Benjamin Ogden, grundlægger og administrerende direktør for DataGenn AI – Intervju-serie

Benjamin Ogden er grundlægger og administrerende direktør for DataGenn AI, som bygger autonome investerings- og handelsagenter, der er finjusteret til at generere profitable handelsprædiktioner og udføre markedshandlinger. Ved hjælp af Reinforcement Learning fra menneskelig feedback (RLHF) forbedres agenternes handelsprædiktionssikkerhed løbende. I øjeblikket er DataGenn AI i gang med at indsamle midler til at støtte dens fortsatte vækst og innovation i den finansielle servicesektor.

Benjamin har en bachelorgrad i finans fra University of Central Florida. Han har personligt handlet med milliarder i aktier og krypto, og har mestret markedsdynamikken med tusinder af timers realtidsprisaktion. En erfaren internetteknologiudvikler siden 2001 er Benjamin også en SEO-ekspert, der har tjent over 20 millioner dollars i profit ved at reverse-engineere Google-søgealgoritmeopdateringer.

De er en serieiværksætter, kan du dele nogle højdepunkter fra din karriere?

Der er mange højdepunkter, da jeg har kørt virksomheder som iværksætter, siden jeg var en dreng på 6 eller 7 år. Jeg elsker at lære. Vejen og processen med at lære driver min tørst efter mere viden og visdom. At udvikle en social blogsamfund og drive en virksomhed som administrerende direktør for thoughts.com fra 2007-2012 var en stor læringsoplevelse og karriereforvandler for mig. Ligeså var handel med aktiemarkedet tungt efter det en anden vigtig læringsoplevelse, der til sidst påvirkede mig til at arbejde på GenAI-handelsagenter hos DataGenn AI. Til sidst har den seneste overgang fra at arbejde med iGaming SEO til at finjustere LLM’er og lære grundlæggende maskinlæringsprincipper været livgivende, da det giver mig mulighed for at udvikle generative AI-drevne handelsagenter til finansielle markeder, hvilket realiserer en vision om at accelerere compound interest-effekter, en gennembrudsførende finansielle markedsforestilling, jeg har haft i over et årti.

Hvornår blev du først interesseret i AI og maskinlærning?

Jeg begyndte at udvikle interesse for AI midt i 2022. Så snart jeg så, hvad Jasper.ai gjorde på det tidspunkt, skiftede jeg min daglige fokus fra iGaming SEO-markedsføring til at gennemgå den nyeste kunstig intelligenssoftware og -platforme på det tidspunkt, såsom Jasper AI og ChatGPT. Da mine kundskaber voksede gennem 2023, og LLM’er udviklede sig hurtigt, voksede også min passion for at bygge værdifulde finansielle markeds-handlingsteknologier, der udnytter kraften fra LLM’er og kunstig intelligens.

Kan du dele den oprindelige historie bag DataGenn AI?

Jeg studerede finans på college på UCF. Mens jeg var på college, havde jeg en særlig interesse for de finansielle markeder. I 2012 havde jeg en specifik og detaljeret vision om en ny teknologi, jeg havde planer om at opfinde omkring 2012, som jeg kalder “Digital Kapital Mining”. Ideen med DCM er simpel: Hurtigere effekterne af compound interest ved at compounde dagligt, og dermed digitalt mine kapital over 252 aktiemarkeds-handelsdage om året.

Kan du forklare, hvordan DataGenn INVEST udnytter Google’s Gemini-model og MoE-modeller til at forudsige intradagshandelsbevægelser?

Jeg kan give en overordnet oversigt over de værktøjer, vi bruger hos DataGenn AI, men kommenterer ikke på nøgle-specifikke detaljer på dette tidspunkt. I korte træk: Med DataGenn INVEST bruger vi multiple frontlignings-sprogmodeller og entitetsspecifikke agenter bygget på MoE-arkitektur.

Hvad er de specifikke fordele ved at bruge RLHF (Reinforcement Learning fra menneskelig feedback) til at træne jeres handelsagenter?

RLHF er afgørende for at træne modellen til at lære den korrekte besvarelse og/eller give bestemte typer af svar baseret på brugerens prompt. Ved at bruge RLHF med vores agenters forudsigelser og udførte markedshandlinger kan vi forbedre hver agents nøjagtighed af både handelsforudsigelser og markedshandlinger over tid og hyppige iterationer. RLHF hjælper også med effektivitet og træner agenterne til at forstå nuancer og udføre komplekse opgaver.

Hvordan integrerer DataGenn realtidsdata fra multiple kilder i sin handelsstrategi?

I vores nuværende fase med test af multiple modeller og backtest af handelsagentpræstation har vi en agent på Alpha-niveau, der er i test, og som bruger realtidsdata fra AlphaAdvantage. Vi har også en Beta-niveau agent i test, der bruger Pinescript på TradingView til backtest. Vi udfører kritisk forskning og test af vores agenters forudsigelser og handelsudførelse. I produktion vil vi bruge en Bloomberg-terminal til handel, markeddata og kritisk nyheder osv.

Hvordan sikrer DataGenn INVEST nøjagtigheden og pålideligheden af sine handelsforudsigelser i volatile finansielle markeder?

Vi bygger, tester og backtester DataGenn INVEST-agenterne’s handelsstrategialgoritmer og sikkerhedsforanstaltninger ved at bruge finansielle markeders branchestandarder, såsom Stop Loss-ordrer til at reducere drawdown-risiko og Trailing Stop Loss-ordrer til effektivt at fange øgede profit, samtidig med at vi låser ind handelsgevinster. Vi tager Ansvarlig AI alvorligt og er dedikeret til at bygge AI-systemer sikkert, enten det er for finansielle markeder eller biopharmaceutisk forskning.

Hvordan ser du autonome handelsagenter som DataGenn INVEST forandre landskabet for finansielle markeder?

DataGenn INVEST-agenterne er en spilforvandler. Størrelsen af porteføljeafkast, som DataGenn INVEST-handelsagenter vil realisere, er ufattelig for i dagens investeringsverden, typisk og professionel investor. Dette skyldes, for eksempel, at 100.000 dollars, som compoundes med 1% dagligt, bliver 14.377.277 dollars på bare to års tid.

Er der nye funktioner eller muligheder, som du er særligt begejstret for at introducere?

Jeg ser frem til at præsentere vores teams forskningsresultater, som viser, at når vi har bygget DataGenn INVEST-handelsagentsystemerne korrekt, og de tjener hyppige profit, handel med finansielle markeder med fokus på at accelerere compound interest gennem daglig compounding. Dette er en stor præstation, vi har opnået gennem ufortrøden og passioneret arbejde for at blive lederen af GenAI-finansielle markeds-handel.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge DataGenn AI.