London Stock Exchange Group Detecta Abusos de Mercado con Guía de Vigilancia IA en Amazon Bedrock

TL;DR

London Stock Exchange Group (LSEG) se asoció con AWS para mejorar la detección de manipulación del mercado a través de un prototipo de IA generativa en Amazon Bedrock, empleando Claude Sonnet 3.5 de Anthropic.
El sistema analiza a gran escala el contenido de noticias regulatorias (RNS), procesando alrededor de 250,000 artículos de seis meses de 2023 para predecir la sensibilidad de precios y orientar la revisión de analistas.
Una estructura de clasificación de dos etapas con prompts optimizados redujo falsos positivos y ayudó a los analistas a priorizar los casos de mayor impacto.
Bedrock ofrece inferencia de modelos sin servidor y características de gobernanza para un despliegue empresarial en vigilancia de mercados.
Resultados iniciales prometedores y LSEG planea ampliar la solución para uso interno, mejorando la eficiencia y la consistencia en la detección de abusos de mercado.

Contexto y antecedentes

London Stock Exchange Group (LSEG) es un proveedor global de datos de mercados financieros, infraestructura y software. Opera la London Stock Exchange y soporta mercados internacionales de acciones, renta fija y derivados, además de ofrecer datos en tiempo real y servicios posventa y software. Los reguladores exigen a los equipos de vigilancia que acompañen la evolución de los perfiles de riesgo a través de las clases de activos MiFID, mercados y jurisdicciones. En este entorno, el volumen y la complejidad de las operaciones requieren sistemas capaces de escalar y cubrir las relaciones entre participantes y riesgos emergentes. A nivel de la industria, el volumen de operaciones es alto: LSEG facilita un flujo significativo de más de £1 billón en operaciones anuales y cuenta con aproximadamente 400 miembros. Dada la naturaleza dinámica de los mercados, los sistemas de vigilancia deben detectar abusos de mercado sofisticados mientras manejan grandes volúmenes de información y se adhieren a los requisitos regulatorios. Muchos sistemas actuales son heredados, basados en reglas, poco adaptables y requieren un trabajo manual intensivo que puede retrasar las investigaciones. Para abordar estos retos, LSEG colaboró con AWS para mejorar la detección de insider dealing mediante un prototipo de IA generativa capaz de predecir la probabilidad de que un artículo sea sensible al precio. El sistema utiliza Claude Sonnet 3.5 a través de Amazon Bedrock para analizar el contenido de noticias del Regulatory News Service (RNS) y clasificar los artículos según su impacto potencial en el mercado. Esta enfoque busca ayudar a los analistas a determinar rápidamente si la actividad destacada puede mitigarse durante el periodo de observación.

Novedades

La solución de vigilancia impulsada por IA basada en Amazon Bedrock usa Claude Sonnet 3.5 de Anthropic. El objetivo es analizar las noticias del RNS y clasificarlas por su impacto potencial en el precio, para orientar las decisiones de los analistas. La arquitectura combina ingestión de datos, inferencia de modelos y soporte a la decisión para priorizar casos de mayor relevancia y mejorar la fiabilidad. El equipo recopiló aproximadamente 250,000 artículos del RNS, cubriendo seis meses de 2023, para construir un conjunto de datos robusto. El contenido HTML crudo se preprocesó para extraer texto legible, y se realizaron análisis exploratorios para entender patrones de distribución y guiar la selección de una muestra representativa para la evaluación. Para la evaluación, se seleccionaron 110 artículos que cubren categorías relevantes de noticias y fueron evaluados por analistas de vigilancia del mercado con una escala de sensibilidad de precio de nueve puntos. Este conjunto anotado por expertos sirve como referencia para medir el rendimiento de la IA. En cuanto a la implementación técnica, los experimentos se realizaron en Amazon SageMaker usando cuadernos Jupyter, lo que permitió comparar enfoques tradicionales de aprendizaje supervisado, ingeniería de prompts con modelos de base y escenarios de ajuste fino. La pila tecnológica permitió abordar un marco de clasificación en dos etapas para maximizar la precisión al separar la detección de sensibilidad de precio de la evaluación de su impacto, y fusionar los resultados mediante reglas definidas. El diseño de prompts fue optimizado para extraer tres componentes clave del modelo y minimizar las escaladas a analistas humanos, con énfasis en reducir falsos positivos. La optimización se basó en la comparación con la base de datos anotada por expertos. La Bedrock ofrece acceso seguro y escalable a modelos de base a través de una API unificada, reduciendo la necesidad de gestionar modelos directamente y simplificando la gobernanza. Su arquitectura sin servidor permite escalar la capacidad de inferencia de acuerdo con el volumen de noticias, manteniendo un rendimiento estable durante periodos críticos. Las características de monitoreo y gobernanza ayudan a garantizar un rendimiento confiable y trazabilidad para el cumplimiento regulatorio.

