ジェフリーズ、AI で取引業務を最適化

投資銀行のフロントオフィス取引部門を管理する方ならご存知の通り、最大の課題は「いかにして膨大なデータからリアルタイムで顧客行動や取引パターン、市場トレンドを把握し、一瞬のうちに判断を下すか」です。しかし、現場のトレーダーが一日中そのためのシステム構築に時間を割けるわけもなく、ましてやコーディングスキルを持つ人も限られています。また、数百万行ものデータが複数の可視化ツールに散在しているため、全体像を把握するのも容易ではありません。

従来の手法では、分析には専門家に頼り、カスタムダッシュボードの作成には IT チームとの連携が必要でした。このプロセスには数日乃至数週間を要し、利用可能なデータと意思決定の間に大きな隔たりが生じていました。

グローバルなフルサービス投資銀行であるジェファリーズ（Jefferies）は、この課題を「エージェント型 AI」を活用して株式取引部門の運用を最適化する機会と捉えました。AWS 上で構築したエージェント型 AI トレーディングアシスタントにより、コーディングや IT チームへの待機を不要とし、精度を損なうことなく、リアルタイムデータ分析の力を直接トレーダーの手元に届けることを実現しました。

本稿では、Jefferies がこれらの課題をどのように克服したかについて解説します。その解決策は、Strands Agents を基盤としたものです。これは AI エージェントを構築するための SDK で、基盤モデル（FMs）や外部ツールへの呼び出しを調整することで、推論・計画・実行を実現するエージェントを可能にします。

このソリューションでは、大規模言語モデル (LLM) や Amazon Bedrock、さらに Amazon Bedrock Knowledge Bases を活用しています。また、AI エージェントが統一されたインターフェースを通じて多様なデータソースやツールに安全に接続できるよう支援するオープン標準である Model Context Protocol (MCP) も採用されています。

ここでは、ソリューションの概要、基盤技術スタックを選定した理由、得られた教訓、そして Jefferies にもたらされたビジネスへの影響について取り上げます。

フロントオフィス・トレードアシスタントは、資本市場の株式トレーダーがデータとどう向き合うかというあり方そのものを変革するものです。このソリューションの中核をなすのは、自然言語によるテキスト対話を通じてトレーダーと対話を推進するドメイン特化型のエージェントです。MCP ツール群によって、このエージェントは取引データリポジトリや金融情報交換（FIX）メッセージファイル、インメモリデータベースといったデータソースへと接続されます。

トレーダーがトレードアシスタントに問い合わせると、Amazon Bedrock が LLM（Anthropic Claude）を起動し、自然言語による意図を解釈。対応する SQL を生成して基盤となるデータソースで実行し、回答を引き出します。対話型インターフェースを採用しているため、トレーダーはトピックを掘り下げていきながら、会話を通じてデータの洞察を探求できます。セッション全体を通じて文脈を維持することで、より深い分析に向けた関連性の高い洞察や提案を提供し続けます。

ソリューションの仕組み

本ソリューションは、以下のアーキテクチャ図に示す 8 つのステップを通じて、ジェフリーズの既存取引インフラと統合されます。セキュリティ面では、Amazon Bedrock Guardrails を活用し、コンテンツのモデレーションや個人識別情報（PII）のフィルタリングを実施して社内ポリシーに準拠させます。さらに、行レベルでのデータ権限管理により、インテリジェントなアクセス制御を通じて顧客機密データへの誤ったアクセスを防ぎます。また、監査証跡として会話ログを保持し、コンプライアンス要件にも対応しています。

ユーザーとの対話は、組み込み AI アシスタント・ウィジェットを搭載したジェフリーズのフロントエンド取引インターフェースから始まります。トレーダーが質問を発すると、そのリクエストは綿密に設計されたワークフローを経て処理されます。

