Jump Trading引入GPT-6 Astra，规模化落地量化研究Agent

作为全球顶尖的量化交易巨头，Jump Trading通过整合市场数据、新闻事件及多维度另类数据来构建资产价格预测模型。金融市场复杂且充满噪音，但Jump大语言模型研发负责人Lucas Baker指出，只要预测胜率能在大规模交易中略高于掷硬币，就足以支撑一套成功的策略。

目前，Baker正主导Jump的Agent研发工作，专注于搭建让量化研究员更深、更广探索交易想法的基础设施与工作流环境。引入新一代模型后，量化团队能够托付给AI智能体的任务复杂度与规模迎来了指数级跃升，涵盖从日常代码编写到高级量化研究中的新假设验证。

从代码片段到端到端复杂分析

AI已从最初写单段代码、修补小Bug的辅助工具，演化为能够独立开发整套代码库与服务的成熟系统。在Jump团队的工作流中，AI被视为研究员的「数字同事」：人类研究员负责定义核心问题、运行环境以及结果评估标准，随后实时引导一个或多个Agent推进分析流程。

在执行长周期任务时，多Agent系统不仅能挖掘出切实有效的策略优化点，还能将这些成果递归叠加。系统会在任务推进过程中自主对照初始方案设定的标准评估进展，并主动调整后续发力方向，不再依赖人工在每一轮修改时介入。

研究员如今可以定义一个需要连续运行数天、调用多方数据源的任务，Agent会自主在过程中做出细微权衡，辨别关键信息并完成端到端分析。

坚持以人类判断为核心防线

由于Jump的业务覆盖全资产类别与全时间周期，在强监管的金融环境下，任何失误都可能带来合规与资金风险。Baker强调，在依托AI提效的同时，必须构建清晰的安全边界与监控体系。

Jump采取的策略是：为Agent提供开放探索的沙箱环境，但在最终部署前保留严格的人类审查流程。例如，当Agent生成新的交易信号时，该信号会被视为潜在有效但可能出错的输入，与其他信号一同经过严密的风控审核，最终才进入受控的执行环节。

下一步：走向全流程「自主研究」

展望未来，通过Agent自我递归改进系统的「自主研究」（autoresearch）将成为量化研究的常态化工具。未来的工作模式下，人类仅需定义输入规范、运行环境、评估指标与优先级，随后由一组动态协同的Agent集群自主接管探索路径、分配算力并整合成果。

从早期写单文件代码，到如今多Agent协作攻克开放式研究难题，大语言模型展现出的长周期自主推进能力，正在深刻重塑量化投研的生产力边界。