← Financial Cloud Cloud Cloud Club · AWS Re:cap

极点宏观|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 02: 利用 AI 和 AWS 构建未来交易平台

讲者: AWS re:Invent 2025

场次: 02

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
02 Agent Harness 才是真正的工程护城河
03 用白话询问可观测性数据
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
05 AgentCore 上的多 Agent 量化回测
06 三分钟用 Kiro 把博客变成幻灯片
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
03 从初学者到构建者:一段精彩的 AWS 云之旅
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
05 活动开幕式
06 智能体到智能体:在 AWS 上构建可互操作的 AI
07 利用另一类遥测数据,借助 AI 智能体更快改进
08 告别氛围编程:使用 Kiro 进行规格驱动开发
09 使用 MCP 与 AI 智能体进行自动化测试
10 使用机器学习方法实现电信安全现代化
11 重新思考生成式 AI 智能体:RAG 与 MCP
12 使用 TAK 和 AWS 开展灾难与应急响应
13 从测试视角重新思考无服务器应用程序工作流
14 Practical AWS FinOps for Cloud Success
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
FSI Recap
01 现代交易生命周期:从交易到结算
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
08 FSI Meetup 2025 Q4 - 规模化提升韧性
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
10 高级智能体 AI 设计模式
11 在 AWS 上构建全新的现代化应用
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
02 利用 AI 和 AWS 构建未来交易平台
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
09 深入探讨 Amazon S3(STG407)
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
11 AWS Lambda 新功能 (CNS376)
12 使用 Kiro 进行规范驱动开发 (DEV314)
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
14 AWS 上交易平台的 Tick-to-Trade 延迟
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 端侧多模态 AI 与智慧城市实践
03 大模型能力评测与 AI 项目落地方法论
04 基于云代理的政府开发全链路受控自动化
05 从多智能体看 Agent 时代软件新生态
06 AI 驱动的宏观量化研究与智慧治理
07 公共数据授权运营与智慧政务实践
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
02 Amazon Bedrock 数据自动化
03 AgentCore 上的多智能体
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
04 使用规格驱动开发,通过 Kiro 加速迁移项目
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
08 部署 TEAM 并打造最佳工程团队
09 五年来所谓无服务器数据库带来的五个惨痛教训
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
28 现代统一元数据架构:打破数据孤岛的新方法
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
30 通过大规模性能测试构建兼具效率与可靠性的架构
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
33 构建流式 Iceberg 表以进行实时物流分析
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
35 通过规格驱动开发,从 Vibe 走向可行方案
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps

视频: https://www.youtube.com/watch?v=aqDCPW9oBYA

利用 AI 和 AWS 构建未来交易平台

(LPL Financial 参与分享)(由 Cognizant 赞助)

会议介绍

● 对交易平台进行现代化改造并构建下一代交易平台

● 速度、规模、韧性和智能在财富管理中的重要性

● 会议议程概述

● 财富管理行业概述:

● 财富管理的定义与核心目的

● 行业规模:管理资产达 144 万亿美元,拥有 30 万名财务顾问和 6,800 万名客户

● 代际财富转移:将有 100 万亿美元资产从婴儿潮一代转移到精通技术的新一代

LPL Financial 简介

● LPL 是《财富》500 强企业,也是美国领先的经纪交易商

● LPL 的商业模式和当前交易平台

● 独立经纪交易商释义:

● 一家允许财务顾问独立经营自己的业务,同时提供必要支持(技术、运营、合规等)的公司

● LPL Financial 的市场地位:

● 32,000 名财务顾问

● 管理资产达 2.3 万亿美元

● LPL 以客户为中心的方法:

● 使命:帮助客户在每一步取得成功

● 愿景:成为最优秀的财富管理公司

● 实现 LPL 愿景所需的技术:

● 自适应、前沿且面向未来的技术

● LPL 对交易的定义:

● 连接财务顾问与市场的纽带

● 幕后交易流程:

● 数百个高性能系统协同工作

● 2,000 多项检查在亚毫秒内完成

● 依赖多个合作伙伴(市场中心、金融科技机构)

