FSI가 에이전틱 AI로 HFT 분석을 혁신한 방법(GBL302)

세션 노트

소개

• 면책 조항: 표현된 견해는 개인적인 것이며 공식적인 AWS 또는 제휴 조직 입장이 아닙니다. 재정적 또는 전문적인 조언이 아닌 정보 제공 목적으로만 사용됩니다.
• 거래 생태계 개요
• 참여자: 구매자와 판매자는 거래소에서 주문을 합니다.
• 시장 유동성: 유동성이 부족할 수 있습니다.
• 시장 조성자의 역할: 지속적인 매수 및 매도 주문을 보장하여 유동성과 거래 상대방을 제공합니다.
• 주문장 추상화
• 입찰 주문(왼쪽): 구매자의 주문.
• 주문요청(오른쪽) : 판매자의 주문입니다.
• Y축: 각 가격 수준의 누적 수량.
• 가격 수준: 오른쪽에 가까울수록 가격이 높아집니다.
• 마켓메이커의 일상 업무
• 여러 입찰 및 주문을 요청하세요.
• 위험 관리: 뉴스나 발표는 상당한 시장 움직임을 유발할 수 있습니다.
• 재고 관리: 갑작스러운 시장 변화로 인한 손실을 방지하는 데 중요합니다.
• 시장 조성자를 위한 이상적인 시장 조건
• 통제된 변동성: 작은 시장 변동.
• 빠른 실행: 입찰 및 요청 주문이 빠르게 실행됩니다.
• 높은 회전율: 거래당 작은 이익에도 불구하고 높은 거래 빈도는 상당한 전체 이익으로 이어질 수 있습니다.

마켓 메이커 전략 및 변동성 요인

스프레드와 이익 상충관계

• 스프레드 증가: 시장 조성자는 거래당 더 높은 이익을 위해 스프레드 확대를 고려할 수 있습니다.
• 절충: 스프레드가 높을수록 실행 횟수가 줄어들어 전체 이익이 감소할 수 있습니다.
• 고주파 거래: 시장 조성자는 종종 회전율을 극대화하기 위해 더 적은 이익으로 빈번한 거래를 선택합니다.
• 변동성 및 스프레드 조정
• 변동성 영향: 변동성은 가격 책정의 핵심 요소입니다. 시장 조성자는 예상되는 변동성에 따라 스프레드를 조정합니다.
• 이벤트 중심 변동성: 예에는 연준 금리에 대한 FOMC 회의가 포함됩니다.
• 신속한 분석 및 조치: 시장 조성자는 손실을 피하기 위해 신속하게 뉴스를 분석하고 주문을 조정해야 합니다.
• 시장을 움직이는 사건의 예
• FOMC 회의: 출시 시간과 결과가 알려진 예측 가능한 이벤트.
• 소셜 미디어 영향: 영향력 있는 인물(예: Trump, Elon Musk)의 트윗과 같은 예측할 수 없는 이벤트는 즉각적인 시장 반응을 일으킬 수 있습니다.
• Dogecoin 예: 암호화폐에 대한 Elon Musk의 트윗은 급격한 가격 변동으로 이어질 수 있으며, 이는 소셜 미디어 기반 뉴스를 해석하는 데 있어 예측 불가능성과 어려움이 있음을 보여줍니다.

디지털 자산 시장 감정 분석의 과제

디지털 자산의 영향력 있는 영향력

• 예측할 수 없는 성격: Elon Musk와 같은 인플루언서의 트윗은 암호화폐 가격에 빠르게 영향을 미칠 수 있습니다.
• 해석의 어려움: 트윗은 주관적인 경우가 많으며 지능적인 해석이 필요합니다.
• 분석 속도: 인간의 판단은 실시간 거래에 비해 너무 느립니다. 자동화된 솔루션이 필요합니다.
• 감정 분석 접근법의 진화
• 사전 접근 방식: 업계 어휘(예: 약세, 강세) 및 패턴 매칭을 사용하는 초기 방법입니다.
• 제한사항:
• 제한된 어휘 및 열악한 맥락 처리(예: "대규모 단기 청산 이벤트"를 부정적으로 잘못 해석함)
• 통계적 매칭 및 머신러닝:
• Naive Bayes 또는 FinBERT와 같은 모델을 사용하여 지도 학습으로 전환하세요.
• 장점: 더 나은 일반화 및 상황 이해.
• 과제: 광범위한 레이블이 지정된 데이터가 필요하므로 비용이 많이 들고 시장 출시 시간이 길어집니다.
• 고급 솔루션의 필요성
• 실시간 분석: 시장 동향을 따라잡기 위해서는 신속하고 자동화된 감정 분석이 필요합니다.
• 상황 인식: 솔루션은 상황을 정확하게 해석하여 신뢰할 수 있는 감정 분석을 제공해야 합니다.

