← Financial Cloud Cloud Cloud Club · AWS Re:cap

極點宏觀|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 02: 利用 AI 和 AWS 構建未來交易平臺

講者: AWS re:Invent 2025

場次: 02

場次
Summit Dev Lounge2026 Re:cap
01 把架構寫成 Steering,引導 AI Agent
02 Agent Harness 才是真正的工程護城河
03 用白話詢問可觀測性資料
04 以 Bedrock AgentCore 打造 Serverless AR 遊戲
05 AgentCore 上的多 Agent 量化回測
06 三分鐘用 Kiro 把部落格變簡報
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 實現 AWS 合規
03 從新手到開發者:一段精彩的 AWS 雲端旅程
04 以團隊為優先:使用 Laravel 與 Bref 進行無伺服器工程
05 活動開幕
06 Agent-to-Agent:在 AWS 上打造可互通的 AI
07 運用另一種遙測資料,透過 AI Agent 加速改善
08 告別 Vibe Coding:運用 Kiro 實踐規格驅動開發(Spec-Driven Development)
09 運用 MCP 與 AI 代理進行自動化測試
10 以 ML 驅動的方法實現電信安全現代化
11 重新思考 GenAI Agent:RAG 與 MCP
12 運用 TAK 與 AWS 進行災害及緊急應變
13 從測試角度重新思考 Serverless 應用程式工作流程
14 運用實務 AWS FinOps 邁向雲端成功
15 運用 AWS 打造 AI 驅動的全球 Pure-Alpha 宏觀交易:革新風險調整後資產報酬
FSI Recap
01 現代交易生命週期:從交易到結算
02 Goldman Sachs:透過 Fast Track 將應用程式移至雲端 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上建置有效的日誌管理解決方案
04 FSI Meetup 2025 Q4 - Brex 資料庫災難復原
05 FSI Meetup 2025 Q4 - Graviton 遷移成功案例
06 FSI Meetup 2025 Q4 - Stifel 現代化資料平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易資料對帳器
08 FSI Meetup 2025 Q4 - 擴展韌性
09 最大化 AI 推論成本效益:策略性採用 AWS GPU 執行個體
10 進階代理式 AI 設計模式
11 在 AWS 上建置全新現代化應用程式
AWS re:Invent 2025
01 Coinbase re:Invent 回顧 (IND3312)
02 利用 AI 和 AWS 構建未來交易平臺
03 交易創新:Jefferies 在 Amazon Bedrock 上的 AI 助理 (IND3315)
04 FSI 如何運用代理式 AI 徹底改造 HFT 分析 (GBL302)
05 透過 Amazon Time Sync 改善分散式系統,Nasdaq 專題分享
06 Amazon Aurora HA 與 DR 的全球韌性設計模式 (DAT442)
07 建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用 (DEV327)
08 深入探討 Amazon Aurora 及其創新 (DAT441)
09 深入探討 Amazon S3 (STG407)
10 Nasdaq:為全球金融服務打造具彈性的基礎設施(HMC327)
11 AWS Lambda 的最新功能 (CNS376)
12 使用 Kiro 進行規格驅動開發 (DEV314)
13 Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)
14 AWS 上的 Tick-to-trade 延遲交易平台
政務資料
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 裝置端多模態 AI 與智慧城市實踐
03 大模型能力評測與 AI 專案落地方法論
04 基於雲端代理的政府開發全鏈路受控自動化
05 從多智能體看 Agent 時代軟體新生態
06 AI 驅動的宏觀量化研究與智慧治理
07 公共數據授權營運與智慧政務實踐
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技術賦能心理健康公益:可信平台的治理、架構與實踐
Amarathon 2025 回顧
01 開發人員的代理架構設計路線圖
02 Amazon Bedrock 資料自動化
03 AgentCore 上的多代理
04 實務建置代理式 AI:Nova Act 與 Strands Agents
04 運用規格驅動開發,以 Kiro 加速移轉專案
06 從「比對」到「理解」:由 AgentCore Memory 驅動的個人化 AI 搜尋實踐
07 從觀察到最佳化:從 LLM 可觀測性邁向 AIOps,將即時洞察轉化為智慧自動化
08 部署 TEAM 並打造最佳工程團隊
09 五年來所謂無伺服器資料庫帶來的五個慘痛教訓
14 如果 AI 替我工作會怎樣:Q Developer CLI 與 Kiro 如何改變我的日常工作
16 兼顧速度與警覺:Amazon Bedrock Agent 開發的安全要點
26 在單張 H100 上執行 OSS LLM:更聰明、更便宜、更快速
28 現代化統一中繼資料架構:打破資料孤島的新方法
29 無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程
30 透過大規模效能測試建構兼具效率與可靠性的架構
31 透過開放原始碼連結世界:技術、社群與全球開發者關係的實踐歷程
33 建置串流 Iceberg 資料表以進行即時物流分析
34 加速大規模機器人策略訓練:以 Kiro、Trainium 與 EKS 為基礎的自動化閉環架構
35 透過規格驅動開發,從 Vibe 走向可行方案
36 讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent
37 使用 CNCF Kagent、K8sGPT 與 Nova Sonic,轉型 K8s 對話式 Agentic AIOps

