Jump TradingはGPT-6 Astraに数日間の調査を任せ、判断は手放さない

Jump TradingはGPT-6 Astraを、数日間にわたり複数のデータ源を参照し、途中の結果に応じて分析方針を変える定量調査に使っている。OpenAIが示したのは、高速な検索欄ではなく、調査システムとしてのエージェントだ。

エージェントに数日間の作業を任せても取引権限は渡さない

Jump TradingでLLM R&Dを率いるLucas Bakerのチームは、定量研究者向けのエージェント、制御基盤、インフラを構築している。研究者は問題、作業環境、結果の質と重要性を測る基準を先に定める。GPT-6 Astraは一度の実行中に知見を組み合わせ、当初の提案と照合し、次の分析先を変更できる。

用途は日常的なコーディングから新しい仮説の検証まで広い。ただし、取引シグナルのような出力は、有用でも誤り得る情報として扱われる。ほかのシグナルと同じように範囲を限定して検証し、人間が厳格に承認した後でのみ管理された執行環境に入る。

価値の中心は回答から調査ループの制御へ移る

定量取引会社が必要とするのは、印象的な文章ではない。長いタスクの状態を保ち、データの出所を記録し、中間結果を比較し、研究者が介入できるシステムだ。Bakerのチームが可観測性、明確な制約、実行中の方向修正を重視する理由もそこにある。

この型は金融以外にも通用する。研究者は各工程を手作業で回す代わりに、環境、評価指標、採用基準の設計に時間を使う。プロダクトチームにとっては、モデル選び以上に大きな変化だ。制御された実験全体がインターフェースになる。

事例には収益率も誤り率も示されていない

この事例を公開したのはOpenAIであり、戦略の収益率、導入したエージェント数、時間短縮、誤った発見の割合は記載されていない。したがって、GPT-6 Astraが取引成績を改善した証拠ではない。確認できるのは、Jump Tradingが説明する導入方法だ。

最長のタスクでも、人間による定期確認は残る。研究者がデータ、実行時間、重要性の基準、中間結果の妥当性を判断する。コイントスの50 %をわずかに上回るという説明は、小さな優位性の価値と、系統的な誤りの代償を同時に示す。

監査記録とレビュー負荷が成否を決める

次に必要なのは運用データだ。調査サイクルの時間、却下された発見、レビュー工数、結論を元データまで追跡できるかが判断材料になる。これらがなければ、autoresearchは有望な設計であって、測定済みの成果ではない。

さらに厳しい論点は、人間の確認がボトルネックになるかどうかだ。エージェントが一日に多くの仮説を作っても、偽の相関が市場ポジションになる前に見抜く専門家は必要になる。

Lilithの判定

エージェントは数日かけて雑音の中から弱いシグナルを探せる。それでも取引に最後の手を置くのは人間だ。Jump Tradingの線引きは明快で、調査はモデル、責任は会社に残る。