定量取引会社であるJump Tradingは、市場データ、ニュース、イベント、そして様々な代替データ源を利用して、資産価格に関する最適な予測を行う予測モデルを作成しています。市場は複雑で騒がしく、時間とともに変化するため、正確に何が起こるかを予測することはほとんど不可能です。しかしJumpのLLM R&D部長であるLucas Bakerによると、規模化されたレベルでコイン投げよりもわずかに優れた予測ができれば、成功した戦略となると言います。
バイカーはエージェント型の研究開発を主導しており、定量的研究者が自らのアイデアをより広範かつ深いレベルで探求できるようにするためのエージェント、ハーネス、インフラ構築に焦点を当てている。GPT‑6 Astraの導入により、日常的なコーディングから新しい仮説を検証する高度な定量的研究まで、エージェントに任せられるワークフローの規模と複雑さが大幅に拡大した。
「GPT-6シリーズ、特にGPT-6 Astraにより、OpenAIは柔軟なエージェントの調整と複雑なワークフローにおける極度の持続性が求められる長期的なタスクに対して、新たなレベルの自律性を実現しました。以前は頻繁に人間の指導や介入が必要でしたが、今では明確な目標を持ち、安全で適切に監視される環境を整え、エージェントに自らの道を見つけさせることに全精力を注ぐことができます。」—ルーカス・ベイカー、ジャンプトレーディングのLLM研究開発部長
コードの短い断片から包括的な分析まで
過去1年間で、AIは一発勝負のコードスニペットを作成したり小さなバグを探すのに役立つ便利なツールから、自らコードベースやサービス全体を開発できる機能的で多様性のあるシステムへと変わった。今では、Bakerと彼のチームは、AIをより同僚のように扱う方が最も効果的だと感じている。 研究者は、重要な問題、作業環境、そして結果の質と意義を評価する方法を定義し、実時間で1つまたは複数のエージェントを操作して、分析の焦点をどこに置くか、次に何を実行するかを決定する。
バイカーは、GPT‑6 Astraを利用することで、エージェントが意味のある実用的な変更を見つけるだけでなく、それらの成果を統合し、重ねていくこともできると述べています。これは再帰的な改善プロセスです。長期にわたるタスクを遂行する過程で、システムは自身の結果を分析し、初期提案で定められた基準に基づいてそれらを評価し、各変更ラウンドを分析するために人が必要とされるのではなく、自ら努力を方向付けることができます。 彼が言うには、「数日間動作する必要があるものを定義することができます。多くのデータソースから情報を取得し、何が重要で何がそうでないかを微妙に判断し、すべてを相互に関連付けて、実際に現在機能する包括的な分析を作成する必要があります」と彼は言う。
人間の判断を中心に保つ
Jump Tradingは、あらゆるタイミングの視野と資産クラスにおいて機能します。プロセスの各ステップは複雑であり、金融という厳格に規制される業界では、過ちが財政的およびコンプライアンス上の影響をもたらす可能性があります。Bakerは、AIに作業を委ねることから生じるリスクを認識することが重要だと述べていますが、エージェント型インテリジェンスは機能の追加だけでなく、品質の向上、セキュリティの強化、監視の改善にも応用できるとも言っています。 強固なシステム設計と境界、明確な制約、操縦性と可観測性を促進するインフラ、そして変更に対する人間のレビューが、Jump Tradingのチームに、規制された環境下でAIを利用したワークフローがスケール可能であることを確保するのに役立つ。
「エージェントやシステムが必要などんな出力も自由に生成できる安全な環境がある一方で、最後に人間のレビュープロセスがあり、重要な検証が人間の承認を得て行われるということです。それが私たちの信頼感を生み出すのです」と彼は言います。 例えば、エージェントが取引シグナルを生成した場合、その出力は他のどんな出力と同じように範囲を定められ、同様に検証される。つまり、通常は有益な情報であるが、誤りを含む可能性もあるシグナルとして、厳格に検証され、管理された実行環境の中で他のすべてのシグナルと統合されるのである。
次に何？
ベイカーは、私たちが「オートリサーチ」、つまりエージェント研究者による可測可能なシステムの反復的な改善が、極めて一般的になり、量的研究者の通常の作業フローの一部と見なされるような世界へ向かっていると考えていると述べています。 今日では、GPT‑6 Astraの最長運用実績でも、タスクを定義する人との定期的な確認が必要です。データをどのように取得し、どれくらい実行し、何が重要とみなされるかだけでなく、中間結果が意味があるかどうかも確認されます。 高度な自動検索は、入力データ、環境の定義、評価指標、トレードオフ、全体の優先事項を含む人間が定義したシステムから始まるが、プロセスの残りの部分は、他のエージェントによって調整される、緩やかな構造を持つ「フリート」と呼ばれるエージェント群に任される。 適切に構成された研究プロセスの中で、これらのエージェントは、アイデアを探求する方法、計算時間の配分、有望な発見を統合する方法について、単なる開かれた問いから始めて、知的な決定を下すことができる。
「これらを全てつなぎ合わせ、自分でも答えが分からないような一般的な問いを投げかけ、有益な結果が得られるとしたら、どのような姿になるのか？」と彼は尋ねる。「千年の問題を解決できれば、クァン・ファイナンスに関する興味深い事実も見つけられるだろう。」
毎年、ベンチマーク測定値において安定した進歩が見られるだけでなく、実行可能な作業モデルの種類においても大きな変化が生じています。 しばしば、これらの発展は数ヶ月前に予測するのも難しいものでした。2024年には初期のエージェントが一つのファイルを間違いなく作成することは印象的でしたが、2025年にはゼロからコードベース全体を作成することが可能になり、2026年には多くのエージェントが同時に動的に協力してオープンな研究問題に進展を遂げるようになりました。「来年は何が起こるだろうか？」と彼は言います。「実に驚くべき見通しです。」