re:Invent 2025: デジタル資産HFT分析におけるAgentic AIとLLM推論最適化の実装事例
はじめに
海外の様々な講演を日本語記事に書き起こすことで、隠れた良質な情報をもっと身近なものに。そんなコンセプトで進める本企画で今回取り上げるプレゼンテーションはこちら！
re:Invent 2025 の書き起こし記事については、こちらの Spreadsheet に情報をまとめています。合わせてご確認ください
📖 re:Invent 2025: AWS re:Invent 2025 - How FSI Revolutionized HFT Analytics with Agentic AI (GBL302)
この動画では、AWS Solutions ArchitectのDavidと独立研究者のWesが、デジタル資産のマーケットメーカーがAWSのマクロサービスを活用してエージェンティックなニュース分析プラットフォームを構築する方法を解説しています。マーケットメーカーの役割、ボラティリティ管理の重要性、TrumpやElon Muskのツイートが市場に与える即座の影響について説明した後、辞書マッチングから機械学習、そしてLLMベースのアプローチへの進化を紹介します。SageMaker Jumpstartから始まり、vLLM、SGLangへと移行することで推論速度を80トークン/秒から180トークン/秒へと向上させた実装の詳細、BGE-M3埋め込みモデルのファインチューニングによる重複排除パイプラインの最適化、そしてLambda、Aurora PostgreSQL、OpenSearchを組み合わせたアーキテクチャが具体的に示されています。
※ こちらは既存の講演の内容を最大限維持しつつ自動生成した記事になります。誤字脱字や誤った内容が記載される可能性がありますのでご留意下さい。
本編
マーケットメーカーとニュース分析の重要性：デジタル資産市場における課題
皆さん、こんにちは。お招きいただきありがとうございます。私はDavidと申しまして、金融サービスとデジタル資産取引システムを専門とするAWS Solutions Architectです。本日は、デジタル資産のマーケットメーカーがどのようにAWSのマクロサービスを使用してエージェンティックなニュース分析プラットフォームを構築しているかについて、少しお話しさせていただきます。始める前に、金融業界におけるマーケットメイキングとは何かについてのウォークスルーをWesに引き継ぎたいと思います。
ありがとうございます、David。私はWesです。デジタル資産市場のマイクロストラクチャーを研究している独立研究者です。本題に入る前に簡単な免責事項を述べさせてください。本日私が述べる見解は私自身のものであり、必ずしもAWSの公式見解や私が所属している可能性のある組織の見解を反映するものではありません。これは情報提供を目的としたものであり、財務上または専門的なアドバイスではありません。以上が免責事項です。
それでは、大きな全体像から始めましょう。トレーディングエコシステムについてです。 トレーディングエコシステムには、金融市場における買い手と売り手が存在します。買い手と売り手は、何かを買いたい、または売りたいという意思を示して、取引所に注文を出します。しかし、市場には常に十分な流動性があるとは限りません。そこでマーケットメーカーの出番となります。
マーケットメーカーの責任は、常に買い注文または売り注文を提示し続けることで、市場に常に十分な流動性があることを確保することです。市場には常にあなたと取引する相手方が存在します。あなたが市場に入ったときはいつでも、誰かに対して買うことも売ることもできます。
これはオーダーブックの抽象化されたものです。左側はビッド注文を示しており、右側はアスク注文です。Y軸はその価格レベルでの累積サイズを表しており、右側に近いほど価格が高くなります。マーケットメーカーの日々の業務では、片側に複数のビッド注文を出し、もう片側にも複数のアスク注文を出していることを想像できると思います。
ニュース発表が控えているとしましょう。市場は大きく動く可能性があり、そうなるとすべての売り注文が他の市場参加者に取られてしまうかもしれません。これはマーケットメイカーにとってリスクとなります。なぜなら、マーケットメイカーとして、私たちは在庫を適切に管理し、売り注文を出すのに十分な在庫を確保する必要があるからです。市場が突然上昇して戻らない場合、売り注文だけが執行されて買い注文は執行されません。
そうなると、マーケットメイカーは市場からより高い価格で在庫を買い戻して在庫を補充する必要が出てきます。つまり、マーケットメイカーは低い価格で売って高い価格で買うことになり、マーケットメイカーのポートフォリオに損失が発生する可能性があるということです。
