Jump Trading 用 GPT-6 Astra 做量化研究，Agent 可连续运行数天

作为一家量化交易公司，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、充满噪声且随时间变化，几乎不可能准确预判会发生什么。但据 Jump 的 LLM 研发负责人 Lucas Baker 称，在规模化条件下，哪怕预测准确率仅略高于抛硬币，也足以形成成功的策略。

Baker 负责智能体研究与开发，他专注于构建智能体、运行框架和基础设施，让量化研究人员能够更广、更深地探索自己的想法。引入 GPT‑6 Astra 极大地扩展了可以交给智能体处理的工作流的规模和复杂度，从日常编码到验证新假设的高级量化研究。

在过去一年里，AI 已从一种有用的工具——适合编写一次性代码片段或查找小 bug——转变为一种能力强大、用途广泛的系统，能够自行开发完整的代码库和服务。如今，Baker 和他的团队发现，把 AI 更像同事一样对待时，它的表现最好。研究人员可以定义关键问题、工作环境以及评估结果质量和重要性的方式，然后实时引导一个或多个智能体，告诉它们应将分析重点放在哪里，或接下来运行哪项任务。

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动，还能在递归改进的过程中将这些成果合并、叠加。在一个长时间运行的任务中，系统可以分析自己的发现，依据初始提案中约定的标准进行判断，并主动调整方向，而无需人工逐轮分析每一次改动。正如他所说：“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拉取数据，需要对什么是重要的、什么是不重要的做出那些微妙的判断，还需要把一切相互关联起来——从而生成一份真正可用的综合分析，”他说。

Jump Trading 的业务横跨所有时间周期和资产类别。流程的每一步都很复杂，而在金融这样受到严格监管的行业中，失误可能同时带来财务和合规方面的后果。Baker 表示，必须意识到将工作交给 AI 所带来的风险，但同样重要的是，智能体智能也可以用于提升质量、安全性和监控，而不仅仅是增加功能。强大的系统设计与边界、明确的约束、有助于可操控性和可观测性的基础设施，以及对改动的人工审查，帮助 Jump Trading 团队确保 AI 赋能的工作流已准备好在受监管的环境中规模化落地。

“如果你有一个安全的环境，让智能体或系统可以自由地产出它所需的任何输出，但同时在流程末端还有一个人工审查环节，由人类进行关键验证并予以接受，这正是让我们有信心的原因，”他说。例如，如果某个智能体生成了一条交易信号，它会像任何输出一样被界定范围并接受审查：它是一条信号，通常有参考价值，但也可能是错的，并且会在一个经过严格审查和管控的执行环境中与所有其他信号整合在一起。

Baker 表示，他认为我们正走向一个“自动研究”（autoresearch）无处不在的世界，即由智能体研究员对可度量系统进行递归式改进，以至于它会被视为量化研究员日常工作流程的一部分。如今，即便是 GPT‑6 Astra 运行时间最长的工作，仍然需要与定义任务的人定期沟通——不仅是拉取哪些数据、运行多长时间、什么算重要，还包括中间结果是否合理。高级的自动研究仍会从人类定义的系统开始，包括输入、环境定义、评估指标、权衡取舍和总体优先级，但会把其余过程交给一个结构松散的智能体“集群”，并由其他智能体来协调。在一个结构良好的研究流程中，这些智能体将能够就如何探索想法、分配计算时间和整合有前景的发现做出智能决策，而这一切都始于一个开放性问题。

“当你能够把这一切端到端地打通，提出一个连你自己都不知道答案的通用问题，并得到一个有用的结果时，那会是什么样子？”他问道。“如果你能解决一个千禧年大奖难题，你大概也能发现一些关于量化金融的相当有趣的事实。”

每一年带来的不仅是基准测试指标的稳步提升，还有模型所能执行的工作类型的阶跃式变化。这些进展往往在几个月前都难以预测：2024 年，早期智能体能够不出错地写出单个文件就被认为很了不起；到了 2025 年，从零开始创建整个代码库已成为可能；而到了 2026 年，许多智能体动态地并肩协作，已能在开放研究问题上取得进展。“明年我们又会拥有什么？”他说。“这是一个相当令人难以置信的前景。”