A kvantitatív kereskedéssel foglalkozó Jump Trading GPT‑6 Astra nyelvi modellt és ügynököket alkalmaz annak érdekében, hogy hosszabb, bizonytalanabb kutatási feladatokat is átadjon automatizált rendszereknek. A cég előrejelző modelleket fejleszt, amelyek piaci adatok, hírek és alternatív adatforrások alapján próbálnak minél pontosabb előrejelzéseket adni eszközárakról; a piacok összetett és zajos természetéből adódóan azonban ritkán lehet pontosan megjósolni az eseményeket.
Lucas Baker, a Jump Trading LLM R&D (nagynyelvű modellek kutatás‑fejlesztés) részlegének vezetője szerint már az is elég, ha a rendszer statisztikailag kismértékben jobban teljesít, mint a véletlen: „ha skálázva egy kicsivel jobb vagy, mint egy érmefeldobás, az már elég egy sikeres stratégiához.”
Ügynökök a kutatási munkafolyamatokban
Baker csapata ügynökalapú (agentic) kutatás‑fejlesztéssel foglalkozik: az ügynököket, a rájuk épülő környezetet és az infrastruktúrát alakítják úgy, hogy a kvantitatív kutatók szélesebb és mélyebb vizsgálatokat folytathassanak. A GPT‑6 Astra bevezetésével jelentősen megnőtt annak a skálája és bonyolultsága a munkafolyamatoknak, amelyeket az ügynökök átvehetnek — a napi kódolási feladatoktól az új hipotézisek validálásához szükséges összetett kvantitatív tanulmányokig.
Az elmúlt év során az AI eszközök szerepe átalakult: korábban egyszeri kódrészletek vagy kisebb hibák keresésére használt segédeszközök ma már képesek önállóan teljes kódbázisokat és szolgáltatásokat kialakítani. Baker és csapata szerint az AI akkor működik a leghatékonyabban, ha kollégaként kezelik: a kutatók megadják a fő problémát, a munkakörnyezetet és az értékelési szempontokat, majd valós időben irányítják az ügynököket, hogy mire fókuszáljanak vagy melyik feladatot futtassák.
Rekurzív javulás és hosszú futamidejű feladatok
Baker szerint a GPT‑6 Astra-val az ügynökök nemcsak jelentős és gyakorlati javításokat találnak, hanem ezeket össze is tudják integrálni egy rekurzív fejlődési folyamat során. Egyetlen hosszú futamidejű feladat során a rendszer képes elemezni a saját eredményeit, összevetni azokat az eredeti javaslatnál meghatározott kritériumokkal, és aktívan átirányítani a munkát anélkül, hogy minden körnél emberi beavatkozásra lenne szükség. Baker így fogalmaz: „Meg lehet határozni valamit, ami napokig fut—több adatforrásból kell húznia, finom döntéseket kell hoznia arról, mi fontos és mi nem, és mindent összefüggésbe kell hoznia—hogy valóban működő, átfogó elemzést adjon.”
Kockázatkezelés és szabályozott környezet
A Jump Trading minden időhorizonton és eszközcsoportban dolgozik, ahol a folyamat minden lépése összetett, és a pénzügyi szektor erős szabályozottsága miatt a hibák anyagi és megfelelőségi következményekkel járhatnak. Baker hangsúlyozza, hogy fontos tisztában lenni azzal a kockázattal, amely a munkafolyamatok AI‑ra bízásával jár, ugyanakkor az ügynökalapú intelligencia alkalmazható a minőség, a biztonság és a felügyelet javítására is, nem csupán új funkciók hozzáadására.
A megközelítés kulcselemei közé tartozik a jó rendszertervezés és határok, egyértelmű korlátok, olyan infrastruktúra, amely támogatja az irányíthatóságot és megfigyelhetőséget, valamint a változtatások emberi felülvizsgálata. Baker: „Ha van egy biztonságos környezeted, ahol az ügynök vagy rendszer szabadon előállíthatja a szükséges kimeneteket, de a végén van egy emberi felülvizsgálat, ahol a kritikus validáció megtörténik és az ember elfogadja, az ad nekünk biztonságot.”
Például ha egy ügynök kereskedési jelzést generál, azt ugyanúgy lehatárolják és felülvizsgálják, mint bármely más jelzést: információt adó, de potenciálisan hibás kimenetként kezelik, és egy szigorúan felügyelt végrehajtási környezetbe integrálják.
Az „autoresearch” jövője
Baker szerint az irány az úgynevezett „autoresearch” felé mutat: az a folyamat, amelyben ügynökök rekurszívan javítanak mérhető rendszereket, és ez annyira elterjedtté válik, hogy a kvantitatív kutatók mindennapi munkafolyamatának természetes része lesz. Jelenleg még a GPT‑6 Astra leghosszabb feladatai is rendszeres ellenőrzéseket igényelnek a feladatot definiáló személlyel — az illető dönti el, milyen adatokat kell lekérni, mennyi ideig fusson a folyamat, mi számít fontosnak, és hogy az köztes eredmények értelmesek‑e.
A fejlett autoresearch általában ember által definiált rendszerrel indul: bemenetek, környezeti definíciók, értékelési metrikák, kompromisszumok és prioritások meghatározásával, majd a folyamat további részét egy laza szerkezetű ügynökflotta végzi, amelyet más ügynökök koordinálhatnak. Egy jól felépített kutatási csővezetékben ezek az ügynökök intelligensen dönthetnek arról, hogyan vizsgáljanak ötleteket, hogyan osszák el a számítási kapacitást, és hogyan integrálják az ígéretes eredményeket, kiindulva csupán egy nyitott kérdésből.
Modellfejlődés az elmúlt években
Baker megjegyzi, hogy évente nem csupán folyamatos előrelépések történtek a benchmarkokban, hanem ugrásszerű változások is abban, milyen feladatokra képesek a modellek. Ezek a fejlemények gyakran hónapokkal előre sem voltak könnyen megjósolhatók: míg 2024‑ben figyelemre méltónak számított, ha korai ügynökök egyetlen fájlt hibátlanul írtak, 2025‑re már teljes kódbázisok létrehozása vált lehetővé, és 2026‑ban több ügynök dinamikus együttműködésével nyílt kutatási kérdésekben is haladást értek el.
„Mi lesz jövőre?” — teszi fel a kérdést Baker. „Ez elég elképesztő kilátás.”
