Pagbuo ng Hinaharap na Platform ng Trading na Gumagamit ng AI at AWS

Mga Tala ng Sesyon

Pagbuo ng hinaharap na platform ng kalakalan sa paggamit ng AI at AWS

(tinatampok ang LPL Financial) (itinampok ni Cognizant)

Panimula ng Sesyon

• Pag-modernize at pagbuo ng susunod na henerasyong platform ng kalakalan
• Kahalagahan ng bilis, sukat, katatagan, at katalinuhan sa pamamahala ng kayamanan
• Pangkalahatang-ideya ng agenda ng session Pangkalahatang-ideya ng industriya ng pamamahala ng yaman:
• Kahulugan at pangunahing layunin ng pamamahala ng kayamanan
• Laki ng industriya: $144 trilyong asset sa ilalim ng pamamahala, 300,000 financial advisors, 68 milyong kliyente
• Generational wealth transfer: $100 trilyong asset na lumilipat mula sa mga baby boomer patungo sa tech-savvy na susunod na henerasyon

Panimula sa LPL Financial

• Ang posisyon ni LPL bilang isang kumpanya ng Fortune 500 at ang nangungunang broker-dealer sa bansa
• Ang modelo ng negosyo ni LPL at kasalukuyang mga platform ng kalakalan Paliwanag ng isang independiyenteng broker-dealer:
• Isang kumpanya na nagpapahintulot sa mga tagapayo sa pananalapi na magpatakbo ng kanilang sariling mga negosyo habang nagbibigay ng kinakailangang suporta (teknolohiya, mga operasyon, pagsunod, atbp.) Ang posisyon ni
• LPL Financial:
• 32,000 tagapayo sa pananalapi
• $2.3 trilyong asset sa ilalim ng pamamahala ng LPL's customer-centric approach:
• Misyon: Upang matulungan ang mga kliyente na magtagumpay sa bawat hakbang
• Vision: Upang maging pinakamahusay na wealth management firm Mga kinakailangan sa teknolohiya para makamit ang vision ni LPL:
• Adaptive, cutting-edge, future-ready na teknolohiya Kahulugan ng pangangalakal sa LPL:
• Connective tissue para sa mga financial advisors sa merkado Behind-the-scenes trading process:
• Daan-daang mga system na may mataas na pagganap na gumagana nang sabay-sabay
• 2,000+ tseke na tumatakbo sa sub-milliseconds
• Pag-asa sa maraming kasosyo (mga sentro ng merkado, mga organisasyon ng fintech) Mga inaasahan ng user para sa pangangalakal:
• Mga ligtas na pangangalakal
• Palaging naka-on na mga sistema
• Mga instant, malapit na real-time na tugon
• Cost-effective na kalakalan Mga layunin sa teknolohiya upang makamit ang mga layunin ng negosyo:
• Walang mga insidente sa seguridad
• 100% na pagsunod
• Ultra-resilient, palaging naka-on na mga system na may mabilis na pagbawi
• Mga sistema ng pangangalakal na idinisenyo para sa pinakamataas na dami ng Cloud journey:
• Paulit-ulit at incremental na proseso, hindi isang big bang migration
• Analogy: Pagbuo ng skyscraper (pundasyon, core, kuryente, pagtutubero, mga automation)
• Hanggang 2024: Pag-migrate ng mga proseso mula sa mga on-prem na data center patungo sa cloud, pagpapatakbo ng mga kritikal na system sa EKS, paggamit ng AI at machine learning algorithm
• 2024 focus: Auto scaling at decoupling platform para sa mas mahusay na scalability
• Mga plano sa hinaharap: Pagpapahusay sa katatagan ng platform, paglipat mula sa multi-availability zone patungo sa multi-region, multi-availability zone, pagbabawas ng on-prem dependencies

