AWS Re:cap 03: 交易创新：Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)

视频： https://www.youtube.com/watch?v=F5DIH9mD2vo

交易创新：Jefferies 基于 Amazon Bedrock 构建的 AI 助手

简介

● 在 AWS 上构建交易助手智能体，解决前台数据挑战

● 旨在解决交易中访问和分析海量数据的问题。

● Jefferies 与 AWS 的合作

● Jefferies：一家拥有 60 年历史的全方位服务投资银行，以“客户永远第一”为座右铭。

● 使命：帮助客户在交易、投资银行和分析领域充分发挥潜力。

● 与 AWS 的合作对于推动持续创新至关重要。

● Jefferies 全公司采用云原生解决方案，包括固定收益算法交易平台和股票交易期权。

● 推出 Jeff AI，这是一个面向企业的生成式 AI 和智能体 AI 平台。

● Jeff AI 支持智能检索、文档摘要和自动化工作流。

Jefferies 全球算法套件

● 投资银行 Jefferies 向其机构客户提供的电子交易算法和服务。

● 自动执行交易策略，帮助客户高效执行大额订单，同时尽量减少市场影响。

● 算法

● VWAP（成交量加权平均价格）：在用户定义的时间段内，按照以成交量加权的市场平均价格执行交易的策略。

● VOLUME（成交量参与）：一种按实时市场成交量比例参与市场的算法。

● STRIKE（执行缺口策略）：一种专注于尽量缩小期望执行价格（录入订单时）与实际执行价格之间差异的策略。

● SEEK（智能路由流动性搜寻器）：一种智能订单路由器，可在明盘（显示）和暗盘（不显示）交易场所中搜索流动性。

● MultiScale：让交易员能够高度控制交易执行，并对市场波动迅速作出响应。

● Trader：提供增强的控制能力，并可根据市场事件和流动性状况切换策略。

● Panel：该套件提供的另一种专有算法。

● Blitz：一种执行策略，可能侧重于速度。

● DarkSeek：SEEK 算法的特定版本，针对暗池流动性进行了优化。

● Finale：可能是一种日终执行算法。

● Opener：可能是一种开市执行算法。

● Pairs：用于配对交易策略的算法，包括“Net Returns”“Ratio”和“Risk Arb”等变体。

● Patience：一种可能为降低执行激进程度而设计、等待有利市场条件的算法。

● Portfolio：专为高效执行规模较大的多股票订单而设计。

● Post：可能是一种在主要市场收盘后进行交易的算法。

● TWAP（时间加权平均价格）：在指定时间段内均匀执行订单，以尽量减少市场影响的策略。

智能订单路由器 (SOR)

● Jefferies 采用带有自动订单处理（AOP）系统的智能订单路由器（SOR）

● 分析实时市场数据、流动性和价格，以实现最优执行

● 拆分大额订单，并在明盘和暗盘交易场所之间动态路由

● 尽量减少市场影响，并允许客户控制首选/排除的交易场所

● 在另类交易系统（ATS）上使用条件订单协商，以获得更好的匹配

● 实现“最佳执行”的核心策略 Jefferies SOR 的关键功能

● 获取流动性：连接不同交易所和不显示订单的（暗盘）交易场所，以寻找可获得的最佳价格和深度。

● 动态路由：持续监控市场状况，并实时调整订单路由。

● 订单拆分：将大额订单拆分成较小部分，在多个交易场所执行，以减少市场影响。

● 客户控制：允许客户指定首选或排除的交易场所。

● 条件协商：可在 ATS 平台上使用“条件邀请”协商交易，以获得可能更优的单一价格成交。

● 与算法集成：配合 Jefferies 自有算法或客户算法管理母订单并高效路由子订单。Jefferies 的 SOR 文档。

● https://www.jefferies.com/wp-content/uploads/sites/4/2023/12/SMBC_SNET_SORDP_E N_v3.0.1_ncfd.pdf 面向客户的运作方式

