AWS Re:cap 04: FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析

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

介绍

● 免责声明：所表达的观点仅代表个人观点，并非 AWS 或附属组织的官方立场。仅供参考，不提供财务或专业建议。

● 交易生态系统概述

● 参与者：买家和卖家在交易所下订单。

● 市场流动性：可能缺乏充足的流动性。

● 做市商的作用：确保持续的买卖订单，提供流动性和交易对手。

● 订单簿抽象

● 投标订单（左）：买家订单。

● 询问订单（右）：卖家的订单。

● Y 轴：每个价格水平的累积规模。

● 价格水平：靠近右侧的价格较高。

● 做市商的日常工作

● 下多个买价和卖价订单。

● 风险管理：新闻或公告可能会引起重大的市场波动。

● 库存管理：对于避免市场突然变化造成的损失至关重要。

● 做市商的理想市场条件

● 受控波动：市场波动较小。

● 快速执行：快速执行买价和卖价订单。

● 高换手率：尽管每笔交易的利润很小，但高交易频率可以带来可观的整体利润。

做市商策略和波动因素

点差和利润的权衡

● 增加点差：做市商可能会考虑扩大点差以获得更高的每笔交易利润。

● 权衡：较高的点差可能会导致执行次数减少，从而降低整体利润。

● 高频交易：做市商通常选择利润较小的频繁交易，以最大限度地提高营业额。

● 波动率和利差调整

● 波动性影响：波动性是定价的关键因素；做市商根据预期波动调整点差。

● 事件驱动的波动性：例子包括关于联邦基金利率的 FOMC 会议。

● 快速分析和行动：做市商必须快速分析消息并调整订单以避免损失。

● 影响市场的事件示例

● FOMC 会议：具有已知发布时间和结果的可预测事件。

● 社交媒体影响力：不可预测的事件，例如有影响力人物（例如特朗普、埃隆·马斯克）发布的推文，可能会立即引起市场反应。

● Dogecoin 示例：埃隆·马斯克有关加密货币的推文可能会导致价格快速变化，这说明了解释社交媒体驱动的新闻的不可预测性和困难性。

数字资产市场情绪分析的挑战

影响者对数字资产的影响

● 不可预测的性质：埃隆·马斯克等影响者的推文可以迅速影响加密货币价格。

● 解释困难：推文通常是主观的，需要智能解释。

● 分析速度：人类判断对于实时交易来说太慢；自动化解决方案是必要的。

● 情感分析方法的演变

● 字典法：使用行业词典（例如看跌、看涨）和模式匹配的初始方法。

● 限制：

● 词汇量有限，上下文处理能力差（例如，将“大规模空头清算事件”误解为负面）。

● 统计匹配和机器学习：

● 使用朴素贝叶斯或 FinBERT 等模型过渡到监督学习。

● 优点：更好的概括和上下文理解。

● 挑战：需要大量标记数据，导致成本高昂和上市时间较长。

● 需要先进的解决方案

● 实时分析：需要快速、自动化的情绪分析以跟上市场走势。

● 情境感知：解决方案必须准确解释情境，以提供可靠的情绪分析。

使用大型语言模型进行情感分析的进展 (LLMs)

