Jump Trading的量化研究最近有了明确的新动作——用OpenAI的工具扩展研究规模，核心是把多数据源整合进更长的AI工作流，还保留了人工审核环节。
正在发生：量化团队的工具渗透
Jump Trading是量化交易领域的玩家，他们的量化研究，过去更依赖研究员手动处理数据、挖掘交易信号。现在加入OpenAI的工具后，不是简单的问答工具，而是渗透到了研究的多个环节——比如处理不同来源的市场行情数据、宏观经济数据，甚至是非结构化的研报文本。这些数据原本要研究员花好几天整理关联，现在AI能快速做初步归类和交叉，让研究员省出时间聚焦策略验证的核心步骤。
门道在哪：人机混合的分寸
很多机构试AI做量化，容易走极端：要么全交给AI跑策略，风险极高；要么只用来做基础的资料查询，没实际效果。Jump Trading的做法卡在中间，却很实用：AI负责“扩量”——同时处理十几个甚至更多数据源，跑覆盖几周的长周期工作流，输出潜在的信号方向；但最终的策略结论、数据合理性，必须过人工审核。比如AI给出某个信号的历史回测结果，研究员要核对信号背后的逻辑是否符合市场规律，有没有逻辑漏洞，确保不会因为AI的偏差踩坑。这分寸的关键，是保住了量化研究最核心的“可解释性”——不能只看AI给出的结果，还要知道为什么。
对行业的信号：规模的新路径
量化研究的规模，过去一直受限于研究员的精力和数据处理能力：一个研究员通常只能跟踪3-5个核心数据源，再多就顾不过来。现在Jump Trading用AI扩展，相当于给团队加了个“数据处理放大器”——不用堆人，就能覆盖更多数据源，研究的维度和深度都能往上走。这可能会让行业里的机构重新想：AI不是替代研究员，而是帮研究员把规模做上去，尤其是对于想拓展新交易策略的机构，不用再花大量时间做数据整合，能更快验证新方向。
你觉得量化研究里，AI负责的数据处理占比，会慢慢提升到能影响核心策略决策的程度吗？
素材来源：OpenAI News · AI情报、大模型、AI应用落地、科研前沿
查看报道原文
发表第一条评论吧