Jump Trading ใช้ ChatGPT ขยายงานวิจัยเชิงปริมาณอย่างไร
Jump Trading ใช้ GPT‑6 Astra รับมือกับโจทย์วิจัยที่ต้องใช้เวลามากขึ้นและมีความไม่ชัดเจนมากกว่าเดิม
Jump Trading เป็นบริษัทที่ใช้การวิเคราะห์เชิงปริมาณในการซื้อขายสินทรัพย์ และพัฒนาโมเดลคาดการณ์ราคาจากข้อมูลตลาด ข่าวและเหตุการณ์ต่างๆ รวมถึงข้อมูลทางเลือกที่หลากหลาย เพื่อให้ได้ผลคาดการณ์ที่แม่นยำที่สุด ด้วยความซับซ้อนของตลาด ข้อมูลรบกวน และการเปลี่ยนแปลงตลอดเวลา การคาดการณ์ให้ตรงกับสิ่งที่จะเกิดขึ้นทุกอย่างจึงแทบเป็นไปไม่ได้ แต่ Lucas Baker หัวหน้าฝ่ายวิจัยและพัฒนา LLM ของ Jump อธิบายว่า ความแม่นยำที่ดีกว่าการโยนเหรียญสุ่มทายเพียงเล็กน้อยก็อาจทำให้กลยุทธ์ประสบความสำเร็จได้ เมื่อใช้กับการซื้อขายในปริมาณมาก
Baker เป็นหัวหน้าฝ่ายวิจัยและพัฒนาการทำงานแบบเอเจนต์ เขาเน้นพัฒนาทั้งเอเจนต์ ระบบที่ช่วยให้เอเจนต์ทำงานได้ และโครงสร้างพื้นฐานที่เปิดโอกาสให้นักวิจัยเชิงปริมาณศึกษาแนวคิดได้หลากหลายและเจาะลึกกว่าเดิม เมื่อเพิ่ม GPT‑6 Astra เข้ามา ทีมก็สามารถมอบหมายงานที่ใหญ่และซับซ้อนขึ้นอย่างมากให้เอเจนต์ได้ ตั้งแต่การเขียนโค้ดในแต่ละวันจนถึงการศึกษาเชิงปริมาณขั้นสูงเพื่อทดสอบสมมติฐานใหม่
“โมเดลตระกูล GPT-6 โดยเฉพาะ GPT-6 Astra ทำให้ OpenAI ยกระดับความสามารถในการทำงานด้วยตนเองไปอีกขั้น สำหรับงานที่ต้องทำต่อเนื่องเป็นเวลานาน ต้องประสานงานระหว่างเอเจนต์อย่างยืดหยุ่น และต้องพยายามอย่างไม่ลดละเพื่อให้งานที่ซับซ้อนสำเร็จ จากเดิมที่มนุษย์ต้องคอยชี้แนะและเข้ามาช่วยบ่อยๆ ตอนนี้เราทุ่มเทให้กับการจัดสภาพแวดล้อมที่ปลอดภัย มีการติดตามตรวจสอบอย่างทั่วถึง และกำหนดเป้าหมายให้ชัดเจนได้ แล้วปล่อยให้เอเจนต์หาวิธีทำงานจนเสร็จด้วยตัวเอง”
ในช่วงปีที่ผ่านมา AI พัฒนาจากเครื่องมือช่วยเขียนโค้ดสั้นๆ สำหรับงานเฉพาะกิจหรือหาบั๊กเล็กๆ มาเป็นระบบที่ทำงานได้หลากหลาย และพัฒนาโค้ดทั้งโครงการรวมถึงบริการต่างๆ ได้ด้วยตัวเอง ตอนนี้ Baker และทีมพบว่า AI ทำงานได้ดีที่สุดเมื่อร่วมงานกับมันเหมือนเพื่อนร่วมงาน นักวิจัยสามารถกำหนดโจทย์หลัก สภาพแวดล้อมการทำงาน และวิธีประเมินคุณภาพกับความสำคัญของผลลัพธ์ จากนั้นคอยชี้นำเอเจนต์หนึ่งตัวหรือหลายตัวระหว่างทำงาน ว่าควรเน้นวิเคราะห์เรื่องใดหรือทำงานไหนต่อ