LLM(대형 언어 모델)을 통한 감정 분석의 발전

Transformer 기반 다중모달 추론

• LLM, Claude 및 DeepSeek와 같은 최신 LLM을 사용하면 최소한의 미세 조정으로 상황 인식 감정 분석이 가능합니다.
• 특정 뉴스 제목 및 도메인별 이벤트(예: 프로토콜 악용)에 대해 추론할 수 있습니다.
• 추론 성능 최적화
• 짧은 시간 내에 역동적인 시장에서 실시간 감정 분석에 매우 중요합니다.
• 최적화의 여정:
• 2월 2025: P5EN 인스턴스에서 SageMaker Jumpstart를 사용한 초기 배포로 초당 80 출력 토큰을 달성했습니다.
• 4월 2025: VLLM로 전환하여 다중 토큰 예측, 혼합 정밀도, 선형 주의 및 분산 병렬 처리를 활성화하고 초당 140 출력 토큰 성능을 향상했습니다.
• 8월 2025: VLLM를 SGLN로 대체하고 추측 디코딩을 활용하여 초당 180 출력 토큰을 달성합니다.
• 최적화의 중요성
• 높은 이벤트 볼륨: 10,000 분당 이벤트를 사용하면 밀리초마다 추론 지연 시간이 늘어납니다.
• 두 배의 처리 용량: 80에서 180로 초당 출력 토큰을 늘리면 동일한 시간 창 내에서 뉴스 수집 처리가 두 배로 늘어납니다.
• 종단 간 지연 시간: 10 초 미만으로 달성되어 역선택을 방지합니다.
• 구현 개요
• 1일 차 아키텍처: 최적화된 감정 분석 솔루션을 배포하는 데 사용되는 초기 설정 및 구성 요소입니다.

감정 분석의 첫 번째 아키텍처 및 중복 처리

첫날 아키텍처

• 뉴스 수집: 뉴스 스트리밍 API는 X-ray 버킷에 데이터를 공급하여 자산, 긴급성 및 감정을 기반으로 분류하기 위한 Lambda 함수를 트리거합니다.
• 메타데이터 태깅: Lambda 함수는 deepseek 모델을 트리거하여 Aurora Prospects 및 OpenSearch와 같은 데이터베이스에 메타데이터를 태그 지정합니다.
• 사용자 상호 작용: QCLI 터미널을 사용하면 거래자와 분석가가 Claude와 같은 LLM을 사용하여 뉴스 소스에 특정 정보(예: Trump 발표 또는 Elon Musk의 트윗에 대한 최신 뉴스)를 쿼리할 수 있습니다.
• 암호화폐 뉴스의 복제 문제
• 문제: 동일한 뉴스가 몇 분 내에 다양한 플랫폼(Twitter, Reddit, Discord, Telegram)에서 여러 번 보고되었습니다.
• 비용 및 대기 시간: 값비싼 LLM을 통해 모든 중복을 처리하면 비용과 대기 시간이 늘어납니다.

복제 파이프라인

단계 1: 임베딩

• VGEM3와 같은 임베딩 모델을 사용하여 Lambda에서 임베딩을 계산합니다.
• 단계 2: 유사성 검사:
• 유사성 > 0.75인 경우: 중복으로 표시하고 OpenSearch에서 중복된 컬렉션에 삽입하여 처리를 방지합니다.
• 유사성이 < 0.5인 경우: 고유할 가능성이 높음. OpenSearch의 고유한 컬렉션을 통해 역사 뉴스를 확인하세요.
• 단계 3: 분석:
• 정말 고유한 경우 거의 실시간 예측, 확대 권장 사항 확산, 자산 영향 평가 및 가격 변동 확률을 수행합니다.
• 4 단계: 예측 보고서 생성:
• 행동에 대한 인간의 결정을 위해 트레이더 덱 선택 채널에 보고서를 보냅니다.

미세 조정 임베딩

• 일반 임베딩 모델은 암호화 관련 중복을 효과적으로 처리하지 못할 수 있습니다.
• 미세 조정의 중요성: 암호화폐 뉴스의 수천 개의 쿼리 문서 쌍에 대한 기본 BGEM3의 성능을 보여주는 산점도로 설명됩니다.

