網(wǎng)站開發(fā)框架 簡單,跳舞游戲做的廣告視頻網(wǎng)站,企業(yè)官網(wǎng)流程,集團公司網(wǎng)站案例注#xff1a;本文內(nèi)容轉(zhuǎn)載自鈦媒體App在證券、外匯、商品等市場中#xff0c;“量化交易”已成為被廣泛使用的一項重要的交易策略。越來越多的基金經(jīng)理、投資人更傾向于使用“量化交易”策略支持投資決策#xff0c;即使用數(shù)學(xué)模型和計算機程序來預(yù)測證券市場的行為#x…注本文內(nèi)容轉(zhuǎn)載自鈦媒體App在證券、外匯、商品等市場中“量化交易”已成為被廣泛使用的一項重要的交易策略。越來越多的基金經(jīng)理、投資人更傾向于使用“量化交易”策略支持投資決策即使用數(shù)學(xué)模型和計算機程序來預(yù)測證券市場的行為在市場中快速買入和賣出證券以求在市場波動時通過高頻率交易獲得較高收益。這使得作為全球資本市場核心之一的紐約證券交易所NYSE以下簡稱“紐交所”每天都需要處理如天文數(shù)字般的交易信息。紐交所高級技術(shù)總監(jiān)Anand Pradha透露“紐交所每日處理的交易量高達數(shù)十億筆最高記錄達到五千億筆”。在交易期間紐交所還需要面向海量投資者提供交易法規(guī)和文檔解讀服務(wù)搜集來自市場的股價波動、市場情緒、企業(yè)資訊等信息監(jiān)控異常流量、審核欺詐內(nèi)容等一系列復(fù)雜的信息處理工作。處理這些浩如煙海的交易數(shù)據(jù)并從中高效、精準(zhǔn)地挖掘出最有效的投資決策信息對紐交所的分析師們而言挑戰(zhàn)巨大。因此紐交所將目光投向了在處理文本、總結(jié)與問答交互方面更具優(yōu)勢的數(shù)據(jù)分析和機器學(xué)習(xí)技術(shù)生成式AI上以此提升數(shù)據(jù)處理分析、投資決策生成、異常監(jiān)管等效率和質(zhì)量減輕重復(fù)繁重的人工作業(yè)。超3000家上市公司總市值全球第一新考驗之下紐交所開啟“云化”之路成立于1792年的紐交所是美國歷史最悠久、規(guī)模最大也是美國資本市場中組織最健全、設(shè)備最完善、管理最嚴(yán)格的證券交易所。目前在紐交所上市的公司已超過3000家包括來自48個國家的385家外國公司在全球資本市場上籌措超10萬億資金上市公司總市值位列全球第一。美國及外國政府、公司和國際銀行的數(shù)千種債券也在紐交所上市交易。如此龐大的交易體系和繁榮的交易市場為紐交所帶來了巨大的數(shù)據(jù)量沖擊的同時也制造了不少麻煩。首先紐交所存儲和管理交易市場中產(chǎn)生的海量歷史數(shù)據(jù)需要自建龐大的服務(wù)器或數(shù)據(jù)中心大量的硬件設(shè)備和人力資源帶來的運維成本極高。其次由于參與紐交所交易活動的投資人來自世界各地如何讓不同地區(qū)的投資人都能享受到快速的訪問速度和高質(zhì)量的網(wǎng)絡(luò)服務(wù)是一項難題。同時由于資本市場數(shù)據(jù)的高度敏感性紐交所必須確保全球投資人與上市公司數(shù)據(jù)的安全性、合規(guī)性和同步備份。此外紐交所的分析師們和監(jiān)管部門在處理分析海量交易數(shù)據(jù)時例如識別、篩選、標(biāo)記、處理其中的欺詐有害信息對數(shù)據(jù)中心的分析算力也提出了不小的考驗。為應(yīng)對上述諸多痛點紐交所早年將信息處理提效的方向設(shè)定在自建大規(guī)模數(shù)據(jù)中心上。但新問題很快便接踵而來一方面由于大量數(shù)據(jù)負載造成的過高延遲會對市場產(chǎn)生不可接受的影響優(yōu)化延遲問題迫在眉睫另一方面要從龐大數(shù)據(jù)中仔細查看每一筆交易信息監(jiān)管市場對紐交所有限的運算和存儲能力又提出了更大的挑戰(zhàn)。于是紐交所決定開始“上云”戰(zhàn)略選擇與亞馬遜云科技合作將數(shù)據(jù)遷移到云端由亞馬遜云科技集中管理、處理、收集和存儲提供紐交所日常所需的數(shù)據(jù)運營服務(wù)并支持客戶能夠大規(guī)模獲取紐交所的歷史參考數(shù)據(jù)。