作为量化交易公司，Jump Trading 创建预测模型，利用市场数据、新闻和事件，以及一系列另类数据源，对资产价格做出尽可能准确的预测。由于市场复杂、嘈杂且随时间变化，几乎不可能准确预测将要发生什么。但据 Jump 的 LLM 研发主管 Lucas Baker 称，在大规模上预测得比抛硬币稍好一点就足以形成成功的策略。Baker 领导代理式研发，专注于构建代理、工具和基础设施，使量化研究人员能够以更广的广度和更深的深度探索他们的想法。加入 GPT-6 Astra 后，可以移交给人工智能代理的工作流的规模和复杂性大幅扩展，从日常编码到用于验证新假设的高级量化研究。"借助 GPT-6 系列，尤其是 GPT-6 Astra，Open AI 为需要灵活代理协调和对复杂工作流保持极端持久性的长周期任务解锁了一个新的自主层级。过去我们需要频繁的人类指导和干预，现在我们可以完全专注于定义一个安全且监控良好的环境，设定清晰的目标，让代理自己找到路径。"——Lucas Baker，Jump Trading LLM 研发主管
从简短的代码片段到全面分析
过去一年，AI 已从一种有用的工具（可用于编写一次性代码片段或查找小错误）转变为一个有能力的、多功能的系统，能够独立开发整个代码库和服务。现在，Baker 和他的团队发现，当 AI 被更多地当作同事对待时效果最佳。研究人员可以定义一个关键问题、一个工作环境以及评估结果质量和重要性的方法，然后实时引导一个或多个代理，决定将分析集中在何处或下一步运行哪个任务。Baker 表示，借助 GPT-6 Astra，代理现在不仅能够发现有意义且实用的改进，还能在递归改进的过程中将这些成果合并和叠加起来。在单个长期运行的任务过程中，系统可以分析其发现，对照初始提案中商定的标准进行评判，并主动调整其努力方向，而无需人工分析每一轮更改。正如他所言，"你可以定义一个需要运行数天的任务——它需要从多个数据源获取数据，需要做出关于什么重要、什么不重要的微妙判断，需要将一切相互关联——从而创建出真正能用的全面分析。"
将人类判断置于核心
Jump Trading 涉足所有时间跨度和资产类别。流程的每一步都很复杂，而在金融这样一个高度监管的行业，错误可能带来财务和合规后果。Baker 表示，必须意识到将工作委托给 AI 所带来的风险，但代理式智能也可用于提高质量、安全性和监控水平，而不仅仅是增加功能。强大的系统设计和边界、清晰的约束、促进可引导性和可观测性的基础设施，以及对更改的人工审查，帮助 Jump Trading 的团队确保 AI 赋能的工作流能够在受监管的环境中准备就绪并实现规模化。
"如果你有一个安全的环境，代理或系统可以自由产生它需要的任何输出，但在此之后还有一个人类审查流程，在其中进行关键验证并获得人类认可，这正是我们信心的来源，"他说。例如，如果代理产生了一个交易信号，它会被以与任何输出相同的方式界定和审查：作为一个信号，通常具有信息量但可能错误，并被整合……
关键实体：Co...
常见问题
问题：Jump Trading 如何在量化研究中应用 AI？
答案：Jump Trading 利用 OpenAI 的 GPT-6 Astra 扩展量化研究，通过启用结合多种数据源与人工审查的长期运行 AI 工作流。AI 代理协助编码、假设验证和模型的递归改进，而人类监督确保在受监管环境中的合规性和质量。
来源: OpenAI Blog · 由HeadlinesBriefing整理摘要