임베딩 및 에이전트 아키텍처 미세 조정

초기 산점도

• 녹색 점: 유사성 점수가 높은 중복 뉴스 기사(>0.75).
• 빨간색 점: 유사성 점수가 낮은 중복되지 않은 뉴스 기사(<0.5).
• Muddy Middle(주황색): 0.5와 0.75가 중복되어 분리가 효과적이지 않음을 나타냅니다.
• 미세 조정된 BGEM3:
• 수천 개의 암호화폐 뉴스 기사를 미세 조정한 후 녹색 점과 빨간색 점을 명확하게 구분합니다.
• 0.3와 0.6 유사성 점수를 깔끔하게 분리하여 중간 부분을 제거합니다.
• 560 백만 개의 매개변수를 사용하여 미세 조정된 작은 임베딩 모델입니다.
• 에이전트 아키텍처 및 프롬프트 엔지니어링
• LLM을 미세 조정할 필요가 없습니다. 신속한 엔지니어링으로 충분합니다.
• 에이전트 아키텍처의 힘:
• Cock과 같은 일반 추론 모델을 사용한 계층적 작업 분해.
• 비용 효율적이고 빠른 시장 출시 결과를 위한 전문화된 임베딩 레이어입니다.
• 아키텍처를 통한 편견 제거.
• 새로운 사건에 대해 추론하는 교육 시스템입니다.
• 빠른 데모
• Trader Decks: 오른쪽에는 뉴스 채널이 표시됩니다.
• 왼쪽: 파이프라인에 의해 분석된 스트리밍 뉴스.
• 예:
• SEC 서류: 분석되었지만 시장에 영향을 미치지 않는 것으로 거래자에게 전송되지 않았습니다.
• 정기 뉴스: 영향이 없는 것으로 분류됩니다.
• 영향력 있는 뉴스: 예를 들어 중국이 적대적으로 변하고 있다는 트럼프의 트윗은 시장에 영향을 주는 것으로 판별되어 스프레드 조정 결정을 위해 트레이더에게 전송되었습니다.
• 주요 시사점
• 미세 조정을 통해 에이전트 아키텍처를 사용합니다.
• 일반 추론 모델을 사용한 계층적 작업 분해.
• 비용 효율성과 더 빠른 결과를 위한 전문화된 임베딩 레이어입니다.
• 지속적인 시스템 개선을 위해 트레이더 피드백 루프를 포함한 사람 참여형 방식을 사용합니다.
• 24/7 사람의 감독으로 실시간 적용됩니다.

🚀 AWS 에이전트적 뉴스 분석을 위한 매크로 서비스를 사용하는 디지털 자산 마켓 메이커

😀 면책조항: 표현된 견해는 개인적이며 공식 AWS 또는 제휴 기관이 아닙니다.

위치. 재정적 또는 전문적인 조언이 아닌 정보 제공 목적으로만 사용됩니다.

💼 거래 생태계 개요

• 🔹 참여자: 구매자와 판매자는 거래소에서 주문을 합니다.
• 🔹 시장 유동성: 유동성이 부족할 수 있습니다.
• 🔹 마켓 메이커의 역할: 지속적인 구매 및 판매 주문을 보장하고 유동성과 거래 상대방을 제공합니다.

📊 주문서 추상화

• 🔹 입찰 주문(왼쪽): 구매자의 주문.
• 🔹주문요청(오른쪽) : 판매자의 주문입니다.
• 🔹 Y축: 각 가격 수준의 누적 수량.
• 🔹 가격 수준: 오른쪽에 가까울수록 가격이 높아집니다.

💰 마켓 메이커의 일상 업무

• 🔹 여러 입찰을 하고 주문을 요청하세요.
• 🔹 위험 관리: 뉴스나 발표는 상당한 시장 움직임을 유발할 수 있습니다.
• 🔹 재고 관리: 갑작스러운 시장 변화로 인한 손실을 방지하는 데 중요합니다.

🎯 마켓 메이커를 위한 이상적인 시장 조건

• 🔹 통제된 변동성: 작은 시장 변동.
• 🔹 빠른 실행: 입찰 및 요청 주문이 빠르게 실행됩니다.
• 🔹 높은 회전율: 거래당 작은 이익에도 불구하고 높은 거래 빈도로 인해 전체 이익이 크게 늘어날 수 있습니다.

