Jump Trading 用 GPT-6 Astra 做量化研究 agent:把「要人频繁纠偏」的长程分析,改成目标清晰、可监控环境下的多 agent 自推进
一句话结论
Jump Trading 于 10 月 6 日公开其 LLM R&D 负责人 Lucas Baker 的实践:团队用 GPT-6 Astra 搭建可把更长、更模糊的研究问题交给 agent 的 harness 与基建——从日常写码到验证新假设的量化研究。Astra 让 agent 能在单次长跑中合并、叠加可度量的改进,并按初始提案标准自评与改道,人从「每轮分析」转向定义安全环境、目标与验收。监管行业仍坚持:agent 可自由产出,但关键校验与接入执行环境前必须有人审;信号当「可能错的信息」纳入既有风控。Baker 展望「autoresearch」将成为量化研究员日常工作流的一部分。
背景与理念
量化交易要在噪声市场里做出略好于抛硬币的预测;Baker 负责的是让研究员能以更大广度与深度探索想法的 agent、harness 与基础设施。过去一年 AI 从「写片段、找小 bug」变成能独立发展整仓与服务;他们主张把 AI 当同事:人定义问题、环境与评价标准,再实时指挥一个或多个 agent 往哪挖。
Astra 被描述为解锁「灵活多智能体协调 + 对复杂工作流的极端坚持」的新自主档:以前要频繁人工纠偏,现在可把精力放在安全、可监控的环境与清晰目标上。
具体做法
- 同事式委派。给定关键问题、工作环境与结果质量/显著性判据;运行中可转向分析重点或下一份作业。
- 递归改进环。长任务里 agent 分析发现、对照初始提案标准评判,并主动改道,而不是等人看完每一轮再下一步。
- 安全边界。强调可操纵性与可观测性基建;agent 在安全沙箱内可产出任意中间结果,但末端关键验证与人类接受是信心来源。
- 信号治理。若 agent 产出交易信号,按与其他信号相同方式:作用为信号、可能错误,并进入严格审过的执行环境。
- 展望。「autoresearch」仍由人定义输入、环境、指标、权衡与优先级,但探索、算力分配与整合有希望的发现可由松散 agent 舰队(再由 agent 协调)完成。
关键数据/例子
能力跃迁叙述(文中时间线):2024 年能无错写单文件已算亮眼;2025 年可从零建整仓;2026 年可对开放研究问题做多 agent 动态协作。
角色:Lucas Baker 为 Jump Trading Head of LLM R&D,聚焦 agentic R&D。
模型:文中突出 GPT-6 系列尤其 GPT-6 Astra 对长程、需灵活协调任务的提升。
行业约束:金融监管下错误同时有财务与合规后果,故把 agent 能力也用于质量、安全与监控,而不只加功能。
创新点
第一,把量化研究 agent 的成功标准写成「环境 + 目标 + 评价」三位一体,而不是单次提示出答案。
第二,明确「末端人类验收」与「中间自由探索」的分工,适配强监管场景。
第三,用 autoresearch 叙事把「可度量系统的递归改进」标成未来默认工作流。
可否复用
- 长程研究任务先写清评价标准与禁区,再允许 agent 在沙箱内自主改道。
- 中间产物可宽、接入生产路径必须窄:同一套人工复核门槛对待 agent 信号与人写信号。
- 可观测性与可操纵性要和服务能力一起投,否则长跑无法纠偏。
- 从「每轮人工分析」改成「定期检查中间结果是否仍合理」,把人的时间用在定义问题上。