基于 Transformer 的多模态推理

● 现代 LLMs（如 LLM、Claude 和 DeepSeek）可通过最少的微调实现上下文感知情感分析。

● 能够对特定新闻标题和特定领域事件（例如协议漏洞）进行推理。

● 推理性能优化

● 对于短时间窗口的动态市场中的实时情绪分析至关重要。

● 优化之旅：

● 2025 年 2 月：在 P5EN 实例上使用 SageMaker Jumpstart 进行初始部署，实现每秒 80 个输出令牌。

● 2025 年 4 月：切换到 VLLM，实现多令牌预测、混合精度、线性注意力和分布式并行性，将性能提升到每秒 140 个输出令牌。

● 2025 年 8 月：用 SGLN 替换 VLLM，利用推测解码实现每秒 180 个输出令牌。

● 优化的重要性

● 高事件量：每分钟 10,000 个事件，每毫秒的推理延迟都会增加。

● 处理能力加倍：将每秒输出令牌从 80 个增加到 180 个，使同一时间窗口内的新闻摄取处理量加倍。

● 端到端延迟：在 10 秒内实现，避免逆向选择。

● 实施概述

● 第一天架构：用于部署优化的情绪分析解决方案的初始设置和组件。

情感分析中的第一天架构和重复处理

第一天架构

● 新闻摄取：新闻流 API 将数据输入 X 射线存储桶，触发 Lambda 功能，根据资产、紧迫性和情绪进行分类。

● 元数据标记：Lambda 函数触发 Deepseek 模型，将元数据标记到 Aurora Prospects 和 OpenSearch 等数据库中。

● 用户交互：QCLI 终端允许交易者和分析师使用 LLMs（如 Claude）查询新闻源以获取特定信息（例如，有关特朗普公告或埃隆·马斯克推文的最新消息）。

● 加密新闻中的重复挑战

● 问题：几分钟内，同一新闻在不同平台（Twitter、Reddit、Discord、Telegram）多次报道。

● 成本和延迟：通过昂贵的 LLMs 处理每个重复项会增加成本和延迟。

复制管道

第 1 步：嵌入

● 使用 VGEM3 等嵌入模型计算 Lambda 中的嵌入。

● 第 2 步：相似性检查：

● 如果相似度 > 0.75：标记为重复并插入到 OpenSearch 中的重复集合中以避免处理。

● 如果相似度 < 0.5：可能是唯一的；检查 OpenSearch 中的独特收藏以获取历史新闻。

● 第三步：分析：

● 如果确实独特，则执行近乎实时的预测、价差扩大建议、资产影响评估和价格变动概率。

● 第4步：生成预测报告：

● 向交易者平台发送报告选择渠道以供人工决定行动。

微调嵌入

● 通用嵌入模型可能无法有效处理特定于加密的重复项。

● 微调的重要性：通过散点图进行说明，显示开箱即用的 BGEM3 在来自加密新闻的数千个查询文档对上的性能。

微调嵌入和代理架构

初始散点图

● 绿点：具有高相似度得分 (>0.75) 的重复新闻文章。

● 红点：相似度分数较低 (<0.5) 的非重复新闻文章。

● 浑浊的中间（橙色）：重叠在 0.5 和 0.75 之间，表明分离无效。

● 微调BGEM3：

● 对数千篇带标签的加密货币新闻文章进行微调后，绿点和红点之间清晰分离。

● 0.3 到 0.6 相似度分数之间的清晰分离，消除了中间的混乱。

● 具有 5.6 亿个参数的微调微型嵌入模型。

● 代理架构和即时工程

● LLMs无需微调；及时的工程就足够了。

● 代理架构的力量：

● 使用 Cock 等通用推理模型进行分层任务分解。

● 专门的嵌入层可实现经​​济高效且更快的上市时间。

● 通过架构消除偏见。

● 推理新颖事件的教学系统。

● 快速演示

● 交易平台：右侧显示新闻频道。

● 左侧：通过管道分析的流媒体新闻。

● 示例：

● SEC 文件：已分析但未发送给交易者，因为不影响市场走势。

● 常规新闻：归类为无影响力。

● 有影响力的新闻：例如，特朗普关于中国变得敌对的推文被确定为有影响力，并发送给交易员以决定利差调整。

● 要点

● 使用代理架构而不是微调。

● 使用一般推理模型的分层任务分解。

● 专门的嵌入层可实现成本效益和更快的结果。

● 人机交互与交易者反馈循环可实现系统的持续改进。

● 24/7 实时覆盖，人工监督。

数字资产做市商利用AWS宏观服务进行代理新闻分析

免责声明：所表达的观点仅代表个人观点，并非AWS官方或附属组织

职位。仅供参考，不提供财务或专业建议。

交易生态系统概述

参与者：买家和卖家在交易所下订单。 市场流动性：可能缺乏充足的流动性。 做市商的作用：确保持续的买卖订单，提供流动性和交易对手。

订单簿抽象

投标订单（左）：买家订单。 询问订单（右）：卖家的订单。 Y 轴：每个价格水平的累积规模。 价格水平：靠近右侧的价格较高。