Por qué importa (impacto para desarrolladores/empresas)

Este proyecto demuestra cómo una vigilancia de IA puede implementarse de forma escalable y con controles de gobernanza en entornos regulados, aprovechandoBedrock y Claude Sonnet 3.5 para mejorar la eficiencia sin comprometer la seguridad de los datos. Implicaciones clave:

Vigilancia escalable con IA: la inferencia sin servidor permite ajustar la capacidad durante picos de volumen sin sacrificar rendimiento.
Productividad de analistas: la evaluación rápida de la sensibilidad de noticias facilita la priorización de casos de mayor impacto.
Cumplimiento y trazabilidad: la gobernanza integrada y los registros de decisiones facilitan los auditoría y la conformidad regulatoria.
Iteración basada en datos: un marco estructurado con revisión humana permite mejoras rápidas en el proceso.

Detalles técnicos o Implementación

La arquitectura descrita por LSEG consta de tres componentes principales, según los diagramas del artículo original. Aunque no se detallan exhaustivamente, se destaca un flujo de datos completo que integra ingestión, inferencia y soporte a la decisión. Datos y preprocesamiento:

Conjunto de datos de ~250,000 artículos RNS que cubre seis meses de 2023, almacenado en AWS.
El HTML bruto se preprocesa para extraer texto legible para modelado NLP.
Análisis exploratorio para entender patrones y guiar la selección de muestras. Evaluación y etiquetado:
Un subconjunto de 110 artículos representa categorías relevantes de noticias.
Analistas evaluaron la sensibilidad de precio en una escala de nueve puntos, creando una base humana. Modelado y experimentación:
Experimentos en Amazon SageMaker con notebooks Jupyter para comparar enfoques: aprendizaje supervisado tradicional, ingeniería de prompts con modelos base y ajuste fino.
Clasificación en dos etapas para optimizar precisión: separar la detección de sensibilidad de precio del juicio de impacto y fusionar resultados mediante reglas. Diseño de prompts y optimización:
Prompts diseñados para extraer tres componentes clave y reducir escaladas a analistas, con refinamiento para aumentar la fiabilidad y reducir falsos positivos. Despliegue y gobernanza:
Bedrock facilita el acceso seguro y escalable a Claude Sonnet 3.5 a través de una API unificada, con controles de seguridad y trazabilidad.
Arquitectura sin servidor que escala dinámicamente según el flujo de noticias y mantiene rendimiento estable en periodos de alta actividad.
Monitoreo y auditoría para cumplir con requisitos regulatorios. Rendimiento y resultados:
Durante un periodo de evaluación de seis semanas, la Guía de Vigilancia mostró una precisión notable en la muestra representativa.
El sistema envía alertas automáticas al equipo de Supervisión del Mercado, que realiza una triage para decidir si procede una investigación completa.

Conclusiones clave

Vigilancia de mercado impulsada por IA que es escalable y gobernable mediante Bedrock y Claude.
Reducción de falsos positivos con una clasificación en dos etapas y prompts optimizados.
Evaluación basada en un conjunto de noticias regulatorias amplio y representativo.
Despliegue sin servidor y API unificada para facilitar la iteración y el cumplimiento.
Los analistas siguen siendo necesarios para las investigaciones finales, pero la IA mejora la eficiencia y el foco en casos de alto impacto.

Preguntas frecuentes (FAQ)

Q: ¿Qué problema aborda la Guía de Vigilancia? A: La necesidad de modernizar la vigilancia para gestionar grandes volúmenes, tácticas de abuso evolutivas y tasas elevadas de falsos positivos de enfoques basados en reglas.
Q: ¿Qué modelos y servicios se utilizan? A: Claude Sonnet 3.5 de Anthropic a través de Amazon Bedrock, con experimentos en Amazon SageMaker.
Q: ¿Qué datos respaldan la evaluación? A: Aproximadamente 250,000 artículos RNS de seis meses de 2023, con 110 artículos evaluados por especialistas.
Q: ¿Cómo se mide el éxito? A: Los analistas puntuaron la sensibilidad de precios en una escala de nueve puntos; una clasificación en dos etapas y la optimización de prompts mejoran la precisión y reducen falsos positivos.