Benjamin Ogden, grundare och VD för DataGenn AI – Intervjuserie

Benjamin Ogden är grundare och VD för DataGenn AI, som bygger autonoma investerings- och handelsagenter som har finjusterats för att generera lönsamma handelsförutsägelser och utföra marknadshandel. Genom att använda Reinforcement Learning from Human Feedback (RLHF) förbättras agenternas handelsförutsägelseaccuracitet kontinuerligt. För närvarande är DataGenn AI i färd med att samla in medel för att stödja sin fortsatta tillväxt och innovation inom finanssektorn.

Benjamin har en kandidatexamen i finansiell ekonomi från University of Central Florida. Han har personligen handlat med miljarder i aktier och krypto, och har bemästrat marknadsdynamik med tusentals timmar av realtidsprisåtgärd. En erfaren internetteknikutvecklare sedan 2001 är Benjamin också en SEO-expert som har tjänat över 20 miljoner dollar i vinst genom att reverse-engineera Google-sökalgoritmsuppdateringar.

Du är en serieentreprenör, kan du dela med dig av några höjdpunkter från din karriär?

Det finns många höjdpunkter eftersom jag har drivit företag som entreprenör sedan jag var ett barn, 6 eller 7 år gammal. Jag älskar att lära mig. Utvecklingen av en social bloggningsgemenskap och att driva ett företag som VD för thoughts.com från 2007-2012 var en stor lärupplevelse och karriärtransformator för mig. Likaså var handel med aktiemarknaden efter det en annan viktig lärupplevelse som till slut ledde mig till att arbeta med GenAI-handelsagenter på DataGenn AI. Slutligen har den senaste övergången från att arbeta med iGaming SEO till att finjustera LLM och lära mig grunderna i maskinlärning varit uppiggande eftersom det ger mig möjlighet att utveckla generativt AI-drivna handelsagenter för finansiella marknader, och förverkliga en vision om att accelerera compound interest-effekter, en banbrytande finansiell marknadsövertygelse som jag har haft i över ett decennium.

När blev du först intresserad av AI och maskinlärning?

Jag började bli intresserad av AI mitt i 2022. Så fort jag såg vad Jasper.ai gjorde vid den tiden, skiftade jag min dagliga fokus från iGaming SEO-marknadsföring till att granska state-of-the-art artificiell intelligensprogramvara och plattformar som Jasper AI och ChatGPT. Allteftersom mina kunskaper växte under 2023, och LLM utvecklades snabbt, så ökade också min passion för att bygga värdefulla finansiella marknadshandels-teknologier som utnyttjar kraften i LLM och artificiell intelligens.

Kan du dela med dig av ursprunget till DataGenn AI?

Jag studerade finansiell ekonomi på college på UCF. Medan jag var på college hade jag ett särskilt intresse för finansiella marknader. 2012 hade jag en specifik och detaljerad vision om en ny teknik som jag planerade att uppfinna, som jag kallar “Digital Capital Mining”. Idén med DCM är enkel: påskynda effekterna av compound interest genom att samla in kapital digitalt över 252 aktiehandelsdagar per år.

Kan du förklara hur DataGenn INVEST använder Google’s Gemini-modell och MoE-modeller för att förutsäga intradagshandelsrörelser?

Jag kan ge en översikt av verktygen vi använder på DataGenn AI, men kommenterar inte specifika detaljer just nu. Kort sagt: med DataGenn INVEST använder vi flera frontlinjens språkmodeller och entitetsspecifika agenter byggda på MoE-arkitektur.

Vilka är de specifika fördelarna med att använda RLHF (Reinforcement Learning med mänsklig feedback) i utbildningen av era handelsagenter?

RLHF är avgörande för att träna modellen att lära sig det korrekta svaret och/eller ge specifika typer av svar baserat på användarprompten. Genom att använda RLHF med våra agenter och utförda marknadshandel kan vi förbättra varje agents noggrannhet i handelsförutsägelser och marknadshandel över tid och frekventa iterationer. RLHF hjälper också till med effektivitet och utbildar agenterna att förstå nyanser och utföra komplexa uppgifter.

Hur integrerar DataGenn realtidsdata från flera källor i sin handelsstrategi?

I vår nuvarande testfas av flera modeller och backtestning av handelsagentens prestanda har vi en agent på alfa-nivå som testas och som använder realtidsdata från AlphaAdvantage. Vi har också en beta-agent som testas som använder Pinescript på TradingView för backtestning. Vi genomför kritisk forskning och testar våra agenter förutsägelser och handelsutföranden. I produktion kommer vi att använda en Bloomberg-terminal för handel, marknadsdata och kritisk nyheter, etc.

Hur säkerställer DataGenn INVEST noggrannheten och tillförlitligheten i sina handelsförutsägelser på volatila finansiella marknader?

Vi bygger, testar och backtestar DataGenn INVEST-agenter och handelsstrategialgoritmer och säkerhetsgarder med hjälp av finansiella marknadsindustristandarder som stop-lossorder för att minska drawdown-risk och trailing stop-lossorder för att effektivt fånga ökade vinster samtidigt som vi låser in handelsvinster. Vi tar Ansvarig AI på allvar och är engagerade i att bygga AI-system på ett säkert sätt, oavsett om det är för finansiella marknader eller biopharmaceutisk forskning.

Hur ser du på autonoma handelsagenter som DataGenn INVEST förändrar landskapet för finansiella marknader?

DataGenn INVEST-agenter är en spelväxlare. Storleken på portföljvinster som DataGenn INVEST-handelsagenter kommer att realisera är ofattbara för dagens investeringsvärld, typiska och professionella investerare. Detta beror på att, till exempel, 100 000 dollar som förräntas med 1% per dag blir 14 377 277 dollar på bara två år.

Finns det nya funktioner eller förmågor som du är särskilt entusiastisk över att introducera?

Jag ser fram emot att presentera vårt teams forskningsresultat som visar att när vi har byggt DataGenn INVEST-handelsagent-systemen korrekt och de tjänar frekventa vinster i finansiella marknader med fokus på att accelerera compound interest genom daglig samling. Detta är en stor prestation som vi har åstadkommit genom outtröttligt och passionerat arbete för att bli ledare inom GenAI-finansiella marknadshandel.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka DataGenn AI.