с GPT‑6 Astra агенты теперь способны не только находить значимые и практически полезные изменения, но и объединять их, используя достигнутое для дальнейших улучшений в рекурсивном процессе. В ходе одной длительной задачи система может анализировать свои результаты, оценивать их по критериям, согласованным на этапе первоначального предложения, и самостоятельно менять направление работы. Человеку больше не нужно анализировать каждый раунд изменений. «Можно поставить задачу, которая потребует нескольких дней работы: нужно собрать данные из множества источников, разобраться в нюансах, чтобы понять, что важно, а что нет, и связать всё воедино для всестороннего анализа. Теперь это действительно работает», — говорит он.

Jump Trading работает со всеми временными горизонтами и классами активов. Каждый этап процесса сложен, а в такой строго регулируемой отрасли, как финансы, ошибки могут привести и к денежным потерям, и к нарушениям нормативных требований. Бейкер подчёркивает, что крайне важно осознавать риски, возникающие при передаче работы ИИ. При этом интеллектуальные возможности агентов можно использовать не только для добавления функций, но и для повышения качества, безопасности и эффективности мониторинга. Продуманная архитектура системы и границы её работы, чёткие ограничения, инфраструктура, обеспечивающая управляемость и наблюдаемость, а также проверка изменений человеком помогают команде Jump Trading подготовить рабочие процессы с ИИ к масштабированию в условиях нормативного регулирования.

«Уверенность нам даёт безопасная среда, в которой агент или система могут свободно создавать любые необходимые результаты, но в конце эти результаты обязательно проверяет человек — он проводит критически важную валидацию и принимает окончательное решение», — говорит он. Например, если агент создаёт торговый сигнал, область его применения определяют, а сам сигнал проверяют так же, как любой другой результат: это сигнал, обычно информативный, но потенциально ошибочный. Его объединяют с остальными сигналами в среде исполнения сделок, которая проходит строгие проверки и находится под постоянным контролем.

Бейкер считает, что мы движемся к миру, где «автоисследования» — рекурсивное улучшение систем с измеримыми показателями силами агентов-исследователей — станут настолько распространёнными, что будут восприниматься как обычная часть работы специалиста по количественным исследованиям. Сегодня даже самые длительные задачи GPT‑6 Astra всё ещё требуют регулярных сверок с человеком, который их ставит. Обсуждаются не только источники данных, продолжительность работы и критерии значимости, но и то, насколько осмысленны промежуточные результаты. Более развитые автоисследования по-прежнему начинались бы с заданной человеком системы: входных данных, описания среды, метрик оценки, допустимых компромиссов и общих приоритетов. Но остальной процесс можно было бы доверить гибко организованной «флотилии» агентов, которых координируют другие агенты. В рамках хорошо выстроенного исследовательского процесса эти агенты могли бы обоснованно решать, как изучать идеи, распределять вычислительное время и использовать перспективные результаты. При этом для начала работы было бы достаточно практически одного открытого вопроса.

«Как это будет выглядеть, когда можно будет связать всё в единый процесс, задать общий вопрос, на который ты и сам не знаешь ответа, и получить полезный результат?» — спрашивает он. «Если удастся решить одну из задач тысячелетия, то, вероятно, получится открыть и довольно интересные закономерности в количественных финансах».

Каждый год приносил не только устойчивый рост результатов на тестах, но и качественные скачки в том, какую работу могли выполнять модели. Часто эти изменения было трудно предсказать даже за несколько месяцев: в 2024 году впечатляло, если ранние агенты могли написать один файл без ошибок; в 2025-м стало возможно создавать целые кодовые базы с нуля, а в 2026-м — продвигаться в решении открытых исследовательских вопросов благодаря множеству агентов, гибко взаимодействующих в совместной работе. «Что нас ждёт в следующем году?» — говорит он. «Перспективы просто невероятные».