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

利用 AI 和 AWS 構建未來交易平臺

(LPL Financial 參與分享)(由 Cognizant 贊助)

會議介紹

● 對交易平臺進行現代化改造并構建下一代交易平臺

● 速度、規模、韌性和智能在財富管理中的重要性

● 會議議程概述

● 財富管理行業概述:

● 財富管理的定義與核心目的

● 行業規模:管理資產達 144 萬億美元,擁有 30 萬名理財顧問和 6,800 萬名客戶

● 代際財富轉移:將有 100 萬億美元資產從嬰兒潮一代轉移到精通技術的新一代

LPL Financial 簡介

● LPL 是《財富》500 強企業,也是美國領先的經紀交易商

● LPL 的商業模式和當前交易平臺

● 獨立經紀交易商釋義:

● 一家允許理財顧問獨立經營自己的業務,同時提供必要支援(技術、運營、合規等)的公司

● LPL Financial 的市場地位:

● 32,000 名理財顧問

● 管理資產達 2.3 萬億美元

● LPL 以客戶為中心的方法:

● 使命:幫助客戶在每一步取得成功

● 愿景:成為最優秀的財富管理公司

● 實現 LPL 愿景所需的技術:

● 自適應、前沿且面向未來的技術

● LPL 對交易的定義:

● 連接理財顧問與市場的紐帶

● 幕后交易流程:

● 數百個高性能系統協同工作

● 2,000 多項檢查在次毫秒內完成

● 依賴多個合作伙伴(市場中心、金融科技機構)

● 使用者對交易的期望:

● 安全交易

● 系統始終在線

● 即時、近實時的回應

● 經濟高效的交易

● 實現業務目標的技術目標:

● 零安全事件

● 100% 合規

● 具備快速恢復能力、始終在線且韌性極強的系統

● 針對峰值交易量設計的交易系統

● 云之旅:

● 采用迭代漸進的過程,而非一次性大規模遷移

● 類比:建造摩天大樓(地基、核心結構、供電、管線、自動化)

● 截至 2024 年:將流程從本地資料中心遷移至云端,在 EKS 中執行關鍵系統,并采用 AI 和機器學習算法

● 2024 年重點:透過自動擴展和平臺解耦提升可擴展性

● 未來計劃:增強平臺韌性,從多可用區過渡到多區域、多可用區,并減少對本地環境的依賴

當前狀態架構

● 本地資料中心和云端多可用區

● 工作流程設計為在本地環境與云端之間進行握手

● 當前狀態架構中的 AWS 元件:

● 用于表現層和內容渲染的 S3 存儲桶

● 用于無伺服器設計及自動擴展/自我修復架構的 EKS Kubernetes

● 用于滿足關系型需求和高事務吞吐量的 Postgres SQL

● 用于文件資料庫(主要是讀取用例)的 Dynamo DB

● 用于低延遲、高算力內存處理的 Memory DB

● 使用 Kafka 作為消息代理,以減少級聯依賴和故障

● 用于機器學習算法和 AI 用例的 SageMaker

● 用于檢測和端到端可觀測性的 CloudWatch

● 下一代架構目標:

● 消除一級關鍵應用程序對本地環境的依賴

● 充分利用云的全部能力,實現端到端韌性和更簡單的故障轉移

● 過渡到主動-主動多區域環境

● 挑戰:確保跨區域資料一致性,并以主動-主動方式編排多個區域之間的請求

● 潛在解決方案:使用 Aurora DB 的原生多區域支援

● 下一代架構采用方案:

● 將 Bedrock 與 SageMaker 結合,更好地把 Gen AI 和 LLM 集成到核心工作流程

● Bedrock 的學習曲線更平緩

用例:Klein Works Rebalancer

● LPL 的旗艦自研交易平臺

● 基于模型化交易原則

● 顧問根據客戶不同的投資需求、目標和風險狀況建立投資組合

● 市場始終在變化,導致投資組合偏離預期策略

● 模型化交易可自動調整投資組合,使其符合客戶目標

● 模型與帳戶之間是一對多關系

● 交易基于模型進行,而非基于單個帳戶

● Client rebalancer 并行執行數百萬次偏離度檢查、自動執行交易,并完全符合合規要求

● 類比:Client rebalancer 如同根據交通狀況重新規劃路線的 GPS

● 目前 LPL Financial 的 32,000 名顧問中有 14,000 名正在使用

● 在過去 5 年中逐步推出

● 平臺已執行超過 7,000 萬筆交易

● 每天執行 100 萬次偏離度檢查

用例:Klein Works Rebalancer

● 由 AWS 提供支援,實現超大規模擴展

● 平臺上的每筆交易都會執行 50 多項檢查(帳戶詳情、市場價格、許可、合規規則等)

● 數百個帳戶和顧問的數千筆交易,使每分鐘交易量達到數十萬

● 平臺設計:

● 編排器接收顧問發出的再平衡請求

● 編排器將大型再平衡請求拆分成較小的微批次

● 微批次發送至保證交付的 Kafka

● 再平衡算法執行在專為自動擴展而設計的 EKS 集群上

● 算法獨立執行,并根據 CPU、內存利用率和 Kafka 隊列深度進行擴展

● 交易前驗證:

● 執行 200 多項檢查,以確定交易能否執行

● 使用進程內緩存,對交易有效性提供即時的毫秒級意見回饋

● 無效交易會被退回隊列,不再繼續處理

● 并行化與 CQRS:

● 60 多個程式碼微服務和資料庫調用根據依賴關系圖分組并并行執行

● 應用命令查詢職責分離(CQRS)范式

● 寫入針對一臺伺服器進行優化,并透過批處理和緩沖減少資料庫存取

● 由于讀取量更高,讀取針對讀取實例進行優化,并使用 AWS Memory DB 緩存在內存中

● 讀取實例的自適應擴展:

● 由于系統以讀取為主,對讀取實例應用自適應擴展

● EKS 自動擴展,讀取也設計為自動擴展

● 使用 CloudWatch 實現端到端可觀測性:

● 為每筆交易分配一個關聯 ID,以實現完整可追溯性

● 使用 CloudWatch 進行監控和日志記錄

● 系統設計為可自行告警和自我修復

● 合成監控:

● 建立模擬交易以模仿顧問操作

● 在系統上迭代執行這些交易,以便在使用者受到影響前發現潛在問題

● 系統每秒處理數千筆交易,并曾在峰值交易量期間處理近 100 萬筆交易

● LPL 的 AI 用例:

● 首選人在回路方法,由顧問控制 AI 建議的結果和智能推薦

● 用例:市場中心中斷檢測

● 市場中心可能出現回應緩慢、問題或中斷,從而導致運營問題和重復訂單

● 目標:提前檢測市場中心中斷

● 建立工作流程,將實時交易和執行資料饋送給算法

● 使用的算法:Random Cut Forest,一種時間序列異常檢測算法

● 檢測到異常時,運營團隊會收到警報并采取行動

● 第二個用例:ETF 分類

● ETF 的持倉各不相同,必須根據元資料劃分為不同類別(例如加密貨幣、大宗商品、外國基金)

● 監管影響要求進行許可檢查、應用合規規則并培訓顧問

● 傳統上由人工完成,但現已使用每晚執行的訓練模型實現自動化

● 使用的模型:人工神經網路(ANN),一種準確率很高的無監督模型

● 運營人員審核并接受模型的建議

AI 模型架構

● 資料存儲:兩個用例的歷史資料都存儲在 RDS Aurora PostgreSQL 資料庫中

● Lambda 函數:每天獲取經過整理和更新的資料,進行處理,并將其傾印到 S3 存儲桶中用于學習

● SageMaker:訓練并託管模型;訓練后的模型以端點形式發布,供下游使用

● 實時異常檢測工作流程:

● Lambda 函數獲取實時交易資料流

● 資料透過訓練后的模型端點執行(例如 Random Cut Forest 算法)

● 檢測異常并向工作人員發出警報

● 根據模型決策將資料意見回饋到 RDS,以供未來學習

● ETF 分類工作流程:

● 新 ETF 資料發送至 Lambda 函數

● 資料透過訓練后的模型端點執行

● 將結果提供給操作人員

● 資料存儲在 RDS 實例中

交易后臺自動化

業務背景

● 投資目標:實現資金增長

● 投資組合增長會導致更高的資本利得稅

● 規模較大的帳戶,尤其是超高凈值客戶的帳戶,將面臨顯著的稅務后果

● 帳戶存在稅務閾值

● 再平衡器的復雜性

● 再平衡器流程很復雜

● 增加稅務感知和優化會進一步提高復雜性

● 算法需要考慮 50 多個高度相互依賴且敏感的變量

● 多代理 AI 框架

● 探索使用代理 AI 解決該問題

● 代理是具有特定角色和操作的模型

● 再平衡器代理

● 使用 22 個資料集進行訓練

● 資料集包括含 50 多個參數的算法,以及稅務交易再平衡器的歷史執行資料

● 每天處理數百個請求

● 將結果發回以便進一步處理

● 驗證代理

● 檢查級聯依賴關系及其對帳戶生態系統的影響

● 批準有利結果,使其進入交易代理

● 如果驗證失敗,則發送意見回饋以重新處理

● 交易代理

● 與做市商和市場中心執行交易

● 作為代理循環的一部分,其吞吐量已提高 10 倍

● 行業趨勢

● 轉向基于模型的交易

● 由于歷史原因和運營工作量較大,一些帳戶尚未完成過渡

● AI 解決方案

● 分析顧問當前的業務賬簿和帳戶持倉

● 為帳戶推薦模型,推動其轉向模型化業務實踐

● 旨在透過減少運營工作并增加與客戶互動的時間來提高顧問效率