● 订单录入：客户发送订单，订单经过 AOP 筛选器。

● SOR 分析：SOR 分析市场深度、流动性、价格和波动性。

● 最优执行：将订单分段路由到最佳交易场所（明盘/暗盘），以获得尽可能好的结果，通常还会拆分大额订单。

● 统一报告：结果经过整合，向客户呈现为一次统一的交易执行。

● 透明度：客户可以了解订单的处理方式，也可以选择退出条件协商等特定功能。

单一价格成交

● 一种被称为单一价格法（或集合竞价）的特定交易机制，由交易所采用，

● 也可能是全部成交或取消（FOK）等订单类型的结果；该订单要求以特定价格全部执行。

● 单一价格法（集合竞价）

● 单一价格法是一些证券交易所采用的交易机制，通常用于开盘或收盘时段，或首次公开募股（IPO）等特定事件。

● 运作方式：

● 在一段设定时间内收集所有买卖订单。在指定时间确定一个“清算价格”，使可交易的股票数量达到最大。

● 目的：

● 此方法有助于降低价格波动，并确保尽可能多的订单以公平统一的价格执行，无论订单规模如何，都为所有参与者创造公平的竞争环境。

● 特定订单类型的单一价格成交

● “单一价格成交”是某些订单条件的结果，这些条件旨在确保整个订单以一个特定价位执行。

● 全部成交或取消（FOK）订单：

● 全部成交或取消订单规定，订单的全部数量必须立即以指定限价或更优价格完整撮合；否则，整个订单将自动取消。

● 优势：

● 这可确保大宗股票以单一、已知的价格成交，从而尽量减少市场扰动，并避免在波动市场中以可能不利的价格部分成交。

部署 GenAI 以促进业务用户参与

● 使用聊天机器人，为交易员提供由 AI 驱动的交易模式和市场流动性洞察。

● 旨在减少分析师和开发人员的工作量。

● AWS 是 Jefferies 的技术合作伙伴和创新催化剂。

● 交易助手系统

● 由于数据量庞大且零散，难以获取实时洞察。

● 需要端到端可见性，并汇聚数据以获得洞察。

● 交易员没有时间，也缺乏编程技能来生成和维护所需系统。

● 解决方案：使用交易助手降低门槛，通过 GenAI 提供实时对话分析。

● 解决方案能力和架构

● 易用性和快速获取洞察是关键设计驱动因素。

● 交易员查询由 LLM（Titan embeddings 模型）处理并生成 SQL 查询。

● 查询数据，并以多种格式（文本、表格、图表）提供答案。

● 用于探索数据洞察的对话式分析界面。

● 保持对话上下文，以提供相关洞察和建议。

● 使用 Strands agents，以少量代码构建和运行 AI 智能体。

● 随着系统演进，可灵活地通过 Amazon Bedrock 选择不同的 LLM。

● 高级安全防护机制和行级数据权限。

● 智能访问控制可防止未经授权访问敏感数据。

● 记录所有对话并保留审计跟踪，以满足合规要求。

架构概述

建立连接

● 交易助手通过 AWS Direct Connect 连接到 Jefferies 的本地商业智能平台 GFM，从而确保安全的高速连接。

● 用户身份验证：

● 交易员登录 GFM 时，系统会验证其凭证，确保他们拥有正确权限且只能访问已获授权的数据。

● 使用 AWS EKS（Elastic Kubernetes Service）构建用户身份验证和用户会话创建服务。

● 用户会话与查询智能体调用：

● 身份验证成功后，请求会被路由到机器人服务，由其建立用户会话并调用查询智能体。

● 查询智能体是一个 Strands agent，它与多个工具交互，以确定回答交易员问题的最佳数据源。

● 查询规划与执行：

● Strands agent 使用 Titan embeddings 模型的高级推理能力来规划和执行查询步骤。

● 使用 Amazon Bedrock knowledge base 作为向量存储。

● SQL 查询生成与执行：

● “请给出今天美国交易的行业分布。

● ”

● 查询智能体识别正确的数据源并生成 SQL 查询。

● 查询执行器服务针对相关数据源运行 SQL 查询；这些数据源托管在 GridGain 上，后者是一个可即时检索数据的内存数据网格。

● 数据可视化：

● LLM（大语言模型）为数据选择适当的可视化形式。

● Python 库将原始数据转换为可视化叙事、图表、表格和洞察，然后使用 Markdown UI 库将其显示在屏幕上。

对交易员的影响

● 简化体验：对话式分析与丰富的可视化相结合，广受交易员好评。

● 实时数据访问：交易员可快速实时获取行业分布、交易数据和其他洞察。

● 直观界面：UI 小组件允许交易员用自然方式与交易助手互动，以日常语言输入问题。

Jefferies 的后续步骤

● 增强功能：继续改进 Strands agent 及底层模型的能力，以提供更准确、更相关的洞察。

● 扩展数据源：集成更多数据源，以更全面地呈现交易环境。

● 改善用户体验：进一步优化 UI，使其更加直观易用。

● 可扩展性：确保平台可以扩展，以适应不断增长的用户数量和数据量。

Beta 推出期间观察到的收益

节省时间

● 日常分析任务所花费的时间减少了 80%。

● 由于节省了时间，创造收入的能力有所提高。

● 高采用率：

● 表明解决方案有效且用户满意度高。

● 降低技术负担：

● 减少了多个原型和交易台对自定义仪表板的需求。

● 自助服务能力减少了对技术资源的依赖。

● 数据访问民主化：

● 业务用户可以使用自然语言查询数百万条股票交易数据记录。

● 实时发现交易模式和市场机会。

● 面向未来的架构：

● 能够自我学习并持续改进。

● 可轻松与现有 BI 平台和基础设施集成。

未来计划

全球推广策略

● 多产品扩展：将交易助手从股票业务扩展到不同原型和交易台。

● 全球部署：将效率提升带到国际交易业务中。

● 增强治理：强化可观测性和审计跟踪能力，以满足监管要求。

● 高级代码生成：

● 从基于 UI 的 Java 工具过渡到由 LLM 驱动的高级代码生成，以提供更好的用户体验。

● 通用 AI API：

● 目标是将解决方案转变为通用 API，供全公司其他业务领域使用。

主要经验

避免使用 LLM 进行可视化

● 不要依赖 LLM 生成可视化，因为存在幻觉风险。

● 使用 Python 库（如 markdown）生成可视化，以增强控制并尽量减少幻觉。

● 使用快速数据存储：

● 使用内存数据库，最大限度提高结果输出速度。

● 使用 Python 构建 LLM 交互：

● 使用 Python 灵活构建 LLM 交互，其他组件则可使用 Java，以便移植现有代码。

总结

● 交易助手在 Beta 推出期间展现出显著收益，包括节省时间、采用率高和降低技术负担。

● 主要经验强调了避免使用 LLM 进行可视化、使用快速数据存储，以及使用 Python 构建 LLM 交互的重要性。