Kasalukuyang arkitektura ng estado

• On-prem data center at multi-availability zone sa cloud
• Mga workflow na idinisenyo upang makipagkamay sa pagitan ng on-prem at cloud Kasalukuyang mga bahagi ng arkitektura ng estado mula sa AWS:
• S3 bucket para sa layer ng presentasyon at pag-render ng nilalaman
• EKS Kubernetes para sa walang server na disenyo at auto-scaling/self-healing architecture
• Postgres SQL para sa mga relational na pangangailangan at mataas na transaction throughput
• Dynamo DB para sa mga database ng dokumento (karamihan ay binabasa ang mga kaso ng paggamit)
• Memory DB para sa mababang latency, mataas na pag-compute sa mga proseso sa memorya
• Kafka bilang isang broker ng mensahe upang mabawasan ang mga cascading dependencies at pagkabigo
• SageMaker para sa machine learning algorithm at AI use case
• CloudWatch para sa instrumentation at end-to-end observability Mga layunin ng susunod na gen na arkitektura:
• Alisin ang on-prem dependency para sa tier one na kritikal na application
• Gamitin ang buong kapangyarihan ng cloud para sa end-to-end na resiliency at mas simpleng failover
• Paglipat sa isang aktibo, aktibong multi-rehiyon na kapaligiran
• Mga Hamon: Tinitiyak ang pagkakapare-pareho ng data sa mga rehiyon at pagsasaayos ng mga kahilingan sa pagitan ng maraming rehiyon sa isang aktibo, aktibong paraan
• Potensyal na solusyon: Paggamit ng Aurora DB para sa katutubong multi-region na suporta Pag-ampon ng susunod na gen na arkitektura:
• Bedrock kasama ng SageMaker para sa mas mahusay na pagsasama ng Gen AI at LLM sa mga pangunahing daloy ng trabaho
• Mas madaling learning curve gamit ang Bedrock

Kaso ng paggamit: Klein Works Rebalancer

• Ang flagship homegrown trading platform ng LPL
• Batay sa mga modelong nakabatay sa prinsipyo ng kalakalan
• Ang mga tagapayo ay gumagawa ng mga portfolio para sa mga kliyenteng may iba't ibang pangangailangan sa pamumuhunan, layunin, at profile ng panganib
• Ang mga merkado ay palaging nagbabago, na nagiging sanhi ng mga portfolio na lumihis mula sa kanilang nilalayon na diskarte
• Ang pangkalakal na nakabatay sa mga modelo ay awtomatiko ang proseso ng pagsasaayos ng mga portfolio upang matugunan ang mga layunin ng kliyente
• Isa-sa-maraming relasyon mula sa modelo hanggang sa mga account
• Nangyayari ang pangangalakal sa mga modelo, hindi sa mga indibidwal na account
• Gumagawa ang Client rebalancer ng milyun-milyong drift checks nang magkatulad, awtomatikong nagsasagawa ng mga trade, at ganap na sumusunod
• Analogy: Ang Client rebalancer ay parang GPS na nagre-recalibrate batay sa mga pattern ng trapiko
• Kasalukuyang ginagamit ng 14,000 tagapayo sa 32,000 sa
• LPL Financial
• Incremental na rollout sa nakalipas na 5 taon
• Mahigit sa 70 milyong trade ang naisagawa sa platform
• Isang milyong drift check ang ginagawa araw-araw