📈 마켓 메이커 전략 및 변동성 요인

• 🔹 스프레드와 이익 트레이드오프
• 🔸 스프레드 증가: 마켓 메이커는 더 높은 이익을 위해 스프레드 확대를 고려할 수 있습니다.
• 🔸 절충: 스프레드가 높을수록 실행 횟수가 줄어들어 전체 수익이 감소할 수 있습니다. 거래.
• 🔸 고주파 거래: 시장 조성자는 종종 회전율을 극대화하기 위해 더 적은 이익으로 빈번한 거래를 선택합니다.
• 🔹 변동성 및 스프레드 조정
• 🔸 변동성 영향: 변동성은 가격 책정의 핵심 요소입니다. 시장 조성자는 다음에 따라 스프레드를 조정합니다.
• 🔸 이벤트 중심 변동성: 예에는 연준 금리에 대한 FOMC 회의가 포함됩니다. 예상되는 변동성.
• 🔸 신속한 분석 및 조치: 시장 조성자는 손실을 피하기 위해 신속하게 뉴스를 분석하고 주문을 조정해야 합니다.
• 🔹 시장을 움직이는 이벤트의 예
• 🔸 FOMC 회의: 출시 시간과 결과가 알려진 예측 가능한 이벤트.
• 🔸 소셜 미디어 영향: 영향력 있는 인물(예: 트럼프,
• 🔸 Dogecoin 예: 암호화폐에 대한 Elon Musk의 트윗은 급격한 가격 상승으로 이어질 수 있습니다. Elon Musk)는 즉각적인 시장 반응을 일으킬 수 있습니다.

변경은 소셜 미디어 중심 뉴스 해석의 예측 불가능성과 어려움을 보여줍니다.

🤖 디지털 자산 시장 감성 분석의 과제

• 🔹 디지털 자산의 인플루언서 영향
• 🔸 예측할 수 없는 자연: Elon Musk와 같은 인플루언서의 트윗은 빠르게 영향을 미칠 수 있습니다.
• 🔸 해석 난이도: 트윗은 주관적인 경우가 많아 지능적인 해석이 필요합니다. 암호화폐 가격.
• 🔸 분석 속도: 인간의 판단은 실시간 거래에 비해 너무 느립니다. 자동화된 솔루션이 필요합니다.
• 🔹 감정 분석 접근 방식의 진화
• 🔸 사전 접근 방식: 업계 어휘(예: 약세, 강세) 및 패턴을 사용한 초기 방법
• 🔸 제한 사항: 제한된 어휘 및 열악한 문맥 처리(예: '대규모 일치'를 잘못 해석함)

단기 청산 이벤트'는 부정).

• 🔹 통계적 매칭과 머신러닝
• 🔸 Naive Bayes 또는 FinBERT와 같은 모델을 사용하여 지도 학습으로 전환하세요.
• 🔸 장점: 일반화 및 상황 이해가 더 좋습니다.
• 🔸 과제: 광범위한 레이블이 지정된 데이터가 필요하므로 비용이 많이 들고 출시 기간이 길어집니다.
• 🔹 고급 솔루션 필요
• 🔸 실시간 분석: 최신 트렌드를 따라잡기 위한 신속하고 자동화된 감정 분석의 필요성
• 🔸 상황 인식: 솔루션은 신뢰할 수 있는 정서 시장 움직임을 제공하기 위해 상황을 정확하게 해석해야 합니다.

분석.

🧠 LLM(대형 언어 모델)을 통한 감정 분석의 발전

• 🔹 Transformer-Based 다중모달 추론
• 🔸 LLM, Clock 및 DeepSeek와 같은 최신 LLM을 사용하면 최소한의 미세 조정으로 상황 인식 감정 분석이 가능합니다.
• 🔸 특정 뉴스 제목 및 도메인별 이벤트(예: 프로토콜 악용)에 대해 추론할 수 있습니다.
• 🔹 추론 성능 최적화
• 🔸 시간이 짧은 역동적인 시장에서 실시간 감정 분석에 매우 중요합니다.
• 🔹 최적화 여정:
• 🔸 2월 2025: P5EN 인스턴스에서 SageMaker Jumpstart를 사용한 초기 배포,
• 🔸 4월 2025: VLLM로 전환되어 다중 토큰 예측, 혼합 정밀도, 초당 80 출력 토큰의 선형 달성이 가능해졌습니다.
• 🔸 8월 2025: VLLM를 SGLN로 대체하고, 추측적 디코딩을 활용하여 180 주의를 기울이고 분산 병렬 처리를 활용하여 초당 140 출력 토큰 성능을 높였습니다.

초당 토큰을 출력합니다.

• 🔹 최적화의 중요성
• 🔸 높은 이벤트 볼륨: 10,000 분당 이벤트, 추론 대기 시간의 매 밀리초
• 🔸 두 배의 처리 용량: 80에서 180로 초당 출력 토큰을 늘리면 화합물이 두 배로 늘어납니다.
• 🔸 종단 간 지연 시간: 10 초 미만으로 달성되어 역선택을 방지합니다. 동일한 기간 내에 뉴스 수집을 처리합니다.
• 🔹 구현 개요
• 🔸 첫날 아키텍처: 최적화된 감정 분석 솔루션을 배포하는 데 사용되는 초기 설정 및 구성 요소입니다.

