Så skalar Jump Trading upp kvantitativ forskning med ChatGPT
Jump Trading använder GPT‑6 Astra för att ta sig an mer tidskrävande och svårdefinierade forskningsproblem.
Jump Trading är ett företag inom kvantitativ handel som skapar prediktiva modeller. Modellerna använder marknadsdata, nyheter och händelser samt en rad alternativa datakällor för att göra så träffsäkra prognoser som möjligt om tillgångspriser. Eftersom marknaderna är komplexa, brusiga och förändras över tid går det sällan att förutse exakt vad som kommer att hända. Men enligt Lucas Baker, chef för LLM-forskning och utveckling på Jump, räcker det att prognoserna är aningen bättre än en slantsingling för att strategin ska bli framgångsrik i stor skala.
Baker leder forskning och utveckling inom AI-agenter. Han fokuserar på att bygga agenter, körmiljöer och infrastruktur som låter kvantitativa forskare utforska sina idéer på större bredd och djup. Med GPT‑6 Astra kan de nu överlåta betydligt större och mer komplexa arbetsflöden till agenter, från vardaglig programmering till avancerade kvantitativa studier för att validera nya hypoteser.
”Med GPT-6-serien, särskilt GPT-6 Astra, har OpenAI möjliggjort en ny nivå av autonomi för långvariga uppgifter som kräver flexibel samordning av agenter och extrem uthållighet i komplexa arbetsflöden. Där vi tidigare behövde människor som ofta vägledde och ingrep kan vi nu helt fokusera på att skapa en säker och välövervakad miljö med tydliga mål och låta agenterna hitta sin egen väg.”
Under det senaste året har AI gått från att vara ett praktiskt verktyg för att skriva enstaka kodsnuttar eller hitta små buggar till ett kapabelt och mångsidigt system som på egen hand kan utveckla hela kodbaser och tjänster. Baker och hans team upplever nu att AI fungerar bäst när den behandlas mer som en kollega. Forskare kan definiera ett centralt problem, en arbetsmiljö och ett sätt att utvärdera resultatens kvalitet och betydelse. Sedan kan de i realtid vägleda en eller flera agenter om var analysen ska fokuseras eller vilket jobb som ska köras härnäst.
Baker säger att agenter med GPT‑6 Astra nu inte bara kan hitta meningsfulla och praktiska förbättringar, utan också kombinera dem och bygga vidare på dem i en rekursiv förbättringsprocess. Under en enda långvarig uppgift kan systemet analysera sina resultat, bedöma dem mot de överenskomna kriterierna i det ursprungliga förslaget och aktivt ändra inriktning på arbetet. Det behövs alltså inte en människa som analyserar varje omgång ändringar. Som han uttrycker det: ”Du kan definiera en uppgift som behöver köras i flera dagar – den behöver hämta information från många datakällor, göra nyanserade bedömningar av vad som är viktigt och inte, och se hur allt hänger ihop – för att skapa en heltäckande analys. Nu fungerar det faktiskt.”
Jump Trading arbetar med alla tidshorisonter och tillgångsslag. Varje steg i processen är komplext, och i en hårt reglerad bransch som finans kan misstag få konsekvenser för både ekonomin och regelefterlevnaden. Baker säger att det är avgörande att vara medveten om riskerna med att anförtro arbete åt AI. Samtidigt kan AI-agenter också användas för att förbättra kvalitet, säkerhet och övervakning, inte bara för att lägga till funktioner. Robust systemdesign med tydliga gränser och begränsningar, infrastruktur som främjar styrbarhet och observerbarhet samt mänsklig granskning av ändringar hjälper Jump Tradings team att säkerställa att AI-stödda arbetsflöden är redo att skalas upp i en reglerad miljö.
”Det som ger oss trygghet är en säker miljö där agenten eller systemet fritt kan producera de resultat som behövs, men där det också finns en mänsklig granskningsprocess i slutet, med kritisk validering och mänskligt godkännande”, säger han. Om en agent till exempel tar fram en handelssignal avgränsas och granskas den precis som vilket annat resultat som helst: som en signal, oftast informativ men potentiellt felaktig. Den integreras sedan med alla andra signaler i en strikt granskad och kontrollerad exekveringsmiljö.
Baker tror att vi går mot en värld där ”automatisk forskning” – forskande agenters rekursiva förbättring av mätbara system – blir så utbredd att den helt enkelt ses som en del av en kvantitativ forskares vanliga arbetsflöde. I dag kräver även GPT‑6 Astras mest långvariga arbete regelbundna avstämningar med den som definierar uppgiften. Det gäller inte bara vilka data som ska hämtas, hur länge arbetet ska pågå och vad som räknas som viktigt, utan också om delresultaten är rimliga. Avancerad automatisk forskning skulle fortfarande utgå från ett system som definieras av människor, med indata, miljöbeskrivning, utvärderingsmått, avvägningar och övergripande prioriteringar. Resten av processen skulle däremot anförtros åt en löst organiserad ”flotta” av agenter som i sin tur samordnas av andra agenter. Inom ett välstrukturerat forskningsflöde skulle dessa agenter kunna fatta intelligenta beslut om hur idéer ska utforskas, beräkningstid fördelas och lovande resultat integreras, med knappt mer än en öppen fråga som utgångspunkt.
”Hur blir det när man kan knyta ihop allt detta från början till slut, ställa en allmän fråga som man inte ens själv vet svaret på och få tillbaka ett användbart resultat?” frågar han. ”Om man kan lösa ett av millennieproblemen kan man nog också komma fram till rätt intressanta saker om kvantitativ finans.”
Varje år har inneburit inte bara stadiga förbättringar i benchmarkresultaten, utan också stora språng i vilka typer av arbete modellerna klarar av. Ofta var den här utvecklingen svår att förutse ens några månader i förväg. År 2024 ansågs det imponerande att tidiga agenter kunde skriva en enda fil utan misstag. År 2025 blev det möjligt att skapa hela kodbaser från grunden, och 2026 att göra framsteg inom öppna forskningsfrågor med många agenter som samarbetar dynamiskt sida vid sida. ”Vad kommer vi att ha nästa år?” säger han. ”Det är en rätt svindlande tanke.”
