Jump Trading：如何构建量化 Multi-Agent 系统

• URL: https://mp.weixin.qq.com/s/IjWdI4hwSW18wV1Hpp6qRA
• Date Saved: 2026-09-04
• Source: WeChat
• Tags: ai-engineering, crypto-trading

Summary

ICML 2026 Expo Talk 精编。演讲者为 Jump Trading ML 工程负责人 Loren Puchalla Fiore 和 LLM 研发负责人 Lucas Baker。讨论 Jump 如何为量化研究设计和评估 Multi-Agent 系统。

核心观点

• 速度 vs 智能取舍：短周期交易有更多观测但延迟预算极低；长周期可用复杂模型但独立样本减少。上下文翻倍，可用数据减半
• 时间旅行问题：Frontier Model 训练数据可能包含未来事件，回测结果会被高估。必须做 Point-in-time 正确性检查，比较知识截止日前后表现
• 从最简 Baseline 开始：一个模型 + 一个 Harness + 一条 Agent Loop 跑通，再逐步测试 Prompt/Context/工具/Subagent/模型/Token Budget。复杂度增加后若无改善则不保留
• Multi-Agent 适用场景：顺序依赖强 → 单 Agent；工具调用 → 去中心化多 Agent；可并行拆解 → Orchestrator-Worker。大多数时候单 Agent 够用
• 公开 Benchmark 不够用：缺乏 Temporal Leakage、私有数据、内部工具等真实条件。Jump 从研究员与内部 Agent 的真实对话提取 Eval Case
• AutoResearch 灰盒设计：明确输入/输出/权限/约束/阈值/Scorecard。先小范围稳定运行，再增加运行时间、并行度和计算资源
• 15年+数据基础设施：保存交易所原始网络包，可回放历史数据重建市场状态，实现 Packet Capture 级别的 Point-in-time 精度

实践要点

• 先 Prompt → 再工具 → 最后才训练模型（投入阶梯）
• Frontier Orchestrator + 专用 Subagent 是最快获得进展的结构
• 窄任务可能被通用 Agent 拖慢，抽取为专用 Subagent 可降低延迟并提高正确率（Goblin Subagent 实验）
• Multi-Agent 泛化能力取决于传递的信息量，与内部结构复杂度无关
• 真实 Scorecard 有多个指标和取舍，单一指标优化往往伤害其他维度
• 引用 Gall 定律（复杂系统从简单系统演化）、Amdahl 定律（局部优化有上限）、Amara 定律（短期高估长期低估）