📡 감정 분석의 첫 번째 아키텍처 및 중복 처리

• 🔹 첫날 아키텍처
• 🔸 뉴스 수집: 뉴스 스트리밍 API는 X-ray 버킷에 데이터를 공급하여 Lambda를 트리거합니다.
• 🔸 메타데이터 태깅: Lambda 함수는 자산, 긴급성 및 정서를 기반으로 분류하기 위해 데이터베이스 기능에 메타데이터를 태그하는 deepse 모델을 트리거합니다.
• 🔸 사용자 상호 작용: QCLI 터미널을 사용하면 거래자와 분석가가 Aurora Prospects 및 OpenSearch와 같은 뉴스 소스를 쿼리할 수 있습니다.

특정 정보에 대한 시계와 같은 LLM(예: Trump 발표 또는 Elon에 대한 최신 뉴스)

머스크 트윗).

• 🔹 암호화폐 뉴스 중복 챌린지
• 🔸 문제: 다양한 플랫폼(Twitter, Reddit, Discord,
• 🔸 비용 및 지연 시간: 값비싼 LLM을 통해 모든 중복을 처리하면 몇 분 안에 비용과 텔레그램이 증가합니다.

대기 시간.

• 🔹 복제 파이프라인
• 🔸 단계 1: 임베딩
• 🔹 VGEM3와 같은 임베딩 모델을 사용하여 Lambda에서 임베딩을 계산합니다.
• 🔸 단계 2: 유사성 검사:
• 🔹 유사성 > 0.75인 경우: 중복으로 표시하고 OpenSearch에서 중복된 컬렉션에 삽입하여
• 🔹 유사성 < 0.5: 고유할 가능성이 높음; 처리를 피하기 위해 OpenSearch의 고유 컬렉션을 확인하세요.
• 🔸단계 3: 분석: 역사 뉴스.
• 🔹 정말 독특하다면 실시간에 가까운 예측을 수행하고 확대 추천을 전파하고 자산을 확장하세요.
• 🔸 단계 4: 예측 보고서 생성: 영향 평가 및 가격 변동 확률.
• 🔹 행동에 대한 인간의 결정을 위해 트레이더 덱 선택 채널에 보고서를 보냅니다.
• 🔹 임베딩 미세 조정
• 🔸 일반 임베딩 모델은 암호화 관련 중복을 효과적으로 처리하지 못할 수 있습니다.
• 🔸 미세 조정의 중요성: 암호화폐 뉴스의 수천 개의 쿼리 문서 쌍에 대한 기본 BGEM3의 성능을 보여주는 산점도로 설명됩니다.

🔧 임베딩 및 에이전트 아키텍처 미세 조정

• 🔹 초기 산점도:
• 🔸 녹색 점: 유사성 점수가 높은 중복 뉴스 기사(>0.75).
• 🔸빨간 점: 유사성 점수가 낮은 중복되지 않은 뉴스 기사(<0.5).
• 🔸 Muddy Middle(주황색): 0.5와 0.75가 중복되어 분리가 효과적이지 않음을 나타냅니다.
• 🔹 미세 조정 BGEM3:
• 🔸 수천 개의 암호화폐 뉴스 기사를 미세 조정한 후,
• 🔸 0.3 와 0.6 유사성 점수를 깔끔하게 분리하여 중간 부분을 제거합니다. 녹색과 빨간색 점.
• 🔸 560 백만 매개변수를 사용하여 미세 조정된 작은 임베딩 모델.
• 🔹 에이전트 아키텍처 및 프롬프트 엔지니어링
• 🔸 LLM을 미세 조정할 필요가 없습니다. 신속한 엔지니어링으로 충분합니다.
• 🔹 에이전트 아키텍처의 힘:
• 🔸 Cock과 같은 일반 추론 모델을 사용한 계층적 작업 분해.
• 🔸 비용 효율적이고 빠른 시장 출시 결과를 위한 전문 임베딩 레이어입니다.
• 🔸 건축을 통한 편견 제거.
• 🔸 새로운 사건에 대해 추론하는 교육 시스템.
• 🔹 빠른 데모
• 🔸 Trader Decks: 오른쪽에는 뉴스 채널이 표시됩니다.
• 🔸 왼쪽: 파이프라인으로 분석된 스트리밍 뉴스.
• 🔸 예:
• 🔹 SEC 파일링: 분석되었지만 시장에 움직이지 않는 것으로 트레이더에게 전송되지 않았습니다.
• 🔹 정기뉴스 : 영향 없는 뉴스로 분류됩니다.
• 🔹 영향력 있는 뉴스: 예를 들어 중국이 적대적으로 변하고 있다는 트럼프의 트윗은 시장에 영향을 주는 것으로 판별되어 스프레드 조정 결정을 위해 트레이더에게 전송되었습니다.
• 🔹 주요 사항
• 🔸 미세 조정보다 에이전트 아키텍처를 사용합니다.
• 🔸 일반 추론 모델을 사용한 계층적 작업 분해.
• 🔸 비용 효율성과 더 빠른 결과를 위한 전문 임베딩 레이어입니다.
• 🔸 지속적인 시스템 개선을 위해 트레이더 피드백 루프를 포함한 사람 참여형 방식을 사용합니다.
• 🔸 24/7 사람의 감독으로 실시간 보도됩니다.

