Як Jump Trading розширює кількісні дослідження з ChatGPT
Jump Trading використовує GPT‑6 Astra для розв’язання триваліших дослідницьких завдань із більшою невизначеністю.
Jump Trading — компанія, що займається кількісною торгівлею. Вона створює прогностичні моделі, які використовують ринкові дані, новини й події, а також низку альтернативних джерел даних, щоб якомога точніше прогнозувати ціни активів. Оскільки ринки складні, сповнені шуму й змінюються з часом, точно передбачити, що станеться, вдається рідко. Але, за словами Лукаса Бейкера, керівника досліджень і розробок у сфері LLM у Jump, для успішної стратегії в масштабі достатньо прогнозувати хоча б трохи краще, ніж навмання.
Бейкер очолює дослідження й розробки у сфері агентних технологій. Він зосереджений на створенні агентів, систем harness та інфраструктури, які дають фахівцям із кількісних досліджень змогу ширше й глибше досліджувати свої ідеї. З впровадженням GPT‑6 Astra значно зросли масштаб і складність робочих процесів, які можна доручити агентам: від повсякденного написання коду до поглиблених кількісних досліджень для перевірки нових гіпотез.
«Завдяки серії GPT-6, особливо GPT-6 Astra, OpenAI відкрила новий рівень автономності для тривалих завдань, що потребують гнучкої координації агентів і виняткової наполегливості у виконанні складних робочих процесів. Там, де раніше часто були потрібні вказівки та втручання людини, тепер ми можемо повністю зосередитися на створенні безпечного середовища з належним моніторингом і чіткими цілями, а агентам дати змогу самостійно знайти шлях до них».
За минулий рік ШІ перетворився з корисного інструмента для написання окремих фрагментів коду чи пошуку дрібних помилок на потужну універсальну систему, здатну самостійно розробляти цілі кодові бази та сервіси. Тепер Бейкер і його команда бачать, що ШІ працює найкраще, коли до нього ставляться радше як до колеги. Дослідники можуть визначити ключову проблему, робоче середовище та спосіб оцінювання якості й значущості результатів, а потім у реальному часі скеровувати одного чи кількох агентів: на чому зосередити аналіз або яке завдання виконати далі.
Бейкер каже, що завдяки GPT‑6 Astra агенти тепер здатні не лише знаходити суттєві й практичні вдосконалення, а й поєднувати та нарощувати ці здобутки в процесі рекурсивного вдосконалення. Під час виконання одного тривалого завдання система може аналізувати свої результати, оцінювати їх за критеріями, узгодженими в початковому плані, й самостійно змінювати напрям роботи — замість того, щоб людина аналізувала кожен цикл змін. Він пояснює: «Ви можете поставити завдання на кілька днів: зібрати дані з багатьох джерел, розібратися в нюансах і визначити, що важливо, а що ні, та пов’язати все між собою, щоб провести всебічний аналіз. І тепер це справді працює».
Jump Trading працює з усіма часовими горизонтами та класами активів. Кожен етап процесу складний, а в такій суворо регульованій галузі, як фінанси, помилки можуть призвести як до фінансових втрат, так і до порушення нормативних вимог. За словами Бейкера, вкрай важливо усвідомлювати ризики, що виникають, коли роботу доручають ШІ. Водночас інтелектуальні можливості агентів можна застосовувати не лише для додавання нових функцій, а й для поліпшення якості, безпеки та моніторингу. Продумана архітектура системи та межі її роботи, чіткі обмеження, інфраструктура, що забезпечує керованість і спостережуваність, а також перевірка змін людьми допомагають команді Jump Trading готувати робочі процеси з ШІ до масштабування в регульованому середовищі.
«Якщо є безпечне середовище, де агент або система може вільно створювати будь-які потрібні результати, але наприкінці їх перевіряє людина — критично оцінює та затверджує, — саме це дає нам упевненість», — каже він. Наприклад, якщо агент формує торговий сигнал, межі його застосування визначають і перевіряють так само, як для будь-якого іншого результату: це сигнал, зазвичай інформативний, але потенційно хибний. Його поєднують з усіма іншими сигналами в середовищі виконання, що підлягає суворій перевірці та контролю.
На думку Бейкера, ми рухаємося до світу, де «автодослідження» — рекурсивне вдосконалення систем із вимірюваними показниками агентами-дослідниками — стануть настільки поширеними, що їх сприйматимуть просто як частину звичайного робочого процесу фахівця з кількісних досліджень. Сьогодні навіть найтриваліша робота GPT‑6 Astra все ще передбачає регулярні звірки з людиною, яка ставить завдання: не лише щодо того, які дані збирати, скільки часу працювати й що вважати важливим, а й щодо того, чи мають сенс проміжні результати. Розвинені автодослідження так само починалися б із системи, визначеної людиною: вхідних даних, опису середовища, метрик оцінювання, компромісів і загальних пріоритетів. Але решту процесу було б доручено гнучко організованій «флотилії» агентів, яких координують інші агенти. У межах добре структурованого дослідницького процесу ці агенти могли б ухвалювати обґрунтовані рішення про те, як досліджувати ідеї, розподіляти час обчислень та інтегрувати перспективні результати. І для початку їм вистачало б майже самого лише відкритого запитання.
«Як це буде — об’єднати все в наскрізний процес, поставити загальне запитання, на яке навіть ви не знаєте відповіді, й отримати корисний результат?» — запитує він. «Якщо ви можете розв’язати одну із задач тисячоліття, то, мабуть, зможете також з’ясувати доволі цікаві факти про кількісні фінанси».
Щороку не лише стабільно поліпшувалися результати тестувань, а й відбувалися якісні стрибки в тому, яку роботу могли виконувати моделі. Часто ці зміни було важко передбачити навіть за кілька місяців: у 2024 році вражало, коли ранні агенти писали один файл без помилок; у 2025-му вже стало можливим створювати цілі кодові бази з нуля, а у 2026-му — просуватися в розв’язанні відкритих дослідницьких питань завдяки багатьом агентам, що динамічно співпрацюють пліч-о-пліч. «Що ж ми матимемо наступного року?» — каже він. «Це справді неймовірна перспектива».
