Како Jump Trading шири квантитативна истраживања уз ChatGPT
Jump Trading користи GPT‑6 Astra за решавање дуготрајнијих, мање јасно дефинисаних истраживачких проблема.
Као компанија за квантитативно трговање, Jump Trading развија предиктивне моделе који користе тржишне податке, вести и догађаје, као и низ алтернативних извора података, да би што прецизније предвидели цене имовине. Пошто су тржишта сложена, пуна шума и променљива током времена, ретко је могуће тачно предвидети шта ће се догодити. Али према речима Лукаса Бејкера, руководиоца истраживања и развоја великих језичких модела (LLM) у компанији Jump Trading, чак и предвиђања незнатно боља од бацања новчића довољна су за успешну стратегију када се примењују у великом обиму.
Бејкер води истраживање и развој у области агената, а усредсређен је на изградњу агената, окружења и инфраструктуре који квантитативним истраживачима омогућавају да своје идеје истраже шире и дубље. Увођење модела GPT‑6 Astra драстично је повећало обим и сложеност радних процеса који се могу поверити агентима, од свакодневног програмирања до напредних квантитативних студија за проверу нових хипотеза.
„Серијом GPT-6, нарочито моделом GPT-6 Astra, OpenAI је омогућио нови ниво аутономије за дуготрајне задатке који захтевају флексибилну координацију агената и изузетну истрајност у сложеним радним процесима. Тамо где су нам раније била неопходна честа људска упутства и интервенције, сада можемо у потпуности да се посветимо успостављању безбедног окружења под добрим надзором, са јасним циљевима, и да препустимо агентима да сами пронађу пут.“
Током протекле године, вештачка интелигенција је од помоћног алата за писање делова кода за појединачне потребе или проналажење ситних грешака прерасла у способан, свестран систем који самостално може да развија читаве базе кода и сервисе. Бејкер и његов тим сада увиђају да вештачка интелигенција најбоље ради када се према њој односе више као према колеги. Истраживачи могу да дефинишу кључни проблем, радно окружење и начин оцењивања квалитета и значаја резултата, а затим да у реалном времену усмеравају једног или више агената на то чему да посвете анализу или који задатак следећи да покрену.
Бејкер каже да уз GPT‑6 Astra агенти сада могу не само да пронађу смислене и практичне измене, већ и да спајају та побољшања и надограђују их кроз процес рекурзивног унапређивања. Током једног дуготрајног задатка, систем може да анализира своје налазе, оцени их према договореним критеријумима из почетног предлога и активно преусмерава свој рад, уместо да човек мора да анализира сваки круг измена. Како он то описује: „Можете да дефинишете задатак који треба да траје данима — да прикупља податке из многих извора, доноси истанчане процене о томе шта је важно, а шта није, и све то међусобно повеже — како би настао свеобухватан аналитички преглед. То сада заиста функционише.“
Jump Trading послује у свим временским хоризонтима и класама имовине. Сваки корак процеса је сложен, а у строго регулисаном сектору попут финансија грешке могу имати последице и по финансије и по усклађеност са прописима. Бејкер каже да је кључно бити свестан ризика који настају када се посао повери вештачкој интелигенцији, али и да интелигенција агената може да се примени за унапређење квалитета, безбедности и надзора, а не само за додавање функција. Добро осмишљен систем са јасним границама и ограничењима, инфраструктура која олакшава усмеравање и праћење рада, као и људски преглед измена, помажу тиму компаније Jump Trading да радне процесе подржане вештачком интелигенцијом припреми за ширење у регулисаном окружењу.
„Ако имате безбедно окружење у ком агент или систем може слободно да произведе било који потребан резултат, али на крају постоји и људски преглед, где се обавља кључна провера уз одобрење човека, то је оно што нам улива поверење“, каже он. На пример, ако агент произведе трговачки сигнал, његов опсег примене се одређује и он се проверава као и сваки други резултат: као сигнал који је обично користан, али потенцијално погрешан, и који се обједињује са свим осталим сигналима у строго провераваном и контролисаном окружењу за извршавање.
Бејкер сматра да идемо ка свету у ком ће „аутоматизовано истраживање“, односно рекурзивно унапређивање система са мерљивим резултатима које спроводе агенти истраживачи, постати толико распрострањено да ће се сматрати обичним делом свакодневног рада квантитативног истраживача. Данас чак и најдуготрајнији рад модела GPT‑6 Astra и даље укључује редовне консултације са особом која дефинише задатак — не само о томе које податке треба прикупити, колико дуго радити и шта се сматра важним, већ и о томе да ли међурезултати имају смисла. Напредно аутоматизовано истраживање и даље би почињало системом који дефинише човек, укључујући улазне податке, окружење, метрике за оцењивање, компромисе и опште приоритете, али би остатак процеса био поверен лабаво организованој „флоти“ агената чији рад координишу други агенти. У оквиру добро организованог истраживачког процеса, ови агенти би могли да доносе промишљене одлуке о томе како да истражују идеје, распоређују време коришћења рачунарских ресурса и обједињују налазе који обећавају, полазећи од готово ничег више до отвореног питања.
„Како то изгледа када све ово можете да повежете од почетка до краја, поставите опште питање на које ни сами не знате одговор и добијете користан резултат?“, пита се он. „Ако можете да решите неки од Миленијумских проблема, вероватно можете да откријете и прилично занимљиве чињенице о квантитативним финансијама.“
Свака година доносила је не само сталан напредак у резултатима на референтним тестовима већ и крупне помаке у врсти послова које су модели могли да обављају. Ове помаке често је било тешко предвидети чак и неколико месеци унапред: док се 2024. године сматрало импресивним да рани агенти напишу једну датотеку без грешака, 2025. постало је могуће стварати читаве базе кода од нуле, а 2026. напредовати у решавању отворених истраживачких питања уз многе агенте који динамично сарађују. „Шта ћемо имати следеће године?“, пита се он. „Пред нама су заиста невероватне могућности.“
