En tant que société de trading quantitatif, Jump Trading crée des modèles prédictifs qui utilisent des données de marché, des actualités et des événements, ainsi qu'un éventail de sources de données alternatives pour établir les meilleures prédictions possibles sur les prix des actifs. Comme les marchés sont complexes, bruités et en évolution constante, il est rarement possible d'anticiper exactement ce qui va se produire. Mais selon Lucas Baker, responsable de la R&D LLM chez Jump, prédire même légèrement mieux qu'un pile ou face, à grande échelle, suffit à obtenir une stratégie gagnante.
Baker dirige la recherche et le développement agentiques, et il se consacre à la construction des agents, des harnais et de l'infrastructure qui permettent aux chercheurs quantitatifs d'explorer leurs idées avec une plus grande ampleur et une plus grande profondeur. L'ajout de GPT‑6 Astra a considérablement élargi l'échelle et la complexité des workflows pouvant être confiés aux agents, du codage quotidien aux études quantitatives avancées destinées à valider de nouvelles hypothèses.
« Avec la série GPT-6, et notamment GPT-6 Astra, OpenAI a débloqué un nouveau niveau d'autonomie pour les tâches de long terme qui exigent une coordination agentique flexible et une persistance extrême sur des workflows complexes. Là où nous avions auparavant besoin de conseils et d'interventions humaines fréquentes, nous pouvons désormais nous concentrer entièrement sur la définition d'un environnement sécurisé et bien surveillé, avec des objectifs clairs, et laisser les agents trouver leur propre chemin. »—Lucas Baker, responsable de la R&D LLM, Jump Trading
Des fragments de code courts à l'analyse complète
Au cours de l'année écoulée, l'IA est passée du statut d'outil utile, pratique pour écrire des fragments de code ponctuels ou trouver de petits bugs, à celui de système performant et polyvalent capable de développer seul des bases de code et des services entiers. Désormais, Baker et son équipe constatent que l'IA fonctionne mieux lorsqu'on la traite davantage comme un collègue. Les chercheurs peuvent définir un problème clé, un environnement de travail et une méthode d'évaluation de la qualité et de l'importance des résultats, puis orienter en temps réel un ou plusieurs agents sur les points à cibler dans l'analyse ou sur la tâche à exécuter ensuite.
Baker indique qu'avec GPT‑6 Astra, les agents sont désormais capables non seulement de trouver des améliorations significatives et pratiques, mais aussi de fusionner et d'empiler ces gains dans un processus d'amélioration récursive. Au cours d'une seule tâche longue, le système peut analyser ses découvertes, les évaluer selon les critères convenus d'une proposition initiale, et réorienter activement ses efforts sans qu'une personne ait besoin d'analyser chaque série de modifications. Comme il le dit : « On peut définir quelque chose qui doit s'exécuter pendant des jours — cela doit puiser dans de nombreuses sources de données, faire ces jugements subtils sur ce qui est important ou non, et tout relier entre soi — pour créer une analyse complète qui fonctionne réellement désormais. »
Garder le jugement humain au centre
Jump Trading opère sur tous les horizons temporels et toutes les classes d'actifs. Chaque étape du processus est complexe, et dans un secteur fortement réglementé comme la finance, les erreurs peuvent avoir des conséquences à la fois financières et en matière de conformité. Baker estime qu'il est essentiel de connaître les risques liés à la confiance accordée à l'IA, mais aussi que l'intelligence agentique peut également être appliquée à l'amélioration de la qualité, de la sécurité et de la surveillance, et pas seulement à l'ajout de fonctionnalités. Une conception système robuste et des limites claires, des contraintes précises, une infrastructure favorisant la pilotabilité et l'observabilité, ainsi qu'une revue humaine des modifications aident l'équipe de Jump Trading à s'assurer que les workflows dopés à l'IA sont prêts à passer à l'échelle dans un environnement réglementé.
« Si vous disposez d'un environnement sûr où l'agent ou le système est libre de produire tout résultat dont il a besoin, mais où il existe également un processus de revue humaine à la fin, au cours duquel une validation critique s'effectue avec une acceptation humaine, c'est ce qui nous donne confiance », explique-t-il. Par exemple, si un agent produit un signal de trading, celui-ci est encadré et examiné de la même manière que n'importe quel résultat : comme un signal, généralement informatif mais potentiellement erroné, et intégré à tous les autres signaux dans un environnement d'exécution rigoureusement contrôlé.
Et maintenant ?
Baker estime que nous nous dirigeons vers un monde où « l'autoresearch », c'est-à-dire l'amélioration récursive de systèmes mesurables par des chercheurs agentiques, deviendra si omniprésente qu'elle sera simplement considérée comme faisant partie du flux de travail ordinaire d'un chercheur quantitatif. Aujourd'hui, même les travaux de plus longue durée de GPT‑6 Astra impliquent encore des points de contact réguliers avec la personne qui définit la tâche — non seulement sur les données à extraire, la durée d'exécution et ce qui compte comme important, mais aussi sur la pertinence des résultats intermédiaires. Une autoresearch avancée commencerait toujours par un système défini par l'humain, incluant les entrées, la définition de l'environnement, les métriques d'évaluation, les arbitrages et les priorités globales, mais confierait le reste du processus à une « flotte » d'agents à structure souple, coordonnés entre eux par d'autres agents. Au sein d'un pipeline de recherche bien structuré, ces agents seraient capables de prendre des décisions intelligentes sur la manière d'explorer les idées, d'allouer le temps de calcul et d'intégrer les découvertes prometteuses, le tout à partir de guère plus qu'une question ouverte.
« À quoi cela ressemble-t-il quand on peut assembler tout cela de bout en bout, poser une question générale dont même vous ne connaissez pas la réponse, et obtenir un résultat utile ? » demande-t-il. « Si vous pouvez résoudre un problème du Millennium, vous pouvez probablement aussi déterminer des faits assez intéressants sur la finance quantitative. »
Chaque année a apporté non seulement des progrès réguliers dans les mesures de référence, mais aussi des changements majeurs dans le type de travail que les modèles étaient capables d'effectuer. Souvent, ces évolutions étaient difficiles à prévoir même quelques mois à l'avance : alors qu'il était considéré comme impressionnant en 2024 que les premiers agents puissent écrire un seul fichier sans erreur, il est devenu possible en 2025 de créer des bases de code entières à partir de zéro, et en 2026 de faire progresser des questions de recherche ouvertes avec de nombreux agents collaborant dynamiquement côte à côte. « Qu'aurons-nous l'année prochaine ? », dit-il. « C'est une perspective vraiment incroyable. »