以Amazon S3儲存服務(wù)為例它在可擴展性、數(shù)據(jù)可用性、安全性和能效方面業(yè)界領(lǐng)先為數(shù)百萬不同規(guī)模和行業(yè)的客戶提供幾乎可應(yīng)用于任何場景的存儲、管理、分析和保護任意數(shù)量的數(shù)據(jù)。借助高成本效益的存儲類和易于使用的管理功能Amazon S3幫助紐交所優(yōu)化成本、組織并分析數(shù)據(jù)以及配置精細調(diào)整過的訪問控制從而滿足特定的業(yè)務(wù)和合規(guī)性要求。2023年10月紐交所與亞馬遜云科技進一步加大合作通過整合自身在專業(yè)投資、新興產(chǎn)業(yè)和項目評估領(lǐng)域的龐大知識體系宣布推出了基于亞馬遜云科技提供云技術(shù)的NYSE LaunchPad全面幫助客戶獲取專業(yè)技術(shù)和知識以高效進行投資交易產(chǎn)品評估和測試。瞄準(zhǔn)下一代技術(shù)創(chuàng)新紐交所開啟生成式AI探索之旅進入到AI時代如何做好紐交所下一代的技術(shù)創(chuàng)新Anand Pradha認(rèn)為當(dāng)下需要突破的是利用機器學(xué)習(xí)解決交易規(guī)則整理、市場情緒分析、異常流量和數(shù)據(jù)檢測、監(jiān)管欺詐信息等一系列的問題。而早在2016年證券市場中就有過使用AI技術(shù)識別市場欺詐信息和操縱行為的先例如在大交易達成時從聊天室中搜尋、整理各類信息快速解決“分層”等復(fù)雜問題“分層”即向證券交易所提交訂單后立即取消交易人工操縱股市價格。當(dāng)然AI未必能阻止類似“閃電崩盤”的事件但可以更快地找到造成類似事件的操縱行為保障市場監(jiān)管者省時省力。同時由于AI能夠同時分析數(shù)百萬個數(shù)據(jù)點某種程度上取代了大量來自人力的數(shù)據(jù)處理和分析工作不僅能提供相對客觀的投資策略建議還顯著減低了金融機構(gòu)的運營成本因此坊間甚至一度曾引發(fā)“基金經(jīng)理和金融分析師是否會被人工智能取代”的討論。在紐交所目前的工作流程在許多環(huán)節(jié)中仍然離不開人工操作和干預(yù)人工智能輔助人類決策的“人機協(xié)作”模式更符合現(xiàn)實。一個顯而易見的問題是并非所有紐交所交易人都是諳熟市場規(guī)則的資深投資人士即便是證券行業(yè)從業(yè)者面對時常更迭的監(jiān)管文件和復(fù)雜的交易法規(guī)也會無所適從。Anand Pradha也表示“在2007年我剛剛進入紐交所時并不能理解這些復(fù)雜的交易規(guī)則以至于我不得不尋找專業(yè)團隊為我簡化這些條文?！币虼烁档脟L試的方向是生成式AI。然而對于大多數(shù)企業(yè)而言在構(gòu)建生成式AI應(yīng)用前如何找到合適的模型是一項重大問題因為企業(yè)方通常僅對單一模型的效果評估也需要花費幾周時間。就這樣紐交所選擇了長期合作伙伴亞馬遜云科技推出的Amazon Bedrock——一項允許開發(fā)者輕松地構(gòu)建、微調(diào)和部署由基礎(chǔ)模型支持的生成式AI應(yīng)用在無需進行底層基礎(chǔ)設(shè)施建設(shè)的同時也可以保障應(yīng)用程序的無縫部署、可擴展性和持續(xù)優(yōu)化服務(wù)。它基于亞馬遜云科技強調(diào)多模型相互協(xié)作的AI生態(tài)系統(tǒng)于2024年發(fā)布的Amazon Bedrock Marketplace允許如紐交所這樣的機構(gòu)或其他開發(fā)者可以輕松訪問包括AI21 Labs、Anthropic、Cohere、Meta、Stability AI和Amazon在內(nèi)的100多款高性能基礎(chǔ)模型。它還簡化了客戶模型選擇、簡化模型訓(xùn)練、簡化代理集成等等通過Model Evaluation即可幫助企業(yè)客戶快速分析和比較Amazon Bedrock上模型將模型評估時間縮短至幾小時。當(dāng)然紐交所選擇Amazon Bedrock的原因并不僅限于此。