Wie Jump Trading die Quant-Forschung mit ChatGPT und GPT-6 Astra skaliert

Am 6. Oktober 2026 hat OpenAI eine Kundenstory über Jump Trading veröffentlicht, die quantitative Handelsfirma, und darüber, wie sie ChatGPT und GPT-6 Astra nutzt, um ihre Quant-Forschung zu skalieren. Die zentrale Stimme ist Lucas Baker, Head of LLM R&D bei Jump. Er leitet die agentische Forschung und Entwicklung und konzentriert sich auf Agenten, Harnesses und Infrastruktur, mit denen quantitative Forscher ihre Ideen breiter und tiefer erkunden können. Zunächst der Rahmen. Jump baut Vorhersagemodelle, die Marktdaten, Nachrichten und Ereignisse sowie eine Reihe alternativer Datenquellen nutzen, um Vermögenspreise vorherzusagen. Märkte sind komplex, verrauscht und verändern sich mit der Zeit, daher lässt sich selten genau vorhersagen, was passiert. Baker betont jedoch: Schon eine Vorhersage, die im großen Maßstab nur etwas besser ist als ein Münzwurf, reicht für eine erfolgreiche Strategie. Diese Prämisse erklärt, warum die Geschichte wichtig ist. Quant-Forschung sucht schwache, aber wiederholbare Vorteile in einer riesigen Zahl von Hypothesen. Wer mehr Ideen schneller und breiter testen kann, hat also einen Vorsprung.

Nun die Veränderung selbst. Laut Baker hat GPT-6 Astra den Umfang und die Komplexität der Arbeitsabläufe stark erweitert, die an Agenten übergeben werden können, vom täglichen Programmieren bis zu fortgeschrittenen quantitativen Studien, die neue Hypothesen prüfen. Er sagt, die GPT-6-Serie, besonders GPT-6 Astra, eröffne eine neue Stufe der Autonomie für Langzeitaufgaben, die flexible Koordination zwischen Agenten und extreme Ausdauer bei komplexen Abläufen verlangen. Wo das Team früher häufig menschliche Anleitung und Eingriffe brauchte, könne es sich nun darauf konzentrieren, eine sichere und gut überwachte Umgebung mit klaren Zielen zu definieren und die Agenten ihren eigenen Weg finden zu lassen. Der Text beschreibt das vergangene Jahr als Wandel von einem hilfreichen Werkzeug, nützlich für einzelne Code-Schnipsel und kleine Fehler, zu einem vielseitigen System, das ganze Codebasen und Dienste selbst entwickeln kann. Bakers Team stellt fest, dass KI am besten funktioniert, wenn man sie wie einen Kollegen behandelt. Ein Forscher legt ein Kernproblem, eine Arbeitsumgebung und eine Methode fest, mit der Qualität und Bedeutung der Ergebnisse bewertet werden. Danach steuert er einen oder mehrere Agenten in Echtzeit und sagt, worauf sich die Analyse richten oder welche Aufgabe als Nächstes laufen soll. Der bemerkenswerteste Gedanke ist die rekursive Verbesserung. Baker sagt, mit GPT-6 Astra könnten Agenten nicht nur sinnvolle und praktische Änderungen finden, sondern diese Gewinne auch zusammenführen und stapeln. Während einer einzigen langen Aufgabe analysiert das System seine Ergebnisse, misst sie an den im ersten Vorschlag vereinbarten Kriterien und lenkt seine Arbeit selbst um. Eine Person muss nicht jede Änderungsrunde auswerten. In seinen Worten lässt sich heute etwas definieren, das tagelang laufen muss, Daten aus vielen Quellen zieht, feine Urteile darüber fällt, was wichtig ist und was nicht, und alles miteinander verknüpft, und es liefert eine umfassende Analyse, die tatsächlich funktioniert.

Für eine Firma in einer stark regulierten Branche ist das Risiko die schwierigere Frage. Jump arbeitet über alle Zeithorizonte und Anlageklassen hinweg. Jeder Schritt ist komplex, und Fehler können finanzielle wie regulatorische Folgen haben. Baker betont, man müsse die Risiken kennen, die entstehen, wenn man Arbeit an KI übergibt, und agentische Intelligenz könne ebenso Qualität, Sicherheit und Überwachung verbessern, nicht nur Funktionen hinzufügen. Jump setzt auf starkes Systemdesign mit klaren Grenzen, eindeutige Vorgaben, eine Infrastruktur für Steuerbarkeit und Beobachtbarkeit und menschliche Prüfung der Änderungen. Vertrauen entstehe aus einer sicheren Umgebung, in der der Agent jede nötige Ausgabe erzeugen darf, gekoppelt mit einem abschließenden Prüfschritt, in dem ein Mensch kritisch validiert und das Ergebnis freigibt. Bei Handelssignalen ist der Text eindeutig. Erzeugt ein Agent ein Signal, wird es wie jede andere Ausgabe eingegrenzt und geprüft. Es gilt als Signal: meist informativ, möglicherweise falsch, und es wird mit allen anderen Signalen in einer streng geprüften und kontrollierten Ausführungsumgebung zusammengeführt. Der Agent hat damit keine Befugnis, allein zu handeln. Seine Ausgabe ist ein Eingang in bestehende Risiko- und Ausführungsprozesse. Mit Blick nach vorn erwartet Baker, dass Autoresearch, also die rekursive Verbesserung messbarer Systeme durch Agenten-Forscher, so verbreitet wird, dass es einfach zum normalen Arbeitsablauf eines Quant-Forschers gehört. Die Gegenwart ist bescheidener. Selbst die längsten Läufe von GPT-6 Astra erfordern regelmäßige Rücksprachen mit der Person, die die Aufgabe definiert hat: welche Daten zu ziehen sind, wie lange gelaufen wird, was als wichtig gilt und ob die Zwischenergebnisse plausibel sind. Fortgeschrittenes Autoresearch würde weiter mit einem menschlich definierten System beginnen, mit Eingaben, Umgebung, Bewertungsmetriken, Zielkonflikten und Prioritäten. Den Rest würde eine locker strukturierte Flotte von Agenten übernehmen, die von anderen Agenten koordiniert wird und selbst entscheidet, wie Ideen erkundet, Rechenzeit verteilt und vielversprechende Funde zusammengeführt werden, ausgehend von kaum mehr als einer offenen Frage.

Baker erinnert auch an das Tempo. 2024 war es beeindruckend, wenn frühe Agenten eine einzelne Datei fehlerfrei schrieben. 2025 konnten sie ganze Codebasen von Grund auf erstellen. 2026 kommen sie bei offenen Forschungsfragen voran, wobei viele Agenten dynamisch Seite an Seite zusammenarbeiten. Diese Sprünge waren oft schon Monate im Voraus schwer vorherzusagen. Ein Hinweis für Leser: Die Story nennt keine Benchmark-Werte, Kosten, Strategierenditen, Agentenzahlen oder Rechenaufwände. Sie trägt daher keine Aussage zum Return on Investment. Ihr Wert für die Branche liegt in der Methode: Menschen legen Ziele, Umgebung und Bewertungskriterien fest, Agenten laufen lange und korrigieren selbst ihren Kurs, am Ende gibt ein Mensch das Ergebnis frei, und die Agentenausgabe wird als gewöhnliches Signal in eine bereits kontrollierte Ausführungsumgebung eingebunden. Andere regulierte Branchen können diese Aufgabenteilung als Vorbild nehmen, wenn sie eigene Agenten-Workflows entwerfen.