Baker บอกว่า เมื่อใช้ GPT‑6 Astra เอเจนต์สามารถหาวิธีปรับปรุงที่มีประโยชน์และใช้ได้จริง แล้วนำสิ่งที่ได้ผลมาผสานและต่อยอดเพื่อปรับปรุงงานในรอบถัดไป ระหว่างทำงานหนึ่งงานที่ใช้เวลานาน ระบบสามารถวิเคราะห์สิ่งที่ค้นพบ ประเมินตามเกณฑ์ที่ตกลงกันไว้ในข้อเสนอแรก และปรับทิศทางการทำงานได้เอง โดยไม่ต้องให้คนมาวิเคราะห์การเปลี่ยนแปลงทุกรอบ เขาอธิบายว่า “ตอนนี้คุณกำหนดงานให้ระบบทำต่อเนื่องหลายวันได้จริงแล้ว ทั้งดึงข้อมูลจากหลายแหล่ง ใช้วิจารณญาณอย่างละเอียดเพื่อตัดสินว่าอะไรสำคัญหรือไม่สำคัญ และเชื่อมโยงข้อมูลทั้งหมดเข้าด้วยกัน เพื่อสร้างบทวิเคราะห์ที่ครอบคลุมและใช้ได้จริง”
Jump Trading ดำเนินการซื้อขายในสินทรัพย์ทุกประเภทและทุกกรอบเวลา โดยแต่ละขั้นตอนล้วนซับซ้อน และในอุตสาหกรรมการเงินที่มีกฎระเบียบกำกับอย่างเข้มงวด ความผิดพลาดอาจก่อให้เกิดทั้งความเสียหายทางการเงินและปัญหาการปฏิบัติตามกฎระเบียบ Baker กล่าวว่า การตระหนักถึงความเสี่ยงจากการมอบหมายงานให้ AI เป็นเรื่องสำคัญอย่างยิ่ง ขณะเดียวกัน ความสามารถของเอเจนต์ก็ช่วยยกระดับคุณภาพ ความปลอดภัย และการติดตามตรวจสอบได้ด้วย ไม่ใช่แค่เพิ่มฟีเจอร์ การออกแบบระบบอย่างรัดกุม การกำหนดขอบเขตและข้อจำกัดให้ชัดเจน โครงสร้างพื้นฐานที่ช่วยให้กำกับทิศทางและติดตามการทำงานได้ รวมถึงการให้มนุษย์ตรวจสอบการเปลี่ยนแปลง ช่วยให้ทีม Jump Trading มั่นใจว่ากระบวนการทำงานที่ใช้ AI พร้อมรองรับงานในปริมาณมากขึ้นภายใต้กฎระเบียบที่เกี่ยวข้อง
“เรามั่นใจได้เมื่อเอเจนต์หรือระบบทำงานในสภาพแวดล้อมที่ปลอดภัย และสร้างผลลัพธ์ที่ต้องใช้ได้อย่างอิสระ โดยมีมนุษย์ตรวจสอบในขั้นสุดท้าย ทั้งยืนยันความถูกต้องในจุดสำคัญและอนุมัติผลลัพธ์” ตัวอย่างเช่น หากเอเจนต์สร้างสัญญาณซื้อขาย ทีมจะกำหนดขอบเขตการใช้งานและตรวจสอบเช่นเดียวกับผลลัพธ์อื่นๆ โดยถือว่าเป็นข้อมูลประกอบการตัดสินใจที่มักมีประโยชน์ แต่ก็อาจผิดพลาดได้ จากนั้นจึงนำไปใช้ร่วมกับสัญญาณอื่นทั้งหมดในระบบส่งคำสั่งซื้อขายที่มีการตรวจสอบและควบคุมอย่างเข้มงวด