マーケットメイカーにとって理想的な状況は、市場がコントロールされたボラティリティの範囲内でわずかに変動することです。理想的なケースでは、買い注文と売り注文が非常に短い時間で執行されます。各取引の利益は小さいかもしれませんが、市場が変動し続ければ、回転率は非常に高くなる可能性があります。
では、マーケットメイカーはスプレッドを大きく広げて、毎回の取引でより良い利益を得られるようにできないのか、と疑問に思うかもしれません。これは回転率と損益のトレードオフです。通常、マーケットメイカーはより高頻度で取引を執行することを選びますが、各取引の利益は小さくなります。例えば、スプレッドを高く設定しすぎると、1日に一度も注文が執行されない可能性があります。利益を最大化するために、マーケットメイカーは高頻度で執行する傾向があります。
ボラティリティは価格設定の公式において非常に重要な要素ですので、マーケットメイカーとして市場が非常に変動しやすくなることがわかっていれば、イベントが起こる前にスプレッドを広げることができます。 市場のボラティリティに影響を与える要因はたくさんあります。例えば、来週FOMCが連邦資金金利について議論する予定だとします。マーケットメイカーとして、私たちはニュースに耳を傾け、そのニュースが市場にどのような影響を与えるかをできるだけ早く分析しようとします。
もしfed funds rateの利下げが予想以上であれば、市場は上昇することになります。その場合、マーケットメーカーはできるだけ早く注文を修正する必要があります。そうしないと、他の市場参加者や競合他社がすべての売り注文を取ってしまい、マーケットメーカーに損失が発生する可能性があります。
すべての分析はできるだけ速く行わなければなりません。つまり、すべての分析を終え、市場がどのような影響を受けるかを判断し、すぐに市場で行動するまで、おそらくわずか数秒の話をしているわけです。
IG GroupのChris Beauchampによると、Trumpの市場を動かすツイートの即座の効果は通常約30分間続くとのことです。Trumpが数ヶ月前に関税に関連する多くのツイートをしていたことはご存知だと思いますが、実際、Trumpだけでなく、Elon Muskも非常に良い例です。数年前、Elon Muskが暗号通貨についてツイートし続けていた時期がありました。時には彼が犬がどれだけ好きかについてツイートすると、Dogecoinの価格がすぐに上昇するということがありました。
FOMC会議の結果のような従来の市場ニュースと比較すると、Elon Muskのツイートははるかに解釈が難しいです。FOMC会議については、いつ開催されるか、いつ結果が発表されるかがわかっています。結果は金利の数字だけなので、比較の仕方がわかります。その数字が市場の予想より高いか低いかで、市場の方向性は上か下かになります。
しかし、デジタル資産の世界では、状況が少し異なる場合があります。Elon Muskを例にすると、ツイートは単なる言葉である可能性があります。今日、彼は特定の暗号通貨がとても好きだと言うかもしれませんし、別の日には、別の暗号通貨について意見を表明し、これはあまり良いものではないかもしれないと言うかもしれません。キーオピニオンリーダーやインフルエンサーのツイートを解釈することは、マーケットメーカーにとって困難なタスクの一つです。なぜなら、これは予見できるものではなく、数値的なものでもないからです。ツイートを知的に解釈する必要があります。
ツイートに対して手動で判断しようとしても、人間の判断でさえ処理に時間がかかることがあります。これをプログラムやアルゴリズムトレーディングの世界に組み込む場合、ツイートやニュースが市場に上昇または下降の影響を与えるかどうかを判断するために人間の介入を待つことは許容できません。だからこそ、ニュースが市場に影響を与えるかどうか、そしてそのニュースがポジティブな影響を与えるのかネガティブな影響を与えるのかを判断するために、LLMの助けが必要なのです。それでは、Davidに時間を渡したいと思います。
ニュースセンチメント分析の進化：辞書マッチングからLLMへ、そして推論パフォーマンスの最適化
ありがとうございます、Wes。ソリューションに入る前に、その前に何があったのかを理解しましょう。業界では、このニュースセンチメント分析に取り組む最初のアプローチとして、辞書アプローチ、辞書マッチングから始めました。通常、bearish、bullish、crashといった業界のセンチメント語彙を用意し、それをシンプルなパターンマッチングアルゴリズムに組み込みます。しかし、ここでの問題は想像できると思いますが、限られた語彙では文脈をうまく処理できないということです。