AWS re:Invent 요약 (GBL302)

🚀 AWS 매크로 서비스를 이용한 디지털 자산 마켓 메이커를 위한 프록시 뉴스 분석

😀 면책조항: 표현된 견해는 개인적이며 AWS 또는 관련 기관의 공식 입장을 대변하지 않습니다. 정보 제공 목적으로만,

는 재정적 또는 전문적 조언을 구성하지 않습니다.

💼 거래 생태계 개요

• 🔹 참여자: 구매자와 판매자는 거래소에서 주문을 합니다.
• 🔹 시장 유동성: 유동성이 부족할 수 있습니다.
• 🔹 시장 조성자의 역할: 지속적인 매수 및 매도 주문을 보장하고 유동성과 거래 상대방을 제공합니다.
• 📊 주문서 추상화
• 🔹 매수주문(왼쪽) : 구매자의 주문.
• 🔹 매도주문(오른쪽) : 판매자의 주문.
• 🔹 Y축: 각 가격 수준의 누적 크기입니다.
• 🔹 가격 수준: 가격이 높을수록 오른쪽에 가깝습니다.
• 💰 시장 조성자의 일상 업무
• 🔹 여러 개의 매수 및 매도 주문을 하세요.
• 🔹 위험 관리: 뉴스나 발표로 인해 상당한 시장 움직임이 발생할 수 있습니다.
• 🔹 재고 관리: 급격한 시장 변화로 인한 손실을 피하는 것이 중요합니다.
• 🎯 시장 조성자를 위한 이상적인 시장 조건
• 🔹 통제 가능한 변동성: 작은 시장 변동.
• 🔹 빠른 실행: 매수 및 매도 주문이 빠르게 실행됩니다.
• 🔹 높은 회전율: 거래당 이익은 적지만 거래 빈도가 높으면 전체 이익이 크게 늘어날 수 있습니다.

📈 마켓 메이커 전략 및 변동성 요인

• 🔹 스프레드와 이익 트레이드오프
• 🔸 스프레드 증가: 마켓 메이커는 거래당 더 높은 수익을 달성하기 위해 스프레드 확대를 고려할 수 있습니다.
• 🔸 절충: 스프레드가 높을수록 실행 횟수가 적어져 전체 수익이 감소할 수 있습니다.
• 🔸 고빈도 거래: 시장 조성자는 종종 회전율을 극대화하기 위해 더 적은 이익을 위해 자주 거래하는 것을 선택합니다.
• 🔹 변동성 및 스프레드 조정
• 🔸 변동성 영향: 변동성은 가격 책정의 핵심 요소입니다. 시장 조성자는 예상되는 변동성에 따라 스프레드를 조정합니다.
• 🔸 이벤트 중심 변동성: 예: FOMC 회의가 연방기금 금리에 미치는 영향.
• 🔸 빠른 분석 및 조치: 시장 조성자는 손실을 피하기 위해 신속하게 뉴스를 분석하고 주문을 조정해야 합니다.
• 🔹 마켓 드라이빙 이벤트 예시
• 🔸 FOMC 컨퍼런스: 출시 시간과 결과가 알려진 예측 가능한 이벤트입니다.
• 🔸 소셜 미디어 영향: 영향력 있는 인물(예: Trump, Elon Musk)의 트윗과 같은 예측할 수 없는 이벤트로 인해
• 🔸 Dogecoin 예: 암호화폐에 대한 Elon Musk의 트윗은 급격한 가격 변동으로 이어질 수 있으며, 이는 소셜 미디어가 주도하는 즉각적인 시장 반응을 보여줍니다.