Kaso ng paggamit: Klein Works Rebalancer

• pinapagana ng AWS para sa hyperscaling
• Ang bawat trade sa platform ay nagsasagawa ng 50+ na pagsusuri (mga detalye ng account, presyo sa merkado, paglilisensya, mga panuntunan sa pagsunod, atbp.)
• Libu-libong trade sa daan-daang account at adviser ang nagreresulta sa daan-daang libong dami ng kalakalan kada minuto Disenyo ng platform:
• Ang mga kahilingan sa rebalance mula sa mga tagapayo ay natatanggap ng isang orkestra
• Hinahati-hati ng Orchestrator ang malalaking kahilingan sa rebalance sa mas maliliit na mini-batch
• Ang mga mini-batch ay ipinapadala sa Kafka, na ginagarantiyahan ang paghahatid
• Gumagana ang algorithm ng rebalance sa isang EKS cluster na idinisenyo para sa awtomatikong pag-scale
• Ang algorithm ay independyente at sinusukat batay sa CPU, paggamit ng memorya, at Kafka lalim ng queue na pagpapatunay bago ang kalakalan:
• Higit sa 200 mga pagsusuri ang ginagawa upang matukoy kung ang isang kalakalan ay maaaring isagawa
• Ginagamit ang in-process na caching para sa agarang millisecond na feedback sa validity ng trade
• Ang mga di-wastong trade ay ibinabalik sa pila at hindi na naproseso ng karagdagang
• Parallelization at CQRS:
• 60+ code microservices at mga tawag sa database ay pinagsama-sama sa dependency map at tumatakbo nang magkatulad
• Command Query Responsibility Segregation (CQRS) paradigm ay inilapat
• Ang mga pagsusulat ay na-optimize para sa isang server, naka-batch, at naka-buffer para mabawasan ang mga hit sa database
• Ang mga pagbabasa ay na-optimize para sa mga nabasang pagkakataon dahil sa mas mataas na dami ng nabasa at naka-cache na nasa memorya gamit ang AWS Memory DB Adaptive scaling sa mga nabasang pagkakataon:
• Dahil sa mabigat na pagbabasa ng system, inilalapat ang adaptive scaling sa mga instance ng pagbabasa
• Awtomatikong nagsusukat ang EKS, at ang mga pagbabasa ay idinisenyo upang awtomatikong masukat pati na rin End-to-end observability na may CloudWatch:
• Ang bawat kalakalan ay itinalaga ng isang ugnayan ID para sa ganap na traceability
• Ang CloudWatch ay ginagamit para sa pagsubaybay at pag-log
• Ang system ay idinisenyo upang alertuhan ang sarili at pagalingin ang sarili Synthetics:
• Ginagawa ang mga sintetikong transaksyon upang gayahin ang mga pagkilos ng tagapayo
• Ang mga transaksyong ito ay paulit-ulit na pinapatakbo sa system upang matukoy ang mga potensyal na isyu bago maapektuhan ang mga user
• Pinangangasiwaan ng system ang libu-libong transaksyon sa bawat segundo at nakakita ng halos isang milyong transaksyon sa panahon ng peak volume AI na mga kaso ng paggamit sa LPL:
• Mas gusto ang human-in-the-loop na diskarte, kung saan kinokontrol ng mga tagapayo ang AI-mga iminungkahing resulta at matalinong rekomendasyon Sitwasyon ng paggamit: Market center outage detection
• Ang mga market center ay maaaring makaranas ng kabagalan, mga hamon, o pagkawala, na humahantong sa mga isyu sa pagpapatakbo at mga duplicate na order
• Layunin: Upang matukoy ang mga pagkawala ng market center nang maaga
• Ginawa ang daloy ng trabaho upang ibigay ang mga real-time na trade at execution sa isang algorithm
• Algorithm na ginamit: Random Cut Forest, isang time series na anomaly detection algorithm
• Kapag may nakitang mga anomalya, inaalertuhan ang operational team at magsasagawa ng aksyon Pangalawang kaso ng paggamit: ETF classification
• Ang mga ETF ay may iba't ibang mga pag-aari at dapat na maiuri sa mga kategorya (hal., crypto, mga kalakal, mga dayuhang pondo) batay sa kanilang metadata
• Ang mga implikasyon ng regulasyon ay nangangailangan ng mga pagsusuri sa paglilisensya, mga panuntunan sa pagsunod, at pagsasanay para sa mga tagapayo
• Tradisyonal na ginagawa nang manu-mano, ngunit awtomatiko gamit ang sinanay na modelo na tumatakbo gabi-gabi
• Ginamit na modelo: Artificial Neural Network (ANN), isang hindi pinangangasiwaang modelo na may mataas na katumpakan
• Sinusuri at tinatanggap ng mga kawani ng pagpapatakbo ang mga mungkahi ng modelo