做市商的日常工作

下多个买价和卖价订单。 风险管理：新闻或公告可能会引起重大的市场波动。 库存管理：对于避免市场突然变化造成的损失至关重要。

做市商的理想市场条件

受控波动：市场小幅波动。 快速执行：快速执行买价和卖价订单。 高换手率：尽管每笔交易利润微薄，但交易频率高却可以带来可观的整体利润。

---

做市商策略和波动因素

点差和利润的权衡

● 增加点差：做市商可能会考虑扩大点差以获得更高的每笔利润

● 权衡：点差较高可能会导致执行次数减少，从而降低整体利润。贸易。

● 高频交易：做市商通常会选择利润较小的频繁交易，以最大化营业额。

波动率和利差调整

● 波动性影响：波动性是定价的关键因素；做市商根据以下情况调整点差

● 事件驱动的波动：例子包括关于联邦基金利率的 FOMC 会议。预期的波动性。

● 快速分析和行动：做市商必须快速分析消息并调整订单以避免损失。

影响市场的事件示例

● FOMC 会议：具有已知发布时间和结果的可预测事件。

● 社交媒体影响力：不可预测的事件，例如有影响力人物（例如特朗普、

● Dogecoin 示例：埃隆·马斯克（Elon Musk）关于加密货币的推文可以导致价格快速上涨（埃隆·马斯克）可以立即引起市场反应。

变化，说明了解释社交媒体驱动的新闻的不可预测性和困难。

---

数字资产市场情绪分析的挑战

影响者对数字资产的影响

● 不可预测的性质：埃隆·马斯克等影响者的推文可以迅速产生影响

● 解释困难：推文通常是主观的，需要智能解释。加密货币价格。

● 分析速度：人类判断对于实时交易来说太慢；自动化解决方案是必要的。

情感分析方法的演变

● 字典法：使用行业词典（例如看跌、看涨）和模式的初始方法

● 局限性：词汇量有限，上下文处理能力差（例如，误解“大规模匹配”。

空头爆仓事件”为负面）。

统计匹配和机器学习

● 使用朴素贝叶斯或 FinBERT 等模型过渡到监督学习。

● 优点：更好的概括和上下文理解。

● 挑战：需要大量的标签数据，导致成本高昂和上市时间较长。

需要先进的解决方案

● 实时分析：需要快速、自动化的情绪分析才能跟上

● 情境感知：解决方案必须准确解释情境，以提供可靠的情绪市场走势。

分析。

---

大型语言模型情感分析的进展 (LLMs)

基于 Transformer 的多模态推理

● 现代 LLMs（如 LLM、Clock 和 DeepSeek）可以通过最少的微调实现上下文感知情感分析。

● 能够对特定新闻标题和特定领域事件（例如协议漏洞）进行推理。

推理性能优化

● 对于短时间窗口的动态市场中的实时情绪分析至关重要。

优化之旅：

● 2025 年 2 月：在 P5EN 实例上使用 SageMaker Jumpstart 进行初始部署，

● 2025 年 4 月：切换为 VLLM，实现多 token 预测，混合精度，线性实现每秒 80 个输出 token。

● 2025 年 8 月：用 SGLN 替换 VLLM，利用推测解码实现 180 个注意力，并采用分布式并行性，将性能提升到每秒 140 个输出令牌。

每秒输出令牌数。

优化的重要性

● 高事件量：每分钟 10,000 个事件，每毫秒推理延迟

● 处理能力加倍：每秒输出令牌从 80 个增加到 180 个，使化合物加倍。

● 端到端延迟：实现在 10 秒以内，避免逆向选择。同一时间窗口内的新闻摄取处理。

实施概述

● 第一天架构：用于部署优化的情绪分析解决方案的初始设置和组件。

---

情感分析中的第一天架构和重复处理

第一天架构

● 新闻摄取：新闻流 API 将数据馈送到 X 射线桶中，触发 Lambda

● 元数据标记：Lambda 函数触发深度模型将元数据标记到数据库函数中，以便根据资产、紧急程度和情绪进行分类。

● 用户交互：QCLI 终端允许交易者和分析师使用 Aurora Prospects 和 OpenSearch 等查询新闻来源。

LLMs 像 Clock 一样获取特定信息（例如，有关特朗普公告或埃隆的最新消息）

马斯克的推文）。

加密新闻中的重复挑战

● 问题：同一新闻在不同平台上多次报道（Twitter、Reddit、Discord、

● 成本和延迟：通过昂贵的 LLMs 处理每个重复项会增加成本（并且在几分钟内达到 Telegram）。

延迟。 复制管道

● 步骤 1：嵌入

使用 VGEM3 等嵌入模型计算 Lambda 中的嵌入。

● 步骤 2：相似性检查：

如果相似度 > 0.75：标记为重复并插入到 OpenSearch 中的重复集合中 如果相似度 < 0.5：可能是唯一的；检查 OpenSearch 中的唯一集合以避免处理。