● 用户对交易的期望:

● 安全交易

● 系统始终在线

● 即时、近实时的响应

● 经济高效的交易

● 实现业务目标的技术目标:

● 零安全事件

● 100% 合规

● 具备快速恢复能力、始终在线且韧性极强的系统

● 针对峰值交易量设计的交易系统

● 云之旅:

● 采用迭代渐进的过程,而非一次性大规模迁移

● 类比:建造摩天大楼(地基、核心结构、供电、管道、自动化)

● 截至 2024 年:将流程从本地数据中心迁移至云端,在 EKS 中运行关键系统,并采用 AI 和机器学习算法

● 2024 年重点:通过自动扩展和平台解耦提升可扩展性

● 未来计划:增强平台韧性,从多可用区过渡到多区域、多可用区,并减少对本地环境的依赖

当前状态架构

● 本地数据中心和云端多可用区

● 工作流设计为在本地环境与云端之间进行握手

● 当前状态架构中的 AWS 组件:

● 用于表现层和内容渲染的 S3 存储桶

● 用于无服务器设计及自动扩展/自我修复架构的 EKS Kubernetes

● 用于满足关系型需求和高事务吞吐量的 Postgres SQL

● 用于文档数据库(主要是读取用例)的 Dynamo DB

● 用于低延迟、高算力内存处理的 Memory DB

● 使用 Kafka 作为消息代理,以减少级联依赖和故障

● 用于机器学习算法和 AI 用例的 SageMaker

● 用于检测和端到端可观测性的 CloudWatch

● 下一代架构目标:

● 消除一级关键应用程序对本地环境的依赖

● 充分利用云的全部能力,实现端到端韧性和更简单的故障转移

● 过渡到主动-主动多区域环境

● 挑战:确保跨区域数据一致性,并以主动-主动方式编排多个区域之间的请求

● 潜在解决方案:使用 Aurora DB 的原生多区域支持

● 下一代架构采用方案:

● 将 Bedrock 与 SageMaker 结合,更好地把 Gen AI 和 LLM 集成到核心工作流

● Bedrock 的学习曲线更平缓

用例:Klein Works Rebalancer

● LPL 的旗舰自研交易平台

● 基于模型化交易原则

● 顾问根据客户不同的投资需求、目标和风险状况创建投资组合

● 市场始终在变化,导致投资组合偏离预期策略

● 模型化交易可自动调整投资组合,使其符合客户目标

● 模型与账户之间是一对多关系

● 交易基于模型进行,而非基于单个账户

● Client rebalancer 并行执行数百万次偏离度检查、自动执行交易,并完全符合合规要求

● 类比:Client rebalancer 如同根据交通状况重新规划路线的 GPS

● 目前 LPL Financial 的 32,000 名顾问中有 14,000 名正在使用

● 在过去 5 年中逐步推出

● 平台已执行超过 7,000 万笔交易

● 每天执行 100 万次偏离度检查

用例:Klein Works Rebalancer

● 由 AWS 提供支持,实现超大规模扩展

● 平台上的每笔交易都会执行 50 多项检查(账户详情、市场价格、许可、合规规则等)

● 数百个账户和顾问的数千笔交易,使每分钟交易量达到数十万

● 平台设计:

● 编排器接收顾问发出的再平衡请求

● 编排器将大型再平衡请求拆分成较小的微批次

● 微批次发送至保证交付的 Kafka

● 再平衡算法运行在专为自动扩展而设计的 EKS 集群上

● 算法独立运行,并根据 CPU、内存利用率和 Kafka 队列深度进行扩展

● 交易前验证:

● 执行 200 多项检查,以确定交易能否执行

● 使用进程内缓存,对交易有效性提供即时的毫秒级反馈

● 无效交易会被退回队列,不再继续处理

● 并行化与 CQRS:

● 60 多个代码微服务和数据库调用根据依赖关系图分组并并行运行

● 应用命令查询职责分离(CQRS)范式

● 写入针对一台服务器进行优化,并通过批处理和缓冲减少数据库访问

● 由于读取量更高,读取针对读取实例进行优化,并使用 AWS Memory DB 缓存在内存中

● 读取实例的自适应扩展:

● 由于系统以读取为主,对读取实例应用自适应扩展

● EKS 自动扩展,读取也设计为自动扩展

● 使用 CloudWatch 实现端到端可观测性:

● 为每笔交易分配一个关联 ID,以实现完整可追溯性

● 使用 CloudWatch 进行监控和日志记录

● 系统设计为可自行告警和自我修复

● 合成监控:

● 创建模拟交易以模仿顾问操作

● 在系统上迭代运行这些交易,以便在用户受到影响前发现潜在问题

● 系统每秒处理数千笔交易,并曾在峰值交易量期间处理近 100 万笔交易

● LPL 的 AI 用例:

● 首选人在回路方法,由顾问控制 AI 建议的结果和智能推荐

● 用例:市场中心中断检测

● 市场中心可能出现响应缓慢、问题或中断,从而导致运营问题和重复订单

● 目标:提前检测市场中心中断

● 创建工作流,将实时交易和执行数据馈送给算法

● 使用的算法:Random Cut Forest,一种时间序列异常检测算法

● 检测到异常时,运营团队会收到警报并采取行动

● 第二个用例:ETF 分类

● ETF 的持仓各不相同,必须根据元数据划分为不同类别(例如加密货币、大宗商品、外国基金)

● 监管影响要求进行许可检查、应用合规规则并培训顾问

● 传统上由人工完成,但现已使用每晚运行的训练模型实现自动化

● 使用的模型:人工神经网络(ANN),一种准确率很高的无监督模型

● 运营人员审核并接受模型的建议

AI 模型架构

● 数据存储:两个用例的历史数据都存储在 RDS Aurora PostgreSQL 数据库中

● Lambda 函数:每天获取经过整理和更新的数据,进行处理,并将其转储到 S3 存储桶中用于学习

● SageMaker:训练并托管模型;训练后的模型以端点形式发布,供下游使用

● 实时异常检测工作流:

● Lambda 函数获取实时交易数据流

● 数据通过训练后的模型端点运行(例如 Random Cut Forest 算法)

● 检测异常并向工作人员发出警报

● 根据模型决策将数据反馈到 RDS,以供未来学习

● ETF 分类工作流:

● 新 ETF 数据发送至 Lambda 函数

● 数据通过训练后的模型端点运行

● 将结果提供给操作人员

● 数据存储在 RDS 实例中

交易后台自动化

业务背景

● 投资目标:实现资金增长

● 投资组合增长会导致更高的资本利得税

● 规模较大的账户,尤其是超高净值客户的账户,将面临显著的税务后果

● 账户存在税务阈值

● 再平衡器的复杂性

● 再平衡器流程很复杂

● 增加税务感知和优化会进一步提高复杂性

● 算法需要考虑 50 多个高度相互依赖且敏感的变量

● 多智能体 AI 框架

● 探索使用智能体 AI 解决该问题

● 智能体是具有特定角色和操作的模型

● 再平衡器智能体

● 使用 22 个数据集进行训练

● 数据集包括含 50 多个参数的算法,以及税务交易再平衡器的历史运行数据

● 每天处理数百个请求

● 将结果发回以便进一步处理

● 验证智能体

● 检查级联依赖关系及其对账户生态系统的影响

● 批准有利结果,使其进入交易智能体

● 如果验证失败,则发送反馈以重新处理

● 交易智能体

● 与做市商和市场中心执行交易

● 作为智能体循环的一部分,其吞吐量已提高 10 倍

● 行业趋势

● 转向基于模型的交易

● 由于历史原因和运营工作量较大,一些账户尚未完成过渡

● AI 解决方案

● 分析顾问当前的业务账簿和账户持仓

● 为账户推荐模型,推动其转向模型化业务实践

● 旨在通过减少运营工作并增加与客户互动的时间来提高顾问效率