Benjamin Ogden, Grundare & 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 handelsprognoser och utföra marknadshandel. Med hjälp av Reinforcement Learning from Human Feedback (RLHF) förbättras agenternas handelsprognosprecision 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 mästrat marknadsdynamik med tusentals timmar i realtidsprisaktionsanalys. Som 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-sökalgorithmuppdateringar.

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

Det finns många höjdpunkter eftersom jag har drivit företag som entreprenör sedan jag var 6 eller 7 år gammal. Jag älskar att lära mig. Lärandets process driver min törst efter ytterligare kunskap och visdom. Att utveckla en social bloggningsgemenskap och 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 viktig lärupplevelse som till slut påverkade mig 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 generativ 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 initialt 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 konstgjord intelligensprogramvara och plattformar som Jasper AI och ChatGPT. Allteftersom mina kunskaper växte under 2023, och LLM fortsatte att utvecklas snabbt, så ökade också min passion för att bygga värdefulla finansiella marknadshandels-teknologier som utnyttjar kraften i LLM och konstgjord intelligens.

Kan du dela med oss den genesisberättelsen bakom DataGenn AI?

Jag studerade finansiell ekonomi på college i UCF. Medan jag var i 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: Accelerera compound interest-effekterna genom att compounda dagligen, och därmed digitalt bryta kapital över 252 aktiemarknadsdagar per år.

Kan du förklara hur DataGenn INVEST utnyttjar Googles Gemini-modell och MoE-modeller för att förutsäga intradagshandelsrörelser?

Jag kan ge en översikt av de verktyg vi använder på DataGenn AI, men jag kommenterar inte nyckelspecifika 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 återkoppling) vid utbildning av era handelsagenter?

RLHF är avgörande för att lära modellen att lära sig det korrekta svaret och/eller ge specifika typer av svar baserat på användarprompten. Genom att använda RLHF med våra agenters prognoser och utförda marknadshandel, kan vi förbättra varje agents noggrannhet avseende både handelsprognoser 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 fas av testning av flera modeller och backtestning av handelsagentprestation, 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 agenters prognoser och handelsutföranden. I produktion kommer vi att använda en Bloomberg-terminal för handel, marknadsdata och kritisk nyhetsbevakning, etc.

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

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

Hur ser du att autonoma handelsagenter som DataGenn INVEST kommer att förändra landskapet för finansiella marknader?

DataGenn INVEST-agenter är en spelväxlare. Storleken på portföljavinster som DataGenn INVEST-handelsagenter kommer att förverkliga är ofattbara för dagens investeringsvärld, typisk och professionell investerare. Detta beror på att, till exempel, 100 000 dollar som compoundas med 1% dagligen blir 14 377 277 dollar på bara två års tid.

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

Jag ser fram emot att presentera vårt teams forskningsfynd som visar att när vi har byggt DataGenn INVEST-handelsagentsystemen korrekt och de tjänar frekventa vinster genom handel på finansiella marknader med fokus på att accelerera compound interest genom daglig compoundering. Detta är en stor prestation som vi har uppnått genom outtröttlig och passionerad arbete för att bli ledande inom GenAI-finansiella marknadshandel.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka DataGenn AI.