例えば、「Massive Short Liquidation Event」というニュースタイトルがあった場合、おそらくネガティブなセンチメントと判定されるでしょう。しかし、実際にはポジティブなものであるべきです。業界は辞書マッチングから統計的マッチングと機械学習へと移行し始めました。ラベル付きデータと教師あり学習を使って、Naive BayesやFinBERTのようなモデルを金融コーパスで使用します。この場合、より良い汎化が得られ、ニュースの文脈を理解できるようになります。しかし、これには大量のラベル付きデータのトレーニングが必要で、つまりコストの面でも、これらのソリューションの市場投入までの時間の面でも、多大な費用がかかります。
現在では、私たちは皆、大規模言語モデルを持っており、トランスフォーマーベースのマルチモーダル推論を使用しています。今では、このLLM、ClaudeやDeepSeekのようなLLMを使えば、最小限のファインチューニング、あるいはファインチューニングなしでも文脈認識ができます。
特定のニュースタイトルについて推論することができ、ドメイン固有のイベントでも可能です。例えば、プロトコルのエクスプロイトが露呈した場合、推論モデルを持つLLMに、これがクロスチェーンの影響を引き起こしたかどうかを尋ねることができます。これがエージェント的アプローチの基盤です。しかし、このLLMでは、推論パフォーマンスが重要です。Wesが先ほど述べたことを思い出してください。これは非常に短い時間枠で動的に動く市場でのニュースセンチメント分析です。反応する必要があるため、推論の最適化を行う必要があります。
それでは、この取り組みの経緯をご紹介します。今年の初め、2025年2月に、SageMaker Jumpstartを使用したデプロイメントを開始しました。P5ENインスタンス上で実行したところ、1秒あたり80トークンの出力という結果になりました。十分ではありませんでした。その後、2025年4月に、vLLMに置き換えました。これにより、DeepSeek Multi-Token Prediction、混合精度線形アテンション、そして分散並列処理を組み合わせて有効化することができました。その結果、1秒あたり140トークンの出力まで向上しました。それでもまだ十分ではありませんでした。8月には、vLLMをSGLangに置き換え、speculative decodingの助けを借りて、ついに1秒あたり180トークンの出力を達成しました。
では、なぜこれが重要なのでしょうか？1分間に10,000件のイベントがある場合を想像してみてください。推論レイテンシーの1ミリ秒ごとが積み重なっていくのです。80から180に向上したということは、同じ時間枠内でニュース取り込み処理を2倍にできるということです。これらの最適化により、エンドツーエンドのレイテンシーを10秒以内に抑えることができ、逆選択の可能性を回避できます。
エージェンティックなニュース分析プラットフォームの実装：重複排除とembeddingのファインチューニング
それでは、実装についてお話しします。こちらが初日のアーキテクチャです。下層から見ていくと、ニュースストリーミング APIを使ってニュースストリーミングを継続的に取り込み、S3バケットに直接入れて、イベントをトリガーします。これによりLambdaがトリガーされ、資産、緊急度、センチメントに基づいた分類を行います。このLambda関数により、DeepSeekモデルがトリガーされ、これらすべてのメタデータをAurora PostgreSQLやOpenSearchを含むデータベースにタグ付けします。また、ターミナル用にQ CLIも活用しているため、トレーダーやビジネスアナリストでさえ、これらのニュースソースと対話して、バックエンドのClaudeにLLMに問い合わせることができます。例えば、トランプ氏の発表に関する最新ニュースや、過去10時間でイーロン・マスク氏がXフィードで何を話したり投稿したりしているかを調べることができます。
しかし、ここに隠れた課題があります。暗号資産、デジタル資産の世界では、同じニュースが50回報道されるのです。例えば、Ethereumのアップグレード延期というニュースが、Twitter、Reddit、Discord、Telegramなど、あらゆるところに現れます。しかもすべて数分以内にです。もし、すべての重複を高価なLLMで処理したら、お金を燃やし続け、レイテンシーも悪化させてしまいます。そこで、この問題に対処するために、別の重複排除パイプラインを用意しています。
