Jump Trading、GPT-6 Astraで長時間エージェントに量的リサーチを任せる：人は目標と境界を定め、レビューは最後に残す
OpenAIは10月6日、Jump Tradingの導入事例を公開した。LLM研究開発責任者のLucas Baker氏は、GPT-6 Astraにより数日に及ぶ研究をエージェントに任せられるようになったと語る。複数のデータ源を引き、重要性を判断し、有効な改善を積み重ね、合意済みの基準に沿って自ら方針を修正する。一方で規制下の環境として、人による最終レビューと厳格な境界を維持している。
2026年10月6日、OpenAIはクオンツ取引企業Jump Tradingの導入事例を公開した。ChatGPTとGPT-6 Astraを使って量的リサーチの規模を広げた経緯を紹介する内容である。中心人物は、同社でLLM研究開発を率いるLucas Baker氏だ。エージェント分野の研究開発を担当し、量的研究者がアイデアをより広く、より深く探れるよう、エージェント、ハーネス、基盤を整えている。 まず背景を整理する。Jumpは、市場データ、ニュースやイベント、さまざまなオルタナティブデータを使って予測モデルを作り、資産価格を予測する。市場は複雑でノイズが多く、時間とともに変化するため、何が起きるかを正確に見通すことはまずできない。それでもBaker氏は、大規模にコイン投げよりわずかに良く予測できれば、成功する戦略には十分だと述べる。量的リサーチは、膨大な仮説の中から小さく再現可能な優位性を探す仕事である。そのため、仮説をより速く、より広く検証できる側が有利になる。
変化の中身はこうだ。Baker氏によれば、GPT-6 Astraの導入で、エージェントに任せられるワークフローの規模と複雑さが大きく広がった。日々のコーディングから、新しい仮説を検証する高度な量的研究までが対象になる。同氏は、GPT-6シリーズ、特にGPT-6 Astraが、柔軟なエージェント間の連携と、複雑な作業に対する極めて高い粘り強さを必要とする長期タスクに、新しい水準の自律性をもたらしたと語る。以前は人の指導や介入が頻繁に必要だったが、今は安全で十分に監視された環境と明確な目標を定めることに集中し、エージェントに道を見つけさせられるという。 記事は過去1年の変化を、役立つ道具から、コードベース全体やサービスを自力で開発できる多才なシステムへの移行として描く。かつては単発のコード断片や小さなバグ探しに向いていたAIである。Baker氏のチームは今、AIを同僚のように扱うと最もうまくいくと見ている。研究者が重要な問題、作業環境、結果の質と重要性を評価する方法を定め、1つまたは複数のエージェントをリアルタイムで操縦する。どこに分析の焦点を置くか、次にどのジョブを走らせるかを指示するのである。 特に注目したいのは再帰的な改善だ。Baker氏は、GPT-6 Astraのエージェントが、意味があり実用的な変更を見つけるだけでなく、それらの成果を統合して積み重ねられると述べる。1つの長時間タスクの中で、システムは自らの発見を分析し、最初の提案で合意した基準に照らして判断し、努力の向きを自ら変える。変更の一巡ごとに人が分析する必要はない。同氏の言葉では、数日走らせる必要があり、多くのデータ源から取り込み、何が重要で何が重要でないかを微妙に判断し、すべてを相互に関連づける、そうした包括的な分析が今は実際に機能するという。
強く規制された業界の企業にとって、より重いテーマはリスクである。Jumpはあらゆる時間軸とアセットクラスで事業を行う。各工程は複雑で、誤りは財務面にも法令順守の面にも影響しうる。Baker氏は、AIに仕事を委ねるリスクを意識することが重要だと強調する。同時に、エージェントの知能は機能追加だけでなく、品質、セキュリティ、監視の改善にも使えると述べる。Jumpが頼るのは、強固なシステム設計と境界、明確な制約、操縦性と可観測性を高める基盤、そして変更に対する人のレビューである。エージェントが必要な出力を自由に生み出せる安全な環境があり、最後に人が重要な検証を行って受け入れる。その組み合わせが確信の源だと同氏は語る。
取引シグナルの扱いは明快である。エージェントがシグナルを生成した場合も、他の出力と同じく範囲を限定してレビューする。そのシグナルは通常は有益だが誤っている可能性もあり、厳格に審査・統制された実行環境の中で、他のすべてのシグナルと統合される。つまりエージェント自身に単独で売買する権限はなく、その成果は既存のリスク管理と執行プロセスへの入力の1つにすぎない。 今後についてBaker氏は、エージェントの研究者が測定可能なシステムを再帰的に改善するautoresearchが、量的研究者の通常業務の一部とみなされるほど普及すると見ている。ただし現状はもっと慎重だ。GPT-6 Astraの最長の作業でも、タスクを定義した人との定期的な確認が続く。どのデータを引くか、どれだけ走らせるか、何が重要かに加え、中間結果が妥当かどうかも確かめる。高度なautoresearchも、入力、環境、評価指標、トレードオフ、優先順位を人が定義するところから始まる。その後の工程は、他のエージェントが調整する緩やかな構造のエージェント群に任せ、アイデアの探索方法、計算資源の配分、有望な発見の統合を彼らが決める。出発点は、ほぼ1つの未解決の問いだけでよい。
同氏は進歩の速度にも触れた。2024年には、初期のエージェントが1つのファイルを誤りなく書けるだけで印象的だった。2025年にはコードベース全体をゼロから作れるようになり、2026年には多数のエージェントが並んで動的に協力し、未解決の研究課題で前進できる。こうした段階的な飛躍は、数か月先でも予測しにくいことが多かったという。 読者への注意を1つ。この事例は、ベンチマークの点数、コスト、戦略の収益、エージェントの数、計算資源の使用量を明らかにしていない。したがって投資対効果は判断できない。業界にとっての価値は手法にある。目標、環境、評価基準は人が定め、エージェントは長時間走って自ら軌道を修正し、最後に人が受け入れる。エージェントの成果は通常のシグナルとして、既存の統制された実行環境に組み込まれる。この役割分担は、他の規制業界がエージェントのワークフローを設計する際の参考になる。