AI arkitektura ng modelo

• Imbakan ng data: Ang makasaysayang data para sa parehong mga kaso ng paggamit ay nakaimbak sa database ng
• RDS Aurora PostgreSQL.
• Lambda function: Kinukuha ang na-curate, na-update na data araw-araw, pinoproseso ito, at itinatapon ito sa isang S3 bucket para sa pag-aaral
• SageMaker: Mga modelo ng tren at host; ang mga sinanay na modelo ay na-publish bilang mga endpoint para sa downstream na pagkonsumo Daloy ng trabaho para sa real-time na pagtuklas ng anomalya:
• Ang stream ng real-time na data ng kalakalan ay kinuha ng isang Lambda function
• Ang data ay pinapatakbo sa pamamagitan ng sinanay na modelong endpoint (hal., Random Cut Forest algorithm)
• Natutukoy ang mga anomalya at inaalerto ang mga tauhan
• Ang data ay ibinalik sa RDS para sa hinaharap na pag-aaral batay sa mga desisyon ng modelo Daloy ng trabaho para sa pag-uuri ng ETF:
• Ang bagong ETF data ay ipinadala sa isang Lambda function
• Ang data ay pinapatakbo sa pamamagitan ng sinanay na modelong endpoint
• Ang resulta ay ibinibigay sa operator
• Ang data ay iniimbak sa RDS instance

Automation ng Trading Back Office

Konteksto ng Negosyo

• Layunin ng pamumuhunan: Palakihin ang pera
• Ang paglago ng portfolio ay humahantong sa mas mataas na buwis sa capital gains
• Ang mga malalaking account, lalo na para sa mga kliyenteng napakataas ng net worth, ay nahaharap sa malalaking resulta ng buwis
• Pagkakaroon ng mga limitasyon sa buwis para sa mga account
• Rebalancer Complexity
• Ang proseso ng rebalancer ay kumplikado
• Ang pagdaragdag ng kaalaman sa buwis at pag-optimize ay nagpapataas ng pagiging kumplikado
• Isinasaalang-alang ng algorithm ang higit sa 50 variable na may mataas na interdependency at sensitivity na
• Multi-Agentic AI Framework
• Paggalugad ng paggamit ng agentic AI upang malutas ang problema
• Ang mga ahente ay mga modelo na may mga partikular na tungkulin at aksyon na
• Rebalancer Agent
• Sinanay na may 22 set ng data
• Kasama sa mga data set ang algorithm na may 50+ parameter at makasaysayang pagpapatakbo ng mga tax trade rebalancer
• Pinangangasiwaan ang daan-daang kahilingan bawat araw
• Ang mga resulta ay ibabalik para sa karagdagang pagproseso ng Ahente ng Pagpapatunay
• Sinusuri para sa mga nag-iisang dependency at epekto sa ecosystem ng account
• Inaprubahan ang mga kanais-nais na resulta upang magpatuloy sa ahente ng kalakalan
• Nagpapadala ng feedback para sa reprocessing kung nabigo ang validation
• Trading Agent
• Nagsasagawa ng mga pakikipagkalakalan sa mga gumagawa ng pamilihan at mga sentro ng pamilihan
• Bahagi ng agentic loop na nagpakita ng 10x na sukat sa throughput na Trend ng Industriya
• Lumipat patungo sa pangkalakal na nakabatay sa modelo
• Ang ilang mga account ay hindi pa na-transition dahil sa mga makasaysayang dahilan at intensity ng pagpapatakbo
• AI Solution
• Sinusuri ang kasalukuyang libro at mga hawak ng account ng tagapayo
• Nagmumungkahi ng mga modelo para sa mga account na lumipat patungo sa kasanayang nakabatay sa modelo
• Naglalayong pataasin ang kahusayan para sa mga tagapayo sa pamamagitan ng pagbabawas ng gawaing pagpapatakbo at pagtaas ng oras ng pakikipag-ugnayan ng kliyente