Ako Jump Trading rozširuje kvantitatívny výskum s ChatGPT

Jump Trading sa venuje kvantitatívnemu obchodovaniu a vytvára prediktívne modely, ktoré využívajú trhové údaje, správy a udalosti aj celý rad alternatívnych zdrojov údajov na čo najpresnejšie predpovede cien aktív. Keďže trhy sú zložité, plné šumu a neustále sa menia, len zriedka možno presne predvídať, čo sa stane. Podľa Lucasa Bakera, vedúceho výskumu a vývoja LLM v Jump Trading, však pri dostatočne veľkom rozsahu stačí predpovedať výsledky čo i len o niečo lepšie než náhodne, aby stratégia uspela.

Baker vedie výskum a vývoj v oblasti agentov a zameriava sa na budovanie agentov, harnessov a infraštruktúry, ktoré umožňujú kvantitatívnym výskumníkom skúmať svoje nápady vo väčšej šírke aj hĺbke. Zapojenie GPT‑6 Astra výrazne rozšírilo rozsah aj zložitosť pracovných postupov, ktoré možno zveriť agentom: od každodenného programovania až po pokročilé kvantitatívne štúdie na overovanie nových hypotéz.

Za posledný rok sa AI zmenila z užitočného nástroja na písanie jednorazových úsekov kódu či hľadanie drobných chýb na schopný, všestranný systém, ktorý dokáže samostatne vyvíjať celé kódové základne a služby. Baker a jeho tím dnes zisťujú, že AI funguje najlepšie, keď k nej pristupujú skôr ako ku kolegovi. Výskumníci môžu určiť kľúčový problém, pracovné prostredie a spôsob hodnotenia kvality a významu výsledkov. Potom môžu v reálnom čase usmerňovať jeden alebo viacero agentov, na čo majú zamerať analýzu alebo ktorú úlohu spustiť ako ďalšiu.

Podľa Bakera dnes agenty vďaka GPT‑6 Astra dokážu nielen nachádzať zmysluplné a praktické zmeny, ale aj spájať dosiahnuté zlepšenia a ďalej na nich stavať v procese rekurzívneho zdokonaľovania. Počas jednej dlhotrvajúcej úlohy dokáže systém analyzovať svoje zistenia, posudzovať ich podľa dohodnutých kritérií z pôvodného návrhu a aktívne meniť smer svojho úsilia bez toho, aby každé kolo zmien musel analyzovať človek. Ako hovorí: „Môžete zadať úlohu, ktorej spracovanie potrvá celé dni. Musí čerpať z mnohých zdrojov údajov, citlivo rozlišovať, čo je dôležité a čo nie, a všetko navzájom prepojiť, aby vznikla komplexná analýza. Dnes to už naozaj funguje.“

Jump Trading pôsobí vo všetkých časových horizontoch a triedach aktív. Každý krok procesu je zložitý a v prísne regulovanom odvetví, akým sú financie, môžu mať chyby finančné dôsledky aj dôsledky z hľadiska dodržiavania predpisov. Baker zdôrazňuje, že je nevyhnutné uvedomovať si riziká spojené so zverením práce AI. Zároveň však možno inteligenciu agentov využiť aj na zlepšovanie kvality, bezpečnosti a monitorovania, nielen na pridávanie funkcií. Premyslený návrh systému a jeho hraníc, jasné obmedzenia, infraštruktúra umožňujúca usmerňovanie a sledovanie systému aj kontrola zmien človekom pomáhajú tímu Jump Trading zabezpečiť, aby sa pracovné postupy s podporou AI dali rozširovať aj v regulovanom prostredí.

„Dôveru nám dáva bezpečné prostredie, v ktorom môže agent alebo systém voľne vytvárať akýkoľvek potrebný výstup, no na konci nasleduje kontrola človekom, pri ktorej prebehne zásadné overenie a schválenie,“ hovorí. Ak napríklad agent vytvorí obchodný signál, rozsah jeho použitia sa vymedzí a signál sa posúdi rovnako ako akýkoľvek iný výstup: ako signál, ktorý je zvyčajne informatívny, no môže byť nesprávny. Následne sa začlení spolu s ostatnými signálmi do prostredia na vykonávanie obchodov, ktoré podlieha prísnym kontrolám a riadeniu.

Baker si myslí, že smerujeme do sveta, v ktorom bude „autonómny výskum“, teda rekurzívne zlepšovanie systémov s merateľnými výsledkami pomocou výskumných agentov, taký rozšírený, že sa bude považovať za bežnú súčasť práce kvantitatívneho výskumníka. Aj pri najdlhšie trvajúcich úlohách GPT‑6 Astra dnes stále prebiehajú pravidelné konzultácie s človekom, ktorý úlohu zadáva. Nejde len o to, aké údaje získať, ako dlho má spracovanie bežať a čo je dôležité, ale aj o to, či priebežné výsledky dávajú zmysel. Aj pokročilý autonómny výskum by sa začínal systémom definovaným človekom vrátane vstupov, vymedzenia prostredia, hodnotiacich metrík, kompromisov a celkových priorít. Zvyšok procesu by však bol zverený voľne usporiadanej „flotile“ agentov, ktoré by koordinovali ďalšie agenty. V rámci dobre štruktúrovaného výskumného procesu by sa tieto agenty dokázali inteligentne rozhodovať, ako skúmať nápady, prideľovať výpočtový čas a zapájať sľubné zistenia. Na začiatok by pritom stačila takmer iba otvorená otázka.

„Ako to bude vyzerať, keď toto všetko prepojíte do jedného celku, položíte všeobecnú otázku, na ktorú ani sami nepoznáte odpoveď, a dostanete užitočný výsledok?“ pýta sa. „Ak dokážete vyriešiť jeden z problémov milénia, pravdepodobne dokážete odhaliť aj veľmi zaujímavé skutočnosti o kvantitatívnych financiách.“

Každý rok priniesol nielen sústavné zlepšovanie výsledkov v benchmarkoch, ale aj zásadné posuny v tom, aké druhy práce modely dokázali vykonávať. Tento vývoj sa často nedal predvídať ani niekoľko mesiacov vopred. Kým v roku 2024 sa považovalo za pôsobivé, keď prvé agenty napísali jediný súbor bez chýb, v roku 2025 už dokázali vytvárať celé kódové základne od nuly. V roku 2026 zas dokázali posúvať riešenie otvorených výskumných otázok vďaka dynamickej spolupráci mnohých agentov. „Čo budeme mať k dispozícii o rok?“ hovorí. „Je to naozaj neuveriteľná vyhliadka.“