• UI ウィジェット：まず、トレーダーはジェファーリーズのオンプレミス型ビジネスインテリジェンスシステム「Global Flow Monitor (GFM)」にログインします。GFM へのログインが完了すると、Trade Assistant Agent と対話するための UI ウィジェットが表示されます。

• 認証サービスは Amazon Elastic Kubernetes Service (Amazon EKS) を利用しています。このサービスにより、許可されたトレーダーのみが機密性の高い取引データにアクセスできることを保証します。

• Bot Service はユーザーセッションの構築と管理を担当し、複数の問い合わせにわたって文脈を維持します。

• クエリエージェント (Strands) は、本ソリューションにおけるインテリジェントなオーケストレーション層として機能します。トレーダーが自然言語で質問すると、まず Amazon Bedrock Knowledge Bases が検索対象となり、Amazon Titan Embeddings を用いた意味論的検索によって、関連するデータベーススキーマ、テーブル間の関係性、およびクエリパターンを特定します。この文脈を基に Claude Sonnet がトレーダーの意図を推論し、構文が正しい SQL クエリを生成します。その後、エージェントは利用可能な Model Context Protocol (MCP) ツールを評価し、リアルタイムのポジション情報を扱うインメモリグリッドか、時系列分析のための履歴データストアか、実行に最適なデータソースを選択します。

• Amazon Bedrock は、クエリエージェントに対して LLM へのアクセスを提供し、プランニングとステップの実行を可能にします。LLM の高度な推論機能により、自然言語の理解、SQL の生成、そして多段階のツールオーケストレーションが実現されています。チームはまた、Trade Assistant が進化していく中で異なる LLM を選択できる柔軟性も Amazon Bedrock 選定の理由の一つとしています。

• Amazon Bedrock Knowledge Bases は、管理された Retrieval Augmented Generation (RAG) パイプラインを提供します。ここでは、基盤となるデータモデルのメタデータ（テーブルスキーマ、カラム定義、クエリパターン）の埋め込み表現が保存されます。クエリエージェントがトレーダーからの質問を受け取ると、Knowledge Base から関連するスキーマ文脈を取得し、正確な SQL 構築を支援します。

• クエリエグゼキューターは、クエリエージェントによって適切なデータソースが特定され、SQL クエリが作成された後に、基盤となるデータを照会します。クエリエグゼキューターはユーザーのリクエストをインターセプトし、SQL フィルタを注入することで、データアクセスにおける行レベルのセキュリティを提供します。表示するビジュアライゼーションは LLM が選択し、Markdown UI ライブラリを使用してレンダリングしています。

• データストア：クエリエグゼキューターが実際に照会するデータソース群です。インメモリ、SQL データベース、および取引や執行の基盤データを格納した FIX メッセージなどが含まれます。

では、Strands Agents と MCP ツールベースアーキテクチャを採用した背景にある理由について探っていきましょう。

Strands Agents

Strands Agents は、数行のコードで AI エージェントを構築・実行するためのオープンソース SDK です。このフレームワークはモデル駆動型のアプローチを採用しており、シンプルなユースケースから複雑なケースまで、ローカル開発から本番環境へのデプロイまで幅広く対応しています。

Strands は、LLM（大規模言語モデル）が持つ「計画立案」「思考の連鎖」「ツールの呼び出し」「自己省察」といった能力を活用することで、エージェント開発を大幅に簡素化します。開発者はコード上でプロンプトと使用するツールのリストを定義するだけでエージェントを作成でき、ローカルでテストした後にクラウドへデプロイできます。Strands はモデルの高度な推論機能を利用して、エージェントが次に取るべきステップを計画し、必要なツールを実行します。

より複雑なユースケースでは、開発者は Strands を使ってエージェントの動作をカスタマイズすることも可能です。例えば、ツールの選択ロジックを指定したり、コンテキスト管理の方法を調整したり、セッションの状態やメモリをどこに保存するかを選んだりできます。また、複数のエージェントが連携するマルチエージェントアプリケーションも構築できます。

