← Financial Cloud Cloud Cloud Club · AWS Re:cap

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

AWS Re:cap 05: FSI Meetup 2025 Q4 - Graviton 遷移成功案例

講者: Francois Vernet

場次: 05

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

運用 AWS 與 EC2 Graviton 推動系統轉型

Numora 概覽

● 成立已有 100 年,總部位於東京

● 五大部門:財富管理、投資管理、銷售、全球市場、投資銀行

● 口號:「連結東西方市場」

● 秉持紀律、創業精神、創意解決方案與思想領導的傳統

● 支援企業風險職能

● 為全球業務執行市場風險與交易對手風險模型

● 運算與資料密集型作業,非常適合使用雲端

● 幾乎無須擔心延遲

部署規模

● 每天使用 EC2 Spot 部署超過 65,000 個核心,以執行定價批次作業

● 每天產生約 2 TB 的資料

● 資料保留期限最長達七年

● 目前 S3 使用量約為 2 TB,採用 S3 Integring 以符合成本效益的方式儲存歷史資料

資料彙總與摘要

● Numora 選擇採用記憶體內彙總

● 使用超過 100 個超大型 EC2 執行個體,針對信用風險與市場風險模型進行次秒級彙總

議程

● 公有雲對金融機構內部運算風險的影響

● Numora 風險系統的高階架構

● Graviton 在定價與彙總使用案例中的案例研究

● 遷移流程中的其他考量與經驗心得


Numora 系統的高階架構

資料湖倉儲存所有輸入與輸出

● 輸入包含交易、歷史市場資料與參考資料(帳戶、幣別、國家)

● 混合式資料湖倉:主要在內部部署環境處理資料,並匯出至 S3 供雲端部署使用

定價引擎

● 由 C++ 定價計算器組成

● 載入輸入資料、執行模型,並輸出交易層級的結果

彙總引擎

● 載入資料及參考資料,以便在次秒內依帳簿、國家、幣別或交易對手進行資料切割與分析

內部自製 BI 工具

● 事件式平台

● 提供預設檢視,並允許使用者建立自己的檢視

● 建立虛擬資料表,供應用程式與試算表透過 SQL 存取及製作樞紐分析


定價使用案例與 Graviton 導入

● 約 5 年前在 AWS 上正式啟用定價作業,最初在維吉尼亞北部使用 Intel,一年後再加入俄亥俄區域

● 約 3 年前將所有定價引擎遷移至 Graviton

● 由於數值準確性至關重要,因此必須完整重新編譯 C++ 定價引擎並進行數值迴歸測試

● 在維吉尼亞北部與俄亥俄區域使用完全由 Spot 組成的 Auto Scaling 群組執行定價引擎

● 運用多種執行個體類型與不同標準規格

● 使用所有 Graviton 執行個體家族(Graviton 2、3 與 4)及執行個體


定價層遷移至 Graviton 的成果

● 在 4x large 上執行一個引擎,在 24x large 上執行四個引擎

● 成本降低 50%

● 效能未受損,且觀察到些微提升

● 經驗心得:謹慎選擇部署區域、採用多區域架構,並最佳化批次作業尾端以節省成本

彙總使用案例與 Graviton 導入

● 彙總層由大型 JVM 組成

● Java 供應商提供 ARM 相容的 JVM 後,便將彙總層切換至 Graviton

● 由於系統以 Java 為基礎,因此無須重新編譯,但仍執行了完整的迴歸測試

● 使用 On-Demand 執行個體進行有狀態資料載入及資料切割與分析功能(切割與分析法的運作方式,是將資料拆分成較小且易於管理的區塊(切割),再重新排列這些元素以觀察模式與趨勢(分析)。其功能包括:將資料拆解以進行詳細分析,以及促進資料的多維度分析)

● 導入 Compute Savings Plans,以涵蓋 80% 的用量並降低成本

● 改用能提供額外最佳化的供應商

● 為彙總引擎導入自訂 Spot 執行個體,暫停或回收未使用的執行個體,進一步降低成本

● 目前使用 X2GD 執行個體(具備磁碟儲存空間的 Graviton),但也能運用其他執行個體類型

● 規劃在不久的將來遷移至 Graviton 4

彙總平台遷移至 Graviton 的成果

● 預估在相同成本下,彙總平台可擴充至 3 倍規模

● 在維持成本不變的情況下,得以部署新的業務功能,例如 FRTB IMA 模型


Numora 雲端遷移歷程的主要心得與建議

及早投資部署管線,並強制執行資源標記

● 使用與引擎整合的集中式部署管線,以控管執行個體與作業系統

● 有助於維持成本效益並減少錯誤

在團隊中灌輸創業精神與當責意識

● 使用 AWS 所節省的成本可再投資於其他使用案例,或直接增加盈餘

● 導入一流的可觀測性與防護機制

專注於韌性

● 先從區域內的多可用區部署開始

● 導入多區域部署以提高韌性

● 緊跟 AWS 的創新腳步,並在其基礎上打造自己的創新

● AWS 為系統建置與問題解決提供強大的環境