← Financial Cloud Cloud Cloud Club · AWS Re:cap

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

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

讲者: AWS re:Invent 2025

场次: 04

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=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。