例如對紐交所這樣的金融機構(gòu)而言使用專有模型導(dǎo)入功能將其利用自身數(shù)據(jù)定制的模型集成至Amazon Bedrock能夠顯著減少運營成本并加速應(yīng)用程序的開發(fā)以完全托管的API形式進行訪問并通過這種方式為構(gòu)建生成式AI應(yīng)用程序通過極為簡化的操作紐交所可使用Amazon SageMaker或其他工具開發(fā)的模型集成到Amazon Bedrock上在模型通過自動化驗證流程后便可像訪問其他模型一樣訪問自己的定制模型同時享受到目前Amazon Bedrock所具備的所有優(yōu)勢——包括無縫的可擴展性、強大的應(yīng)用保護能力、遵循負責(zé)任的AI原則、利用檢索增強生成RAG擴充模型知識庫、輕松創(chuàng)建用于完成多步任務(wù)的Agents、進行微調(diào)以持續(xù)訓(xùn)練和優(yōu)化模型且無需管理底層基礎(chǔ)設(shè)施。此外Amazon Bedrock的首要任務(wù)便是利用多個基礎(chǔ)模型FM和尖端的AI生成功能例如使用更擅長文本生成、摘要、問答和代碼生成涵蓋Mistral 7B、Mixtral 8x7B和Mistral Large尖端模型的Mistral AI模型系列將這些復(fù)雜的文件與法規(guī)內(nèi)容轉(zhuǎn)化為易于理解的語言基于交易規(guī)則文件創(chuàng)建AI聊天機器人讓任何人都能夠查詢有關(guān)交易規(guī)則的問題。不僅如此這一模型在創(chuàng)建期間集成了不僅包括紐交所同時還涵蓋所有美國交易所的2萬頁規(guī)則使AI機器人的回答覆蓋范圍更廣提升詢問者的使用體驗。AI智能回答交互利用生成式AI提效海量信息處理紐交所數(shù)據(jù)運營的開創(chuàng)性解法相較傳統(tǒng)的法規(guī)普及與解說模式由AI聊天機器人提供的答疑互動一方面顯著提升了提問者的咨詢效率通過參照可反復(fù)查閱的文字記錄能夠得出更令人滿意的回答。另一方面也降低了提問者對交易所工作人員的服務(wù)依賴使得紐交所能夠釋放更多人力資源到其它崗位提升分析師人才的利用率。同時模型的機器學(xué)習(xí)還能夠時刻保持對法規(guī)文件的最新時效性解讀降低了提問者從非專業(yè)渠道、非官方途徑記憶獲取過時法規(guī)信息帶來的風(fēng)險因素。由于交易市場每天都會涌現(xiàn)海量的新聞報道和客戶交流信息因此紐交所使用Amazon Bedrock開發(fā)了針對金融市場的文本情感的分析應(yīng)用即利用大語言模型LLMs對這些非結(jié)構(gòu)化數(shù)據(jù)進行內(nèi)容提取在海量文本中提取關(guān)鍵信息并生成摘要通過深入分析這些信息判斷對股票價格走勢的潛在影響。事實上LLMs在諸多領(lǐng)域中都有廣泛應(yīng)用例如創(chuàng)建聊天機器人或虛擬助手準(zhǔn)確響應(yīng)某類特定客戶的需求高精準(zhǔn)度的不同語言文本翻譯內(nèi)容生成和代碼補全等。但對于紐交所這樣的證券機構(gòu)而言LLMs在挖掘市場動態(tài)、投資者情緒、洞察新聞事件對市場潛在影響等方面的能力更有價值在此模型上創(chuàng)建的聊天機器人也可以成為交易人投資決策的輔助工具。據(jù)報道數(shù)據(jù)顯示LLMs極大改善了傳統(tǒng)的問答搜索工具體驗顯著減少了失敗的搜索次數(shù)并提升了整體性能其廣泛應(yīng)用降低了80%的人工工作量在自動化任務(wù)執(zhí)行中達到了約90%的準(zhǔn)確率。通常而言這些基于LLMs創(chuàng)建的工具在正式投入使用前需要幾個重要階段。首先是收集大量的文本數(shù)據(jù)包括書籍、文章、網(wǎng)站等多樣化的數(shù)據(jù)集確保模型學(xué)習(xí)廣泛的語言模式和概念再經(jīng)過數(shù)據(jù)預(yù)處理將其格式化為適合訓(xùn)練的結(jié)構(gòu)也就是數(shù)據(jù)收集與預(yù)處理隨后需要選擇和配置符合使用者需求的神經(jīng)網(wǎng)絡(luò)模型的架構(gòu)一般大模型的性能更強但需要更多算力資源來支持訓(xùn)練和推理接下來將模型配置在預(yù)處理過的文本數(shù)據(jù)上進行訓(xùn)例如基于前一個或幾個詞來預(yù)測句子中的下一個詞這涉及到使用反向傳播和隨機梯度下降等優(yōu)化算法來調(diào)整模型的參數(shù)權(quán)重和偏差模型訓(xùn)練階段時間一般取決于模型大小和算力的支持度在初始訓(xùn)練完成后使用者就可以利用各類指標(biāo)對模型性能進行評估微調(diào)或改善某些特定性能使用如醫(yī)療、教育、制造業(yè)等領(lǐng)域的較小數(shù)據(jù)集繼續(xù)訓(xùn)練模型更適應(yīng)其在不同行業(yè)內(nèi)應(yīng)用的細微差別。