← Financial Cloud Cloud Cloud Club · AWS Re:cap

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

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

讲者: AWS re:Invent 2025

场次: 03

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=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。