뉴스의 예측 불가능성과 해석의 어려움.

🤖 디지털 자산 시장 심리 분석의 과제

• 🔹 디지털 자산의 인플루언서 영향
• 🔸 예측 불가능성: Elon Musk와 같은 인플루언서의 트윗은 암호화폐 가격에 빠르게 영향을 미칠 수 있습니다.
• 🔸 해석의 어려움: 트윗은 주관적인 경우가 많아 지능적인 해석이 필요합니다.
• 🔸 분석 속도: 실시간 거래에는 인간의 판단이 너무 느립니다. 자동화된 솔루션이 필요합니다.
• 🔹 감정 분석 방법의 진화
• 🔸 사전 접근 방식: 업계 어휘(예: 약세, 강세) 및 패턴 매칭을 사용한 초기 접근 방식입니다.
• 🔸 제한 사항: 어휘가 제한적이고 문맥 처리가 불량합니다(예: "대규모 단기 청산 이벤트"를 부정적으로 잘못 해석함).
• 🔹 통계적 매칭과 머신러닝
• 🔸 Naive Bayes 또는 FinBERT와 같은 모델을 사용하여 지도 학습으로 전환하세요.
• 🔸 장점: 일반화 및 상황별 이해가 향상됩니다.
• 🔸 과제: 대량의 레이블이 지정된 데이터가 필요하므로 비용이 많이 들고 출시 기간이 길어집니다.
• 🔹 고급 솔루션에 대한 수요
• 🔸 실시간 분석: 시장 동향을 따라가려면 빠르고 자동화된 감정 분석이 필요합니다.
• 🔸 상황 인식: 솔루션은 신뢰할 수 있는 감정 분석을 제공하기 위해 상황을 정확하게 해석해야 합니다.

🧠 대규모 언어 모델의 감성 분석 진행 (LLM)

• 🔹 Transformer 기반 다중 모달 추론
• 🔸 최신 LLM(예: LLM, Clock 및 DeepSeek)는 최소한의 미세 조정으로 상황 인식 감정 분석을 가능하게 합니다.
• 🔸 특정 뉴스 헤드라인 및 도메인별 이벤트(예: 프로토콜 취약점)에 대해 추론하는 능력.
• 🔹 추론 성능 최적화
• 🔸 시간이 짧은 역동적인 시장의 경우 실시간 감정 분석이 중요합니다.
• 🔹 최적화 프로세스:
• 🔸 2025 연도 2 월: P5EN 인스턴스의 초기 배포에 SageMaker Jumpstart를 사용하여 초당 80 출력을 달성합니다.
• 🔸 2025년 4월: VLLM로 전환하여 다중 토큰 예측, 혼합 정밀도, 선형 어텐션 및 분산 병렬 처리를 구현하여 성능을 향상합니다.
• 🔸 2025 연도 8 월: VLLM를 SGLN로 바꾸고 추측 디코딩을 활용하여 초당 180 출력 토큰을 달성합니다.
• 초당 140 출력 토큰으로 증가했습니다.
• 🔹 최적화의 중요성
• 🔸 높은 이벤트 볼륨: 10,000 분당 이벤트, 밀리초마다 추론 지연 시간이 누적됩니다.
• 🔸 처리 능력 두 배: 초당 출력 표시를 80에서 180로 늘려 동일한 시간 창에서 뉴스 수집 처리 속도를 두 배로 늘립니다.
• 🔸 종단 간 대기 시간: 역선택을 방지하려면 10 초 미만을 달성하세요.
• 🔹 구현 개요
• 🔸 첫날 아키텍처: 최적화된 감정 분석 솔루션을 배포하기 위한 초기 설정 및 구성 요소입니다.
• 📡 아키텍처 및 감정 분석의 1일차 중복 처리
• 🔹 첫날 아키텍처
• 🔸 뉴스 수집: 뉴스 스트리밍 API는 데이터를 X-ray 버킷으로 전송하고 Lambda 함수를 트리거하여 자산, 긴급도 및
• 🔸 메타데이터 태깅: Lambda 함수는 심층 모델을 트리거하여 분류를 위해 Aurora Prospects 및 Sentiment와 같은 데이터베이스에 메타데이터를 태그 지정합니다.
• 🔸 사용자 상호 작용: QCLI 터미널을 사용하면 거래자와 분석가가 LLM(예: OpenSearch의 시계)를 사용하여 특정 정보에 대한 뉴스 소스를 쿼리할 수 있습니다.

