Como firma de trading cuantitativo, Jump Trading crea modelos predictivos que utilizan datos de mercado, noticias y eventos, y una gama de fuentes de datos alternativas para hacer las mejores predicciones posibles sobre los precios de los activos. Debido a que los mercados son complejos, ruidosos y cambian con el tiempo, rara vez es posible anticipar exactamente lo que sucederá. Pero según Lucas Baker, Head of LLM R&D en Jump, predecir incluso un poco mejor que lanzar una moneda al aire a gran escala es suficiente para dar como resultado una estrategia exitosa.
Baker lidera la investigación y desarrollo agéntico, y se enfoca en construir los agentes, los entornos y la infraestructura que permiten a los investigadores cuantitativos explorar sus ideas con mayor amplitud y profundidad. La incorporación de GPT‑6 Astra ha expandido dramáticamente la escala y complejidad de los flujos de trabajo que pueden delegarse a los agentes, desde la codificación diaria hasta estudios cuantitativos avanzados para validar nuevas hipótesis.
“Con la serie GPT-6, especialmente GPT-6 Astra, OpenAI ha desbloqueado un nuevo nivel de autonomía para tareas de largo plazo que requieren una coordinación flexible de agentes y una persistencia extrema en flujos de trabajo complejos. Donde antes requeríamos orientación e intervención humana frecuentes, ahora podemos concentrarnos completamente en definir un entorno seguro y bien monitoreado con objetivos claros y dejar que los agentes encuentren su propio camino”.—Lucas Baker, Head of LLM R&D, Jump Trading
De fragmentos breves de código a análisis integrales
Durante el último año, la IA se ha transformado de una herramienta útil para escribir fragmentos de código puntuales o encontrar pequeños errores en un sistema capaz y versátil que puede desarrollar bases de código y servicios completos por sí mismo. Ahora, Baker y su equipo descubren que la IA funciona mejor cuando se le trata más como a un colega. Los investigadores pueden definir un problema clave, un entorno de trabajo y una forma de evaluar la calidad y la importancia de los resultados, y luego dirigir a uno o muchos agentes en tiempo real sobre dónde enfocar el análisis o qué trabajo ejecutar a continuación.
Baker dice que con GPT‑6 Astra, los agentes ahora son capaces no solo de encontrar cambios significativos y prácticos, sino de fusionar y acumular esas mejoras en un proceso de mejora recursiva. A lo largo de una sola tarea de larga duración, el sistema puede analizar sus hallazgos, evaluarlos según los criterios acordados en una propuesta inicial y redirigir activamente sus esfuerzos en lugar de necesitar que una persona analice cada ronda de cambios. Como él lo expresa, “Puedes definir algo que necesita ejecutarse durante días: necesita extraer datos de muchas fuentes, necesita hacer esas valoraciones sutiles sobre qué es importante y qué no, y necesita interrelacionar todo, para crear un análisis integral que realmente funcione ahora”, dice.
Manteniendo el juicio humano en el centro
Jump Trading opera en todos los horizontes temporales y clases de activos. Cada paso del proceso es complejo y, en una industria fuertemente regulada como las finanzas, los errores pueden tener consecuencias tanto financieras como de cumplimiento. Baker dice que es fundamental ser consciente de los riesgos que surgen al confiar el trabajo a la IA, pero también que la inteligencia agéntica puede aplicarse para mejorar la calidad, la seguridad y el monitoreo, no solo para agregar funciones. Un sólido diseño y límites del sistema, restricciones claras, infraestructura que promueva la orientabilidad y la observabilidad, y la revisión humana de los cambios ayudan al equipo de Jump Trading a garantizar que los flujos de trabajo habilitados por IA estén listos para escalar en un entorno regulado.
“Si tienes un entorno seguro donde el agente o el sistema es libre de producir cualquier salida que necesite, pero también hay un proceso de revisión humana al final donde se realiza la validación crítica con la aceptación humana, eso es lo que nos da confianza”, dice. Por ejemplo, si un agente produce una señal de trading, se delimita y se revisa de la misma manera que cualquier otra salida: como una señal, generalmente informativa pero potencialmente errónea, e integrada con todas las demás señales en un entorno de ejecución rigurosamente revisado y controlado.
¿Qué viene después?
Baker dice que cree que nos dirigimos hacia un mundo donde la “autoinvestigación”, o la mejora recursiva de sistemas medibles por investigadores agentes, se volverá tan omnipresente que se considerará simplemente parte del flujo de trabajo ordinario de un investigador cuantitativo. Hoy en día, incluso el trabajo de más larga duración de GPT‑6 Astra todavía implica revisiones periódicas con la persona que define la tarea, no solo qué datos extraer, cuánto tiempo ejecutar y qué cuenta como importante, sino también si los resultados intermedios tienen sentido. La autoinvestigación avanzada seguiría comenzando con un sistema definido por humanos, que incluya entradas, definición del entorno, métricas de evaluación, compromisos y prioridades generales, pero confiaría el resto del proceso a una “flota” de agentes de estructura flexible coordinados entre sí por otros agentes. Dentro de un pipeline de investigación bien estructurado, estos agentes podrían tomar decisiones inteligentes sobre cómo explorar ideas, asignar tiempo de cómputo e integrar hallazgos prometedores, todo comenzando con poco más que una pregunta abierta.
“¿Cómo se ve cuando puedes poner todo esto de extremo a extremo, hacer una pregunta general cuya respuesta ni siquiera tú conoces, y obtener un resultado útil de vuelta?”, pregunta. “Si puedes resolver un problema del Milenio, probablemente también puedas descubrir algunos datos bastante interesantes sobre las finanzas cuantitativas”.
Cada año no solo ha traído avances constantes en las mediciones de benchmarks, sino también cambios radicales en el tipo de trabajo que los modelos eran capaces de realizar. A menudo, estos desarrollos eran difíciles de predecir incluso con meses de antelación: mientras que en 2024 se consideraba impresionante que los primeros agentes escribieran un solo archivo sin errores, en 2025 se volvió posible crear bases de código completas desde cero, y en 2026 avanzar en preguntas de investigación abiertas con muchos agentes colaborando dinámicamente unos junto a otros. «¿Qué tendremos el próximo año?», dice. «Es una perspectiva verdaderamente increíble».