Kako Jump Trading s ChatGPT širi kvantitativne raziskave

Jump Trading je podjetje za kvantitativno trgovanje, ki razvija napovedne modele. Ti na podlagi tržnih podatkov, novic in dogodkov ter različnih alternativnih virov podatkov čim natančneje napovedujejo cene sredstev. Ker so trgi kompleksni, polni šuma in se sčasoma spreminjajo, je redko mogoče natančno predvideti, kaj se bo zgodilo. A kot pravi Lucas Baker, vodja raziskav in razvoja velikih jezikovnih modelov pri podjetju Jump, za uspešno strategijo pri velikem obsegu zadostuje že napovedovanje, ki je le malenkost zanesljivejše od meta kovanca.

Baker vodi raziskave in razvoj na področju agentov. Osredotoča se na razvoj agentov, ogrodij in infrastrukture, ki kvantitativnim raziskovalcem omogočajo širše in globlje raziskovanje zamisli. Z uvedbo modela GPT‑6 Astra so se močno povečale možnosti za predajo obsežnejših in kompleksnejših delovnih procesov agentom: od vsakodnevnega programiranja do naprednih kvantitativnih študij za preverjanje novih hipotez.

V zadnjem letu se je umetna inteligenca iz priročnega orodja za pisanje posameznih izsekov kode ali odkrivanje manjših napak razvila v zmogljiv, vsestranski sistem, ki lahko samostojno razvije celotne kodne baze in storitve. Baker in njegova ekipa zdaj ugotavljajo, da umetna inteligenca najbolje deluje, če jo obravnavajo bolj kot sodelavca. Raziskovalci lahko opredelijo ključni problem, delovno okolje ter način ocenjevanja kakovosti in pomembnosti rezultatov, nato pa enega ali več agentov sproti usmerjajo, na kaj naj osredotočijo analizo ali katero nalogo naj zaženejo naslednjo.

Baker pravi, da agenti z modelom GPT‑6 Astra zdaj ne znajo le poiskati smiselnih in uporabnih sprememb, temveč jih tudi združevati in nadgrajevati v procesu rekurzivnega izboljševanja. Med izvajanjem ene same dolgotrajne naloge lahko sistem analizira svoje ugotovitve, jih presoja po merilih, dogovorjenih v začetnem predlogu, in dejavno preusmerja svoje delo, namesto da bi moral vsak krog sprememb analizirati človek. Kot pojasnjuje: »Lahko določite nalogo, ki jo je treba izvajati več dni: črpati mora iz številnih virov podatkov, pretehtati, kaj je pomembno in kaj ne, ter vse povezati v celoto. Tako nastane celovita analiza, ki zdaj dejansko deluje.«

Jump Trading deluje na vseh časovnih horizontih in v vseh razredih sredstev. Vsak korak procesa je kompleksen, v strogo regulirani panogi, kot so finance, pa imajo lahko napake tako finančne posledice kot posledice za skladnost s predpisi. Baker poudarja, da se je nujno zavedati tveganj, ki nastanejo, ko delo zaupamo umetni inteligenci. Obenem lahko inteligenco agentov uporabimo tudi za izboljšanje kakovosti, varnosti in spremljanja, ne le za dodajanje funkcionalnosti. Dobra zasnova sistema in jasno določene meje, nedvoumne omejitve, infrastruktura, ki omogoča usmerjanje in opazovanje delovanja, ter človeški pregled sprememb ekipi Jump Trading pomagajo zagotoviti, da so delovni procesi z umetno inteligenco pripravljeni na širitev v reguliranem okolju.

»Zaupanje nam vliva varno okolje, v katerem lahko agent ali sistem svobodno ustvari vse, kar potrebuje, na koncu pa sledi človeški pregled, pri katerem se opravi ključno preverjanje in človek potrdi rezultat,« pravi. Če agent na primer ustvari trgovalni signal, se njegova vloga opredeli in pregleda enako kot pri katerem koli drugem rezultatu: obravnava se kot signal, ki je običajno informativen, a je lahko napačen, nato pa se združi z vsemi drugimi signali v strogem nadzornem okviru in nadzorovanem okolju za izvajanje poslov.

Baker meni, da se približujemo svetu, v katerem bo »samodejno raziskovanje« – rekurzivno izboljševanje merljivih sistemov z raziskovalnimi agenti – tako razširjeno, da bo veljalo za povsem običajen del dela kvantitativnega raziskovalca. Danes tudi najdolgotrajnejše delo modela GPT‑6 Astra še vedno vključuje redna posvetovanja z osebo, ki opredeli nalogo. Pri tem ne gre le za to, katere podatke pridobiti, kako dolgo izvajati nalogo in kaj šteje za pomembno, temveč tudi za to, ali so vmesni rezultati smiselni. Napredno samodejno raziskovanje bi se še vedno začelo s sistemom, ki ga opredeli človek, vključno z vhodnimi podatki, opisom okolja, merili ocenjevanja, kompromisi in splošnimi prednostnimi nalogami. Preostanek procesa pa bi bil prepuščen ohlapno organizirani »floti« agentov, ki bi jih usklajevali drugi agenti. V dobro strukturiranem raziskovalnem procesu bi ti agenti lahko sprejemali premišljene odločitve o tem, kako raziskovati zamisli, razporejati računski čas in vključevati obetavne ugotovitve, pri čemer bi za začetek potrebovali komaj kaj več kot odprto vprašanje.

»Kako bo videti, ko boste lahko vse to povezali od začetka do konca, zastavili splošno vprašanje, na katero niti sami ne poznate odgovora, in dobili uporaben rezultat?« se sprašuje. »Če lahko rešite enega od problemov tisočletja, lahko verjetno odkrijete tudi nekaj zelo zanimivih dejstev o kvantitativnih financah.«

Vsako leto je prineslo ne le stalen napredek pri rezultatih primerjalnih preizkusov, temveč tudi velike preskoke v vrstah dela, ki so jih modeli zmogli opravljati. Ta razvoj je bilo pogosto težko napovedati že nekaj mesecev vnaprej: leta 2024 je bilo impresivno, če so zgodnji agenti brez napak napisali eno samo datoteko. Leta 2025 je postalo mogoče iz nič ustvariti celotne kodne baze, leta 2026 pa z dinamičnim sodelovanjem številnih agentov napredovati pri odprtih raziskovalnih vprašanjih. »Kaj bomo imeli prihodnje leto?« pravi. »Obetajo se nam res neverjetne možnosti.«