(예: Trump 발표 또는 Elon Musk 트윗의 최신 뉴스)

• 🔹 암호화폐 뉴스에서 반복되는 도전
• 🔸 문제: 단 몇 분만에 동일한 뉴스가 다양한 플랫폼(Twitter, Reddit, Discord, Telegram)에 여러 번 보도됩니다.
• 🔸 비용 및 대기 시간: 비용이 많이 드는 LLM를 통해 각 중복을 처리하면 비용과 대기 시간이 추가됩니다.
• 🔹 파이프라인 중복
• 🔸 단계 1: 삽입
• 🔹 VGEM3와 같은 임베딩 모델을 사용하여 Lambda에서 임베딩을 계산합니다.
• 🔸 단계 2: 유사성 검사:
• 🔹 유사성 > 0.75인 경우: 중복으로 표시하고 처리를 피하기 위해 OpenSearch에서 중복 모음에 삽입합니다.
• 🔹 유사성 < 0.5: 고유할 수 있음; 역사적인 뉴스를 보려면 OpenSearch의 고유한 컬렉션을 확인하세요.
• 🔸 단계 3: 분석:
• 🔹 정말로 유일한 경우라면 거의 실시간 예측을 수행하고 확대 권장사항 확산, 자산 영향 평가 및 가격 변동 확률을 확인하세요.
• 🔸 단계 4: 예측 보고서 생성:
• 🔹 인간이 행동을 결정할 수 있도록 트레이더 덱 선택 채널에 보고서를 보냅니다.
• 🔹 임베딩 미세 조정
• 🔸 일반 임베딩 모델은 암호화 관련 중복을 효율적으로 처리하지 못할 수 있습니다.
• 🔸 미세 조정의 중요성: 산점도를 통해 수천 개의 암호화된 뉴스 쿼리 문서 쌍에 대한 기본 BGEM3의 성능.

🔧 미세 조정된 임베딩 및 프록시 아키텍처

• 🔹 초기 산점도:
• 🔸 녹색 점: 유사성 점수가 높은 중복 뉴스 기사(> 0.75).
• 🔸 빨간색 점: 유사성 점수가 낮은 중복되지 않은 뉴스 기사(< 0.5).
• 🔸 흐릿한 가운데(주황색): 0.5와 0.75가 겹쳐서 분리 상태가 좋지 않음을 나타냅니다.
• 🔹 미세 조정 BGEM3:
• 🔸 수천 개의 암호화폐 뉴스 기사를 미세 조정한 결과 녹색 점과 빨간색 점 사이에 명확한 구분이 있습니다.
• 🔸 0.3 ~ 0.6 유사성 점수를 명확하게 구분하여 퍼지 중간 부분을 제거합니다.
• 🔸 5억 6천만 개의 매개변수를 사용하여 미세 조정된 소형 임베딩 모델입니다.
• 🔹 에이전트 아키텍처 및 프롬프트 프로젝트
• 🔸 LLM를 미세 조정할 필요가 없습니다. 힌트 프로젝트로 충분합니다.
• 🔹 에이전시 아키텍처의 힘:
• 🔸 계층적 작업 분해에는 일반적인 추론 모델(예: Cock)을 사용합니다.
• 🔸 비용 효율성과 출시 시간 단축을 위한 전용 임베딩 레이어입니다.
• 🔸 아키텍처를 통해 편견을 제거하세요.
• 🔸 새로운 이벤트에 대해 추론하도록 시스템을 가르칩니다.
• 🔹 빠른 데모
• 🔸 Trader Deck: 뉴스 채널이 오른쪽에 표시됩니다.
• 🔸왼쪽: 파이프라인으로 분석된 스트리밍 뉴스.
• 🔸 예:
• 🔹 SEC 파일: 분석되었지만 시장에 영향을 미치지 않으므로 트레이더에게 전송되지 않습니다.
• 🔹 정기뉴스 : 영향 없음으로 분류됩니다.
• 🔹 영향력 있는 뉴스: 중국이 적대적으로 변한다는 트럼프의 트윗과 같은 뉴스는 영향력 있는 것으로 식별되어 트레이더에게 전송되어 스프레드 조정을 결정합니다.
• 🔹 주요사항
• 🔸 미세 조정 대신 프록시 아키텍처를 사용하세요.
• 🔸 일반 추론 모델을 이용한 계층적 작업 분해.
• 🔸 비용 효율성과 더 빠른 결과를 위한 전문 임베딩 레이어입니다.
• 🔸 인간은 트레이더 피드백 루프에 참여하여 시스템을 지속적으로 개선합니다.
• 🔸 연중무휴 실시간으로 처리하며 사람이 감독합니다.