Jump Trading 如何用 ChatGPT 扩展量化研究
在量化交易领域，市场数据、新闻事件和替代数据源交织成高度复杂、充满噪声且持续变化的系统，精确预判几乎不可能。然而，Jump Trading 的 LLM 研发负责人 Lucas Baker 指出，只要预测准确率在规模化后能略高于抛硬币，就足以支撑一个成功的交易策略。
Jump Trading 正在利用 OpenAI 的 GPT‑6 Astra 将这一理念推向新的高度。过去一年，AI 从编写零散代码片段、查找小漏洞的辅助工具，演变为能够独立开发完整代码库和服务的系统。Baker 的团队发现，当把 AI 视为同事而非工具时，其价值最大：研究人员定义关键问题、工作环境和结果评估标准，然后实时引导一个或多个智能体，决定分析重点或下一步任务。
GPT‑6 Astra 带来的核心变化是长周期任务的自主性。 Baker 表示，GPT-6 系列解锁了“新层级的自主性”，能够处理需要灵活智能体协调和极端持久性的复杂工作流。“过去我们需要频繁的人工指导和干预，现在我们可以完全专注于定义安全、受监控的环境，设定清晰目标，让智能体自己找到路径。”
在实际应用中，智能体不仅能发现有意义且实用的改进，还能将这些成果递归地合并和叠加，形成持续改进的循环。在一个长时间运行的任务中，系统可以分析自身发现，对照既定标准判断质量，并决定后续行动。
这标志着量化研究范式的转变：从人工编写短代码、修复小问题，转向让 AI 智能体承担从日常编码到高级量化研究、验证新假设的完整流程。人类研究者的角色转向环境设计、目标设定和关键节点监督，而智能体则在广度与深度上拓展探索空间。
对于金融行业而言，这种“人机协作”模式可能重新定义量化研究的效率和边界。当 AI 能够自主处理模糊、长期的研究问题时，交易公司可以更快地验证假设、迭代策略，从而在竞争激烈的市场中获取微弱但关键的优势。