まず、ステップ1として、Lambda内で埋め込みを計算し、埋め込みモデルBGE-M3を呼び出します。そして類似性チェックを行います。もし0.75より大きければ、つまり重複であれば、OpenSearchの重複コレクションに挿入し、ここで停止、LLMトークンを無駄にしないようにします。類似性が0.5未満の場合、これはおそらくユニークなものであることを意味するので、ユニークコレクションに対してチェックを行い、OpenSearchに保存されている過去のニュースと照合して、履歴的にもユニークであることを確認します。3番目のステップは分析に進みます。これが本当にユニークであれば、2番目のLambdaがニアリアルタイムの予測を行い、スプレッド拡大の推奨、資産への影響評価、価格変動確率分析を実施しようとします。
最終ステップでは予測レポートを生成し、Slackチャネルを通じてトレーダーデスクに送信することで、人間が行動を起こすかどうかを判断できるようにします。しかし、ここに微妙なポイントがあります。汎用的なembeddingモデルは、暗号資産特有の重複検出にはあまり適していないのです。だからこそ、embeddingのファインチューニングが非常に重要になるわけです。
こちらは散布図です。out-of-the-boxのBGE-M3モデルを、暗号資産ニュースから数千のクエリ-ドキュメントペアでテストした結果を示しています。緑の点は重複しているニュース記事を表しています。高い類似度スコア、理想的には0.75以上が欲しいところです。赤い点はネガティブペア、つまり重複していないニュース記事を示しており、こちらは低いスコア、理想的には0.5以下が欲しいところです。問題は、0.5から0.75の間の曖昧な中間領域、オレンジ色のゾーンで示されている部分に、大規模なオーバーラップが見られることです。ですから、より良い理解を得るために、これをファインチューニングする必要があるわけです。
こちらはBGE-M3を数千のラベル付き暗号資産ニュースペアでファインチューニングした後の結果です。ご覧のように、緑の点と赤の点がはるかに分離されています。曖昧な中間領域はもう消えています。0.3から0.6の間にクリーンな分離があります。これは素晴らしいですね。わずか5億6千万パラメータの小さなembeddingモデルをファインチューニングできました。言語モデルについては、ファインチューニングは必要なく、プロンプトエンジニアリングだけで済みます。これがagenticアーキテクチャの力です。
それでは、簡単なデモをお見せします。右側に見えるのが、トレーダーデスクがニュースチャネルを受け取っている場所で、左側では、ニュースをストリーミングしながら、これが重要でインパクトのあるニュース項目かどうかをパイプラインで分析しています。最初に見えるのはSECのfilingです。これはトレーダーデスクには送信されません。なぜなら、推論モデルから見て、市場を動かす情報の兆候が含まれていないからです。これは重要な規制上のfilingではないのです。
さらに進むと、ニュースを取り込み続け、分析を続けます。それでも、これは単なる日常的なニュースとして分類されます。Trumpが中国が非常に敵対的になっていると発言したという新しい項目が入ってくると、この種の情報がTelegramフィードに送られます。私たちのパイプラインがこれを非常にインパクトのあるニュースとして識別し、トレーダーデスクに送信して、トレーダーがポートフォリオを保護するためにスプレッドを拡大するかどうかを判断できるようにします。
これが本日のデモです。そして、私たちが共有したい重要なポイントは次のとおりです。ファインチューニングよりもエージェンティックアーキテクチャを使用してください。これにより、Claudeのような汎用推論モデルを階層的なタスク分解に使用できます。特化した埋め込み層については、このアプローチによってよりコスト効率が高く、市場投入までの時間が短縮される結果が得られます。アーキテクチャを通じてバイアスの排除ができます。新しいイベントについて推論する方法をシステムに教えることができます。ヒューマン・イン・ザ・ループは依然として譲れないものですが、今ではトレーダーフィードバックループを使用して、時間の経過とともにシステムを変更できます。その結果、人間の監視のもとで24時間365日のリアルタイムカバレッジが実現します。これが本日の共有内容です。お役に立てれば幸いです。ありがとうございました。
※ こちらの記事は Amazon Bedrock を利用し、元動画の情報をできる限り維持しつつ自動で作成しています。
Discussion