Benjamin Ogden, grundlægger & CEO af DataGenn AI – Interviewserie

Benjamin Ogden er grundlægger og CEO af DataGenn AI, som opbygger autonome investerings- og handelsagenter, der er finjusteret til at generere profitable handelsforudsigelser og udføre markedshandel. Ved hjælp af Reinforcement Learning from Human Feedback (RLHF) forbedres agenternes handelsforudsigelsesnøjagtighed 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 finanse fra University of Central Florida. Han har personligt handlet med milliarder i aktier og krypto, og har mestret markedsdynamikken med tusinder af timer i realtids prisaktionssporings. Som en erfaren internetteknologiudvikler siden 2001 er Benjamin også en SEO-ekspert, der har tjent over 20 millioner dollars i profit ved at omvende Google-søgealgoritmeopdateringer.

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

Der er mange højdepunkter, da jeg har drevet virksomheder som iværksætter siden jeg var en dreng på 6 eller 7 år. Jeg elsker at lære. Læringsprocessen driver min tørst efter mere viden og visdom. At udvikle en social blogsamfund og drive en virksomhed som CEO af thoughts.com fra 2007-2012 var en stor læringsoplevelse og karriereændrer for mig. Ligeledes var handel med aktiemarkedet tungt efter det en anden vigtig læringsoplevelse, der til sidst påvirkede mig til at arbejde med 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 opkvikkende, 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 gennembrudsfølsom finansielle markedsforestilling, jeg har haft i over et årti.

Hvornår blev du først interesseret i AI og maskinlærning?

Jeg begyndte at få 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 statiske kunstig intelligenssoftware og -platforme på det tidspunkt, såsom Jasper AI og ChatGPT. Da mine læringskurver voksede igennem 2023, og LLM’er udviklede sig hurtigt, voksede også min passion for at bygge værdifulde finansielle markeds-handelsteknologier, der udnytter kraften fra LLM’er og kunstig intelligens.

Kan du dele oprindelseshistorien bag DataGenn AI?

Jeg studerede finanse 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 planlagde at opfinde omkring 2012, som jeg kalder “Digital Capital Mining”. Idéen med DCM er simpel: Hurtigere effekterne af compound interest ved at compounde dagligt, og dermed digitalt udvinde 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. Kort sagt: Med DataGenn INVEST bruger vi multiple frontiersprogmodeller og entitetsspecifikke agenter bygget på MoE-arkitektur.

Hvad er de specifikke fordele ved at bruge RLHF (Reinforcement Learning med menneskelig feedback) i træning af dine handelsagenter?

RLHF er afgørende for at træne modellen til at lære det korrekte svar og/eller give bestemte typer af svar baseret på brugerens prompt. Ved at bruge RLHF med vores agenters forudsigelser og udførte markedshandel kan vi forbedre hver agents nøjagtighed af både handelsforudsigelser og markedshandel 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 backtestning af handelsagentens præstation 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 backtestning. Vi udfører kritisk forskning og testning af vores agenter’s 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 markedsindustristandarder som Stop Loss-ordrer til at reducere drawdown-risiko og Trailing Stop Loss-ordrer til effektivt at fange øgede profitter samtidig med at låse 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 på autonome handelsagenter som DataGenn INVEST forandre landskabet for finansielle markeder?

DataGenn INVEST-agenter 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 compoundet med 1% dagligt bliver 14.377.277 i kun 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 demonstrerer, når vi har bygget DataGenn INVEST-handelsagentsystemerne korrekt, og de tjener hyppige profitter ved at handle på 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.