Baker เชื่อว่าเรากำลังเข้าสู่ยุคที่ “การวิจัยอัตโนมัติ” จะกลายเป็นเรื่องปกติในงานของนักวิจัยเชิงปริมาณ โดยเอเจนต์นักวิจัยจะปรับปรุงระบบที่วัดผลได้ แล้วใช้ผลที่ได้เป็นพื้นฐานในการพัฒนารอบต่อไป ทุกวันนี้ แม้ GPT‑6 Astra จะทำงานต่อเนื่องได้เป็นเวลานาน ก็ยังต้องตรวจสอบความคืบหน้าร่วมกับผู้กำหนดงานเป็นระยะ ไม่ใช่เพียงว่าจะใช้ข้อมูลอะไร ทำงานนานแค่ไหน หรืออะไรสำคัญ แต่ต้องดูด้วยว่าผลลัพธ์ระหว่างทางสมเหตุสมผลหรือไม่ แม้การวิจัยอัตโนมัติจะพัฒนาไปมากขึ้น มนุษย์ก็ยังต้องกำหนดระบบก่อน ทั้งข้อมูลนำเข้า สภาพแวดล้อม ตัวชี้วัดการประเมิน ข้อดีข้อเสียที่ต้องพิจารณาแลกกัน และลำดับความสำคัญโดยรวม จากนั้นกลุ่มเอเจนต์ที่จัดโครงสร้างอย่างหลวมๆ จะรับช่วงกระบวนการที่เหลือ โดยมีเอเจนต์อื่นคอยประสานงาน เมื่ออยู่ในกระบวนการวิจัยที่มีโครงสร้างชัดเจน เอเจนต์เหล่านี้จะตัดสินใจได้ดีว่าจะศึกษาแนวคิดอย่างไร แบ่งเวลาประมวลผลอย่างไร และนำข้อค้นพบที่น่าต่อยอดมารวมกันอย่างไร โดยเริ่มจากเพียงคำถามที่เปิดให้ค้นหาคำตอบ
“ลองนึกดูว่าจะเป็นอย่างไร ถ้าคุณเชื่อมทุกขั้นตอนเข้าด้วยกัน ตั้งคำถามกว้างๆ ที่ตัวเองก็ยังตอบไม่ได้ แล้วได้รับผลลัพธ์ที่นำไปใช้ประโยชน์ได้” เขาถาม “ถ้าแก้โจทย์ใน Millennium Prize Problems ได้ ก็น่าจะค้นพบอะไรที่น่าสนใจมากๆ ในการเงินเชิงปริมาณได้ด้วย”
ในแต่ละปี โมเดลไม่ได้เพียงทำคะแนนในการทดสอบมาตรฐานได้ดีขึ้นอย่างต่อเนื่อง แต่ยังทำงานประเภทใหม่ๆ ได้อย่างก้าวกระโดดด้วย ความก้าวหน้าเหล่านี้มักคาดการณ์ได้ยากแม้มองล่วงหน้าเพียงไม่กี่เดือน ในปี 2567 แค่เอเจนต์รุ่นแรกๆ เขียนโค้ดหนึ่งไฟล์ได้โดยไม่มีข้อผิดพลาดก็ถือว่าน่าทึ่งแล้ว พอถึงปี 2568 ก็สามารถสร้างโค้ดทั้งโครงการขึ้นใหม่ได้ และในปี 2569 เอเจนต์หลายตัวสามารถทำงานเคียงข้างกันอย่างยืดหยุ่น เพื่อช่วยให้งานวิจัยที่ยังไม่มีคำตอบคืบหน้าได้ เขากล่าวว่า “ปีหน้าเราจะได้เห็นอะไรอีก แค่คิดถึงสิ่งที่อาจเป็นไปได้ก็น่าตื่นตาตื่นใจแล้ว”