由于證券市場中一直存在著部分欺詐、有害或誤導(dǎo)信息操縱擾亂市場依靠人力和傳統(tǒng)監(jiān)測方式難有效應(yīng)對的現(xiàn)象。因此紐交所利用Amazon Bedrock中的LLMs以及經(jīng)過微調(diào)的模型在實時分析和監(jiān)控市場動態(tài)的同時創(chuàng)建了Guardrails功能。它允許客戶在單一服務(wù)中同時擁有內(nèi)置和定制的防護機制對需要針對主觀標(biāo)準(zhǔn)或需要細致判斷的內(nèi)容建立信息審核模型控制過濾不良和有害內(nèi)容根據(jù)特定應(yīng)用場景的指標(biāo)如相關(guān)性、風(fēng)格和品牌聲量對模型進行評估為監(jiān)管機構(gòu)提供及時預(yù)警。在創(chuàng)建Guardrails時客戶只需提供一個自然語言描述來定義其應(yīng)用程序上下文中不予顯示的主題設(shè)置閾值以過濾如仇恨言論、侮辱、黃色用語或在提示詞中含有攻擊和暴力性等內(nèi)容即可去除個人信息和敏感信息、褻瀆語言、特定詞匯阻擋高達約85%的有害內(nèi)容。顯然這種欺詐信息監(jiān)控方式在增強紐交所信息監(jiān)管精確度的同時也顯著提升了分析師們的工作效率。紐交所高級技術(shù)總監(jiān)Anand Pradha除以上應(yīng)用場景外據(jù)Anand Pradha公布的紐交所機器學(xué)習(xí)計劃展示未來將從整理交易規(guī)則文檔情報、搜集新聞和市場情緒分析、檢測異常網(wǎng)絡(luò)流量、數(shù)據(jù)質(zhì)量檢查、債券價格郵件解析、轉(zhuǎn)化復(fù)雜報價信息、欺詐信息檢測和檢測抵押文件時效8個方面部署和測試生成式AI。隨著算法模型的持續(xù)優(yōu)化和算力資源的不斷提升生成式AI未來將在數(shù)據(jù)處理、內(nèi)容創(chuàng)作、投資決策等諸多場景都將發(fā)揮更重要的作用企業(yè)的技術(shù)體系、組織架構(gòu)、商業(yè)模式、產(chǎn)業(yè)形態(tài)將被加速重構(gòu)迎來巨大的機遇與挑戰(zhàn)。正如Gartner報告預(yù)測到2025年綜合數(shù)據(jù)的使用將使機器學(xué)習(xí)所需的真實數(shù)據(jù)總量減少70%大型組織有30%營銷信息由AI生成。到2026年將有超過1億人會和生成式AI一起工作各司其職到2027年將有近15%新應(yīng)用程序由AI自動生成無需人工參與。在金融證券市場多數(shù)券商均表示看好生成式AI在業(yè)內(nèi)的發(fā)展前景并預(yù)測其成為證券從業(yè)者輔助決策、趨勢研究、風(fēng)險管理、監(jiān)控信息、信息交互的重要基礎(chǔ)設(shè)施。而作為全球金融領(lǐng)域的領(lǐng)導(dǎo)者紐交所其行業(yè)數(shù)據(jù)積累豐富及較高的專業(yè)壁壘與生成式AI模型存在著高適配度也將是更適合生成式AI模型進行學(xué)習(xí)和訓(xùn)練土壤。我們正處在Agentic AI爆發(fā)前夜。企業(yè)要從成本優(yōu)化轉(zhuǎn)向創(chuàng)新驅(qū)動通過完善的數(shù)據(jù)戰(zhàn)略和AI云服務(wù)把握全球化機遇。亞馬遜將投入1000億美元在AI算力、云基礎(chǔ)設(shè)施等領(lǐng)域通過領(lǐng)先的技術(shù)實力和幫助“中國企業(yè)出?！昂汀狈?wù)中國客戶創(chuàng)新“的豐富經(jīng)驗助力企業(yè)在AI時代突破。