Model Context Protocol (MCP) ツール

本ソリューションは、各データソースを個別のツールとして公開し、Strands エージェントが呼び出せるようにする「Model-Context-Protocol（MCP）」ベースのアーキテクチャを採用しています。この設計には、システムの長期的な成功を支える3 つの大きなメリットがあります。

第一に、拡張性です。新しいデータソースを追加する際も、コアとなるアーキテクチャを再構築する必要はなく、単に追加ツールとして登録するだけで済みます。これは将来の機能拡大を見据えてチームが意図的に選んだ設計判断です。

第二に、関心の分離（セパレーション・オブ・コンサーン）の実現です。各システムとの連携ロジックを個別のツール内にカプセル化することで、全体としてのアーキテクチャは保守性とテスト容易性が向上します。

第三に、柔軟性です。Strands エージェントはクエリの内容に応じて使用するツールを動的に選択できるため、複数のデータソースにまたがるワークフローもスムーズに実現できます。

複数ソースからのデータ処理

本ソリューションは、直感的で使いやすいユーザー体験を提供します。トレーダーは画面に表示されたような質問を入力するだけで済みます。「米国での取引におけるセクター別の内訳を教えて」といった問いに対し、裏側では AI モデル（LLM）が適切な SQL クエリを自動生成。そのクエリを実行して、インメモリデータグリッド上にホストされている関連データソースから即座に結果を取得し、表示します。

トレードアシスタントは単なるデータ検索の枠を超えています。テキストによる問い合わせを SQL に変換し、チャートやグラフで構成される動的なビジュアルストーリーを生成できるのです。

例えば、今日のセクター別取引と昨日の状況を比較する必要がある場合、アシスタントは自動的に色分けされた凡例付きの円グラフを作成します。これにより、トレンドや異常値を素早く見極めることが可能になります。

教訓

フロントオフィス向けトレードアシスタントエージェントの実現に向けた道のりを通じて、ジェファーリーズ（Jefferies）チームは、エンタープライズ AI の戦略と実装ロードマップに大きな影響を与えるいくつかの重要な教訓を発見しました。これらの知見は、大規模なアジェンシー AI アプリケーションを構築する金融市場組織にとって貴重な指針となります。

第一に、チームはハルシネーション（幻覚現象）のリスクを回避するため、LLM に視覚化の生成を任せることを意図的に避けました。代わりに、自然言語の理解とクエリ生成を LLM が担当し、実際のチャートやグラフの描画は専用の可視化エンジンが担うハイブリッドなアプローチを採用しました。

この関心の分離により、トレーダーが求める対話型インターフェースを維持しつつ、データの正確性を保つことに成功しています。

第二に、チームは応答速度を最大化するため、インメモリデータベースを活用しました。トレーダーは、顧客の行動や取引パターン、市場動向について瞬時の洞察を必要とします。もしこのアーキテクチャ上の選択を行っていなければ、基盤となるデータセットへのクエリがリアルタイムの取引判断にとって許容できない遅延を引き起こしていたでしょう。

3 つ目に、チームはユーザーの行動が変化するものだと予測するようになりました。実際の運用では、その動きは動的であることが証明されました。トレーダーたちは予期せぬ方法でシステムと対話し、そのパターンも時間とともに変化しました。こうした変化する行動にすばやく適応するためには、観測性の強化とユーザーフィードバックループへの投資が不可欠でした。

最後に、チームは意図的な言語戦略を採用しました。豊富な人工知能（AI）および機械学習（ML）エコシステムを背景に、LLM との対話や迅速な実験には Python を活用しています。一方、複雑なビジネス処理については、高性能データ処理と既存の取引システムとの統合に適したパフォーマンス特性を活かすため、Java を採用しました。

