Als quantitativer Handelsunternehmen erstellt Jump Trading prädiktive Modelle, die Marktdaten, Nachrichten und Ereignisse sowie eine Reihe alternativer Datenquellen nutzen, um die bestmöglichen Vorhersagen über Asset-Preise zu treffen. Da Märkte komplex, verrauscht und sich im Laufe der Zeit verändernd sind, ist es selten möglich, exakt vorherzusagen, was geschehen wird. Doch laut Lucas Baker, Head of LLM R&D bei Jump, reicht es aus, auch nur略 etwas besser als ein Münzwurf vorherzusagen, um in großem Maßstab eine erfolgreiche Strategie zu erreichen.
Baker leitet die agentische Forschung und Entwicklung, und sein Fokus liegt auf dem Aufbau von Agents, Harnesses und Infrastruktur, die es quantitativen Forschern ermöglichen, ihre Ideen in größerer Breite und Tiefe zu erkunden. Die Hinzufügung von GPT-6 Astra hat den Umfang und die Komplexität der Workflows, die an Agents übergeben werden können, dramatisch erweitert – von alltäglicher Programmierung bis hin zu fortgeschrittenen quantitativen Studien zur Validierung neuer Hypothesen.
„Mit der GPT-6-Serie, insbesondere GPT-6 Astra, hat OpenAI eine neue Stufe der Autonomie für Langzeitaufgaben erschlossen, die flexible Agent-Koordination und extreme Ausdauer bei komplexen Workflows erfordern. Wo früher häufig menschliche Anleitung und Eingriffe erforderlich waren, können wir uns jetzt vollständig darauf konzentrieren, eine sichere und gut überwachte Umgebung mit klaren Zielen zu definieren und die Agents ihren eigenen Weg finden zu lassen.“—Lucas Baker, Head of LLM R&D, Jump Trading
Von kurzen Codeausschnitten zu umfassenden Analysen
Im vergangenen Jahr hat sich KI von einem hilfreichen Werkzeug, das nützlich für das Schreiben einmaliger Codeausschnitte oder das Finden kleiner Bugs war, zu einem leistungsfähigen, vielseitigen System gewandelt, das eigenständig komplette Codebasen und Dienste entwickeln kann. Baker und sein Team stellen nun fest, dass KI am besten funktioniert, wenn sie eher wie ein Kollege behandelt wird. Forscher können ein Kernproblem, eine Arbeitsumgebung und eine Methode zur Bewertung der Qualität und Bedeutung der Ergebnisse definieren und dann einen oder mehrere Agents in Echtzeit steuern, wohin die Analyse fokussiert oder welcher Job als Nächstes ausgeführt werden soll.
Baker sagt, dass Agents mit GPT-6 Astra nun nicht nur in der Lage sind, bedeutungsvolle und praktische Verbesserungen zu finden, sondern diese Gewinne auch in einem Prozess rekursiver Verbesserung zusammenzuführen und zu stapeln. Im Verlauf einer einzelnen langlaufenden Aufgabe kann das System seine Erkenntnisse analysieren, sie anhand der in einem ersten Vorschlag vereinbarten Kriterien bewerten und seine Bemühungen aktiv umlenken, statt dass eine Person jede Runde von Änderungen analysieren muss. Wie er es ausdrückt: „Man kann etwas definieren, das tagelang laufen muss – es muss aus vielen Datenquellen schöpfen, es muss diese subtilen Abwägungen darüber treffen, was wichtig ist und was nicht, und es muss alles miteinander in Beziehung setzen – um eine umfassende Analyse zu erstellen, die jetzt tatsächlich funktioniert“, sagt er.
