Benjamin Ogden, grunnlegger og CEO av DataGenn AI – Intervju-serie

Benjamin Ogden er grunnlegger og CEO av DataGenn AI, som bygger autonome investerings- og handelsagenter som er finjustert for å generere lønnsomme handelsforutsigelser og utføre markedshandler. Ved å bruke Reinforcement Learning fra menneskelig tilbakemelding (RLHF), forbedrer agentenes handelsforutsigelsesnøyaktighet kontinuerlig. For tiden er DataGenn AI i ferd med å samle inn midler for å støtte sin videre vekst og innovasjon i finanssektoren.

Benjamin har en bachelorgrad i finansiell økonomi fra University of Central Florida. Han har personlig handlet milliarder i aksjer og krypto, og har mestret markedsdynamikken med tusenvis av timer i sanntids prisaksjonsanalyse. Som en erfaren internetteknologiutvikler siden 2001, er Benjamin også en SEO-ekspert som har tjent over 20 millioner dollar i profitt ved å reversere Google-søkealgoritmeoppdateringer.

Du er en seriegründer, kan du dele noen høydepunkter fra din karriere?

Det er mange høydepunkter, siden jeg har drevet bedrifter som gründer siden jeg var en liten gutt på 6 eller 7 år. Jeg elsker å lære. Veien og prosessen med å lære driver min tørst etter mer kunnskap og visdom. Utviklingen av en sosial bloggsamfunn og å drive et selskap som CEO av thoughts.com fra 2007-2012, var en stor læringsopplevelse og karriereendrer for meg. Likedan, å handle på aksjemarkedet tungt etter det, var en annen viktig læringsopplevelse som til slutt førte meg ned veien til å arbeide med GenAI-handelsagenter på DataGenn AI. Til slutt, overgangen fra å arbeide med iGaming SEO til å finjustere LLM-er og lære grunnleggende maskinlæringsprinsipper, har vært givende, fordi det gir meg muligheten til å utvikle generative AI-drevne handelsagenter for finansmarkeder, og å realisere en visjon om å akselerere compound interest-effekter, en gjennombruddsfinansmarkedsforestilling jeg har hatt i over ett tiår.

Når ble du først interessert i AI og maskinlæring?

Jeg begynte å bli interessert i AI midt i 2022. Så snart jeg så hva Jasper.ai gjorde på den tiden, skiftet jeg min daglige fokus fra iGaming SEO-markedsføring til å se på statens kunstige intelligensprogramvare og -plattformer på den tiden, som Jasper AI og ChatGPT. Etterhvert som mine kunnskaper økte gjennom 2023, og LLM-er utviklet seg raskt, så også min lidenskap for å bygge verdifulle finansielle markeds-handelsteknologier som utnytter kraften til LLM-er og kunstig intelligens.

Kan du dele opphavsfortellingen bak DataGenn AI?

Jeg studerte finansiell økonomi på college på UCF. Mens jeg var på college, hadde jeg en spesiell interesse for finansielle markeder. I 2012 hadde jeg en bestemt og detaljert visjon om en ny teknologi jeg planla å oppfinne, som jeg kaller “Digital Capital Mining”. Ideen med DCM er enkel: Øke effekten av compound interest ved å compounde daglig, og dermed digitalt mine kapital over 252 aksjemarkedsdager per år.

Kan du forklare hvordan DataGenn INVEST utnytter Google’s Gemini-modell og MoE-modeller til å forutsi intradagshandelsbevegelser?

Jeg kan gi en overordnet oversikt over verktøyene vi bruker på DataGenn AI, men kommenterer ikke på nøkkelaspektene på dette tidspunktet. Kort sagt: Med DataGenn INVEST bruker vi flere frontier-språkmodeller og enhetsspesifikke agenter bygget på MoE-arkitektur.

Hva er de spesifikke fordelene med å bruke RLHF (Reinforcement Learning fra menneskelig tilbakemelding) i trening av dine handelsagenter?

RLHF er essensielt for å trene modellen til å lære det riktige svaret og/eller gi bestemte typer svar basert på brukerens prompt. Ved å bruke RLHF med våre agenters forutsigelser og utførte markedshandler, kan vi forbedre hver agents nøyaktighet både når det gjelder handelsforutsigelser og markedshandler over tid og hyppige iterasjoner. RLHF hjelper også med effisiens og trener agentene til å forstå nyanser og utføre komplekse oppgaver.

Hvordan integrerer DataGenn sanntidsdata fra flere kilder i sin handelsstrategi?

I vår nåværende fase med testing av flere modeller og backtesting av handelsagentens ytelse, har vi en agent på alpha-nivå som tester som bruker sanntidsdata fra AlphaAdvantage. Vi har også en beta-nivåagent som tester som bruker Pinescript på TradingView for backtesting. Vi gjennomfører kritisk forskning og testing av våre agenters forutsigelser og handelsutførelser. I produksjon vil vi bruke en Bloomberg-terminal for handel, markeddata og kritisk nyheter osv.

Hvordan sikrer DataGenn INVEST nøyaktigheten og påliteligheten av sine handelsforutsigelser i volatile finansielle markeder?

Vi bygger, tester og backtester DataGenn INVEST-agenter sine handelsstrategialgoritmer og sikkerhetsskjermer ved å bruke finansielle markeders bransjestandarder som stopptap-forbud for å redusere drawdown-risiko og Trailing Stop Loss-forbud for å effektivt fange økte profitter samtidig som vi låser inn handelsgevinster. Vi tar ansvarlig AI alvorlig og er dedikert til å bygge AI-systemer trygt, enten det er for finansielle markeder eller biopharmasøytisk forskning.

Hvordan ser du på at autonome handelsagenter som DataGenn INVEST endrer landskapet i finansielle markeder?

DataGenn INVEST-agenter er en spillendrer. Størrelsen på porteføljegevinstene DataGenn INVEST-handelsagenter vil realisere, er ufattelig for i dagens investeringsverden, typisk og profesjonell investor. Dette skyldes at, for eksempel, 100 000 dollar compoundet med 1% daglig blir 14 377 277 dollar på bare to års tid.

Er det nye funksjoner eller muligheter du er spesielt spent på å introdusere?

Jeg ser frem til å presentere vårt teams forskningsfunn som viser at når vi har bygget DataGenn INVEST-handelsagent-systemene riktig og de tjener hyppige gevinster i finansielle markeder med fokus på å akselerere compound interest gjennom daglig compounding. Dette er en stor prestasjon vi har oppnådd gjennom utrettelig og lidenskapelig arbeid for å bli ledere i GenAI-finansielle markeds-handel.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke DataGenn AI.