ビジネスへの影響

導入以来、トレード・アシスタント・ソリューションはグローバルな営業・取引部門全体で明確な効率化をもたらしました。これによりトレーダーは手作業でのデータ処理に費やす時間を減らし、顧客との関係構築や戦略的な意思決定に集中できるようになっています。この効率化は競争優位性へと直結しており、取引デスクではより多くのリソースを新規顧客のオンボーディングや既存顧客との関係深化に充てることが可能になりました。

本ソリューションは、MCP ツールを活用して構造化データ、非構造化データ、インメモリデータを柔軟にアクセスし、クライアントの問い合わせに応じて動的にグラフやチャートを生成することで、一人ひとりの顧客に合わせた体験を提供します。取引デスクの外でも、これまで反復的なダッシュボード作成に費やされていた IT 部門のリソースと時間を大幅に削減し、技術チームがより付加価値の高い戦略的プロジェクトに注力できる環境を整えました。

特筆すべきは、自然言語による問い合わせで数百万行に及ぶ株式取引データを安全に照会できるようになった点です。これによりデータへのアクセスが民主化され、直感や遅れた報告書ではなく、リアルタイムの分析に基づいて意思決定を行うデータドリブンな文化が醸成されています。

今後の展望

ジェフリーズのロードマップは、このエージェント型 AI アプローチのスケーラビリティと野心的な計画を示しています。チームは今後、Trade Assistant を複数の商品タイプや取引部門向けにグローバル展開する予定で、自然言語処理（NLP）を活用したコード生成ツールにより監査機能を強化します。また、企業向け AI システムには Amazon Bedrock AgentCore の機能も追加される見込みです。これらの投資は、組織全体に AI 活用能力を広げるという決意の表れです。

既存の株式事業用ビジネスインテリジェンス（BI）アプリケーションとの統合や、構造化データ、非構造化データ、メモリ内データを横断してクエリを実行できる機能により、ジェフリーズは AI を駆使した取引革新の最前線に立っています。

結論

本稿では、ジェフリーズと AWS の連携により構築された「エージェント型 AI 取引アシスタント」が、グローバルな販売・取引業務における株式データの扱い方をどう変革したかを紹介しました。この「ジェフリーズ株式取引アシスタント」は、エージェント型 AI が資本市場をどのように再定義しているかを象徴しています。単なる会話を通じて高度な洞察を引き出すデータサイエンティストへとトレーダーを変容させ、競争優位性を生み出しています。

これらのエージェント型 AI システムは、文脈を理解し、対話から学習し、ユーザーがより良い結果を得られるよう先回りして導く、知能の高いパートナーとして機能します。受動的なデータ検索から能動的なインテリジェンスへの転換は、取引業務における新たな時代の幕開けを告げるものです。この技術がグローバルに拡大し、資産クラスも横断して応用されるにつれ、フロントオフィスの競争優位性を今後長年にわたり再定義していくことが期待されています。

ご自身でエージェント型 AI アプリケーションの構築を始めたい場合は、「Strands Agents」の探索や、本ソリューションで採用された MCP 統合パターンに関する詳細情報の確認、あるいは AWS アカウントチームへお問い合わせいただき、ユースケースに合わせたエンゲージメントについてご相談ください。

著者紹介

サンジャイ・ナグラジ氏

サンジャイ氏は、株式フロントオフィスにおけるソリューション提供を率いる技術リーダーです。主な取り組みとして、クラウド上で利用可能なサービスを活用し、ハイブリッド型ソリューションを実現することが挙げられます。

Vipul Parekh氏

Vipul氏はAWSのシニアカスタマーソリューションマネージャーとして、FinTechおよび資本市場の顧客がクラウド上でビジネス変革を加速させるための支援を行っています。生成AIのアムバサダーであり、AWS AI/ML技術コミュニティの一員でもあります。AWS入社前は主要な金融サービス機関で多様な役割を果たし、変革プロジェクトを率いてきました。

Saby Sahoo氏

Saby氏はAWSのシニアソリューションアーキテクトです。ITソリューション、データ分析、AI/ML/生成AIの設計と実装において、20年以上の実績を有しています。