Die menschliche Urteilskraft im Mittelpunkt halten
Jump Trading arbeitet über alle Zeithorizonte und Anlageklassen hinweg. Jeder Schritt des Prozesses ist komplex, und in einer stark regulierten Branche wie dem Finanzwesen können Fehler sowohl finanzielle als auch Compliance-Konsequenzen haben. Baker sagt, dass es entscheidend ist, sich der Risiken bewusst zu sein, die mit der Übertragung von Arbeit an KI entstehen, aber auch, dass agentische Intelligenz auch zur Verbesserung von Qualität, Sicherheit und Überwachung eingesetzt werden kann, nicht nur zum Hinzufügen von Funktionen. Starkes Systemdesign und klare Grenzen, klare Beschränkungen, eine Infrastruktur, die Steuerbarkeit und Beobachtbarkeit fördert, und eine menschliche Prüfung von Änderungen helfen dem Team von Jump Trading sicherzustellen, dass KI-gestützte Workflows bereit sind, in einer regulierten Umgebung zu skalieren.
„Wenn man eine sichere Umgebung hat, in der der Agent oder das System frei ist, jede Ausgabe zu erzeugen, die es benötigt, aber am Ende auch ein menschlicher Prüfprozess steht, bei dem die kritische Validierung mit menschlicher Abnahme stattfindet, dann gibt uns das Vertrauen“, sagt er. Wenn ein Agent beispielsweise ein Handelssignal erzeugt, wird es auf die gleiche Weise eingegrenzt und geprüft wie jede andere Ausgabe: als Signal, in der Regel informativ, aber potenziell falsch, und in eine streng geprüfte und kontrollierte Ausführungsumgebung integriert, zusammen mit allen anderen Signalen.
Wie es weitergeht
Baker sagt, er glaube, dass wir uns auf eine Welt zubewegen, in der „Autoresearch“, also die rekursive Verbesserung messbarer Systeme durch Agent-Forscher, so allgegenwärtig wird, dass sie einfach als Teil des gewöhnlichen Workflows eines quantitativen Forschers gilt. Auch die am längsten laufende Arbeit von GPT-6 Astra erfordert heute noch regelmäßige Check-ins mit der Person, die die Aufgabe definiert – nicht nur, welche Daten abgerufen werden sollen, wie lange gelaufen wird und was als wichtig zählt, sondern auch, ob die Zwischenergebnisse sinnvoll sind. Fortgeschrittene Autoresearch würde weiterhin mit einem vom Menschen definierten System beginnen, einschließlich Eingaben, Umgebungsdefinition, Bewertungsmetriken, Kompromissen und Gesamtrent Prioritäten, würde den Rest des Prozesses aber einer lose strukturierten „Flotte“ von Agents übertragen, die selbst von anderen Agents koordiniert werden. Innerhalb einer gut strukturierten Forschungspipeline wären diese Agents in der Lage, intelligente Entscheidungen darüber zu treffen, wie sie Ideen erkunden, Rechenzeit zuweisen und vielversprechende Erkenntnisse integrieren – alles, beginnend mit nicht viel mehr als einer offenen Frage.
„Wie sieht es aus, wenn man all dies von Anfang bis Ende verbinden, eine allgemeine Frage stellen kann, auf die sogar man selbst die Antwort nicht kennt, und ein nützliches Ergebnis zurückbekommt?“, fragt er. „Wenn man ein Millennium-Problem lösen kann, kann man wahrscheinlich auch einige ziemlich interessante Fakten über Quant-Finance herausfinden.“
Jedes Jahr brachte nicht nur stetige Fortschritte bei Benchmark-Messungen, sondern auch Sprünge in der Art von Arbeiten, die Modelle ausführen konnten. Oft waren diese Entwicklungen selbst Monate im Voraus schwer vorherzusagen: Während es 2024 als beeindruckend galt, dass frühe Agenten eine einzelne Datei fehlerfrei schreiben konnten, wurde es 2025 möglich, gesamte Codebasen von Grund auf zu erstellen, und 2026, an offenen Forschungsfragen zu arbeiten, wobei viele Agenten dynamisch Seite an Seite zusammenarbeiteten. „Was haben wir nächstes Jahr?“, sagt er. „Das ist ein ziemlich unglaublicher Ausblick.“