● 第三步：分析：历史新闻。

如果确实独特，请执行近乎实时的预测，传播扩大建议、资产

● 步骤 4：生成预测报告：影响评估和价格变动概率。

将报告发送到交易者平台选择渠道，以供人工决定行动。 微调嵌入

● 通用嵌入模型可能无法有效处理特定于加密货币的重复项。

● 微调的重要性：通过散点图进行说明，显示开箱即用的 BGEM3 在来自加密新闻的数千个查询文档对上的性能。

---

🔧 微调嵌入和代理架构

初始散点图：

● 绿点：具有高相似度得分 (>0.75) 的重复新闻文章。

● 红点：相似度分数较低（<0.5）的非重复新闻文章。

● 浑浊的中间（橙色）：重叠在 0.5 和 0.75 之间，表明分离无效。

微调BGEM3：

● 在对数千篇带标签的加密货币新闻文章进行微调之后，之间的清晰分离

● 0.3 到 0.6 相似度分数之间的清晰分离，消除了中间的混乱。绿色和红色的点。

● 具有 5.6 亿个参数的微调微型嵌入模型。

代理架构和即时工程

● 无需微调LLMs；及时的工程就足够了。

代理架构的力量：

● 使用 Cock 等通用推理模型进行分层任务分解。

● 专门的嵌入层可实现经​​济高效且更快的上市时间。

● 通过架构消除偏差。

● 推理新事件的教学系统。

快速演示

● Trader Decks：右侧显示新闻频道。

● 左侧：通过管道分析的流媒体新闻。

● 示例：

SEC 文件：已分析但未发送给交易者，因为不影响市场走势。 日常新闻：归类为无影响力。 有影响力的新闻：例如，特朗普关于中国变得敌对的推文被确定为有影响力，并发送给交易者以决定利差调整。

要点

● 使用代理架构而不是微调。

● 使用通用推理模型进行分层任务分解。

● 专门的嵌入层可实现成本效益和更快的结果。

● 人机交互与交易者反馈循环，以实现系统的持续改进。

● 24/7 实时覆盖，人工监督。

AWS re:Invent 回顾 (GBL302)

