作为一家量化交易公司，Jump Trading 会构建预测模型，这些模型利用市场数据、新闻和事件以及多种替代数据源，以做出关于资产价格的最佳预测。由于市场具有复杂性、噪声多且随时间变化，很难准确预知未来会发生什么。但根据 Jump 的 LLM R&D 负责人 Lucas Baker 的说法，在大规模应用场景下，即使能比抛硬币预测稍好一点，也足以成为一项成功的策略。
Baker负责代理式研究与开发工作，他专注于构建代理、工具以及基础设施，从而让定量研究人员能够更广泛、更深入地探索他们的想法。加入 GPT‑6 Astra 后，可以交给代理处理的工作流程的规模和复杂性得到了极大提升，涵盖从日常编程到高级定量研究等各个领域，用于验证新的假设。
“通过 GPT-6 系列，尤其是 GPT-6 Astra，OpenAI 实现了新的自主级别，适用于需要灵活代理协作和在复杂工作流程中保持极高坚持度的长期任务。过去我们必须频繁依赖人类指导与干预，现在则可以完全专注于构建一个安全且受到严格监控的环境，设定明确的目标，让代理自行找到解决方案。”—卢卡斯·贝克，LLM 研发主管，Jump Trading
从简短的代码片段到全面的分析
过去一年里，AI已经从一种有助于编写单次代码片段或查找小错误的工具，转变为一个能够独立开发整个代码库和服务的多功能系统。现在，Baker和他的团队发现，将AI视为同事才是最有效的使用方式。 研究人员可以明确一个关键问题、一个工作环境，以及一种评估结果质量和重要性的方法，然后实时指导一个或多个代理去确定分析的重点或接下来要执行的任务。
Baker表示，借助 GPT‑6 Astra，智能体现在不仅能够找到有意义且实用的改进方案，还能将这些改进合并并叠加在一起，实现递归式优化。在一项长期任务过程中，系统可以分析其发现结果，根据初始提案中确定的标准对它们进行评估，并主动调整自己的努力方向，无需他人来分析每一轮改进措施。 正如他所说：“你可以定义一种需要运行数天的系统——它需要从多个数据源获取数据，需要判断哪些重要、哪些不重要，还需要让所有元素相互关联——从而生成真正能立即生效的全面分析，”他说。
将人类判断置于核心位置
Jump Trading 适用于所有时间范围和资产类别。该过程的每一步都十分复杂，在金融这样受严格监管的行业中，错误可能带来财务和合规方面的后果。Baker 表示，认识到将工作委托给人工智能所引发的风险至关重要，但代理式智能也可以用于提升质量、安全性和监控能力，而不只是增加功能。 强大的系统设计和边界控制，明确的约束条件，能够提升可操控性和可观察性的基础设施，以及对变更的人性化审核，这些都有助于 Jump Trading 团队确保在受监管环境中，基于人工智能的工作流程能够顺利扩展。
“如果你有一个安全的环境，其中智能体或系统能够自由生成所需的任何输出，而且在最后还有人工审核流程，对关键内容进行人工确认，这就是让我们充满信心的原因，”他说。 例如，如果代理程序产生交易信号，其处理方式和其他输出一样：作为信号，通常具有信息性但可能存在错误，并且会在严格审查与控制的执行环境中与其他所有信号结合使用。
接下来是什么
贝克表示，他认为我们正朝着这样一个世界发展：其中“自主研究”——即代理研究人员对可测量系统进行的递归改进——将变得如此普遍，以至于被视作定量研究人员日常工作流程中的常规部分。 今天，即使是运行时间最长的 GPT‑6 Astra 项目，仍然需要与任务定义者进行定期沟通——不仅涉及要提取哪些数据、运行时长以及哪些内容被视为重要，还涉及中间结果是否合理。 高级自学习过程仍然以人类定义的系统为起点，包括输入数据、环境定义、评估指标、权衡因素以及整体优先级，但后续流程则交由由其他代理协调的、结构较为松散的代理群负责。 在结构合理的研究流程中，这些智能体能够做出关于如何探索想法、分配计算时间以及整合有前景的研究结果等决策，而这一切都始于一个较为简单的开放问题。
“如果你能把这一切从头到尾都解决掉，提出一个连你自己都不知道答案的一般性问题，然后得到有用的结果，那会是什么样子的？”他问道。“如果你能解决一个千年难题，你很可能也能找出一些关于量化金融的有趣事实。”
每年不仅带来了基准测量值的稳步提升，还带来了工作模式能力方面的重大变化。 通常这些发展甚至难以提前几个月预测：2024年时，早期智能体能够无误地编写一个文件被视为了不起的成就；而到了2025年，从零开始创建完整的代码库成为可能；到了2026年，许多智能体协同工作，在公开的科研问题上取得进展。“明年我们会看到什么？”他问道，“这真是令人难以置信的前景。”