使用 AWS 宏服务的数字资产做市商进行代理新闻分析

免责声明：所表达的观点是个人观点，不代表 AWS 或相关组织的官方立场。仅供信息目的，

不构成财务或专业建议。

交易生态系统概述

参与者：买家和卖家在交易所下单。

● 市场流动性：可能缺乏足够的流动性。

● 做市商的角色：确保持续的买卖订单，提供流动性和交易对手。

订单簿抽象

● 买单（左侧）：买家的订单。

● 卖单（右侧）：卖家的订单。

● Y 轴：每个价格水平的累计规模。

● 价格水平：较高的价格靠近右侧。

做市商的日常工作

● 下多个买单和卖单。

● 风险管理：新闻或公告可能导致重大市场变动。

● 库存管理：避免因突然的市场变化而造成损失至关重要。

做市商的理想市场条件

● 可控的波动性：小幅市场波动。

● 快速执行：买单和卖单快速执行。

● 高周转率：尽管每笔交易的利润较小，但高频率的交易可以带来显著的整体利润。

做市商策略和波动性因素

点差和利润权衡

● 增加点差：做市商可能考虑扩大点差以获得更高的每笔交易利润。

● 权衡：较高的点差可能导致执行次数减少，从而降低整体利润。

● 高频交易：做市商通常选择频繁交易以获得较小的利润，以最大化周转率。

波动性和点差调整

● 波动性影响：波动性是定价的关键因素；做市商根据预期波动性调整点差。

● 事件驱动的波动性：例如 FOMC 会议对联邦基金利率的影响。

● 快速分析和行动：做市商必须快速分析新闻并调整订单以避免损失。

市场推动事件的例子

● FOMC 会议：具有已知发布时间和结果的可预测事件。

● 社交媒体影响：不可预测的事件，如有影响力人物（例如特朗普、埃隆·马斯克）的推文，可能导

● 狗狗币示例：埃隆·马斯克关于加密货币的推文可能导致快速价格变化，说明了社交媒体驱动 致即时市场反应。

新闻的不可预测性和解释难度。

数字资产市场情绪分析的挑战

数字资产中的影响者影响

● 不可预测性：埃隆·马斯克等影响者的推文可能迅速影响加密货币价格。

● 解释难度：推文通常是主观的，需要智能解释。

● 分析速度：人类判断对于实时交易来说太慢；需要自动化解决方案。

情绪分析方法的演变

● 词典方法：使用行业词汇（例如看跌、看涨）和模式匹配的初始方法。

● 局限性：有限的词汇量和较差的上下文处理（例如将“大规模空头清算事件”误解为负面）。

统计匹配和机器学习

● 转向使用 Naive Bayes 或 FinBERT 等模型的监督学习。

● 优势：更好的泛化和上下文理解。

● 挑战：需要大量标记数据，导致高成本和更长的上市时间。

对先进解决方案的需求

● 实时分析：需要快速、自动化的情绪分析以跟上市场变动。

● 上下文感知：解决方案必须准确解释上下文以提供可靠的情绪分析。

大型语言模型（LLM）的情绪分析进展

基于 Transformer 的多模态推理

● 现代 LLM（如 LLM、Clock 和 DeepSeek）能够以最少的微调实现上下文感知的情绪分析。

● 能够对特定新闻标题和特定领域事件（例如协议漏洞）进行推理。

推理性能优化

● 对于具有短时间窗口的动态市场，实时情绪分析至关重要。

优化历程：

● 2025 年 2 月：使用 SageMaker Jumpstart 在 P5EN 实例上进行初始部署，实现每秒 80 个输

● 2025 年 4 月：切换到 VLLM，实现多标记预测、混合精度、线性注意力和分布式并行，将性能 出标记。

● 2025 年 8 月：用 SGLN 替换 VLLM，利用推测性解码实现每秒 180 个输出标记。 提升至每秒 140 个输出标记。

优化的重要性

● 高事件量：每分钟 10,000 个事件，每毫秒的推理延迟都会累积。

● 加倍处理能力：将每秒输出标记从 80 提高到 180，在相同时间窗口内加倍新闻摄入处理。

● 端到端延迟：实现低于 10 秒，避免不利选择。

实施概述

● 第一天架构：用于部署优化情绪分析解决方案的初始设置和组件。

● 📡 第一天架构和情绪分析中的重复处理

第一天架构

● 新闻摄入：新闻流 API 将数据传输到 X 光存储桶，触发 Lambda 函数根据资产、紧急程度和

● 元数据标记：Lambda 函数触发 deepse 模型将元数据标记到数据库（如 Aurora Prospects 和 情绪进行分类。

● 用户交互：QCLI 终端允许交易者和分析师使用 LLM（如 Clock）查询新闻来源以获取特定信息 OpenSearch）中。

（例如特朗普公告或埃隆·马斯克推文的最新新闻）。

加密新闻中的重复挑战

● 问题：同一新闻在各种平台（Twitter、Reddit、Discord、Telegram）上多次报道，仅需几分钟。

● 成本和延迟：通过昂贵的 LLM 处理每个重复项会增加成本和延迟。

重复管道

● 第 1 步：嵌入

在 Lambda 中使用嵌入模型（如 VGEM3）计算嵌入。

● 第 2 步：相似性检查：

如果相似度 > 0.75：标记为重复并插入 OpenSearch 中的重复集合以避免处理。 如果相似度 < 0.5：可能是唯一的；检查 OpenSearch 中的唯一集合以获取历史新闻。

● 第 3 步：分析：

如果真的是唯一的，执行近实时预测、点差扩大建议、资产影响评估和价格变动概率。

● 第 4 步：生成预测报告：

将报告发送到交易者甲板选择频道，供人类决定行动。 微调嵌入

● 通用嵌入模型可能无法有效处理加密特定的重复项。

● 微调的重要性：通过散点图显示出盒 BGEM3 对数千个加密新闻查询文档对的性能。

微调嵌入和代理架构

初始散点图：

● 绿点：相似度分数高（> 0.75）的重复新闻文章。

● 红点：相似度分数低（< 0.5）的非重复新闻文章。

● 模糊中间（橙色）：0.5 到 0.75 之间的重叠，表明分离效果不佳。

微调后的 BGEM3：

● 在数千个标记的加密新闻文章上进行微调后，绿点和红点之间有明显分离。

● 0.3 到 0.6 相似度分数之间的清晰分离，消除了模糊中间。

● 微调后的小型嵌入模型，具有 5.6 亿个参数。

代理架构和提示工程

● 无需微调 LLM；提示工程就足够了。

代理架构的力量：

● 使用通用推理模型（如 Cock）进行分层任务分解。

● 专门的嵌入层，实现成本效益和更快的上市时间。

● 通过架构消除偏差。

● 教导系统推理新事件。

快速演示

● 交易者甲板：右侧显示新闻频道。

● 左侧：由管道分析的流媒体新闻。

● 示例：

SEC 文件：经过分析但未发送给交易者，因为不会影响市场。 常规新闻：被分类为无影响。 有影响的新闻：例如特朗普关于中国变得敌对的推文，被识别为有影响并发送给交易者以决定 点差调整。

主要要点

● 使用代理架构而非微调。

● 使用通用推理模型进行分层任务分解。

● 专门的嵌入层，实现成本效益和更快的结果。

● 人类参与交易者反馈循环，以持续改进系统。

● 24/7 实时覆盖，人类监督。