London Stock Exchange Group Détecte les Abus de Marché avec un Guide de Surveillance IA sur Amazon Bedrock

TL;DR

London Stock Exchange Group (LSEG) s’est associé à AWS pour améliorer la détection des délits d’initié via un prototype d’IA générative sur Amazon Bedrock, utilisant Claude Sonnet 3.5 d’Anthropic.
Le système analyse le contenu des actualités réglementaires (RNS) à grande échelle, traitant environ 250 000 articles couvrant six mois de 2023 pour prédire la sensibilité des prix et guider l’analyse des analystes.
Une architecture de classification en deux étapes avec des prompts optimisés a réduit les faux positifs et aidé les analystes à prioriser les cas les plus impactants.
Bedrock offre une inférence de modèle sans serveur et des fonctionnalités de gouvernance pour un déploiement d’entreprise en surveillance de marché.
Résultats initiaux probants et LSEG prévoit d’étendre la solution pour un usage interne, améliorant l’efficacité et la cohérence dans la détection des abus de marché.

Contexte et arrière-plan

London Stock Exchange Group (LSEG) est un fournisseur mondial de données de marchés financiers, d’infrastructure et de logiciels. Il exploite la London Stock Exchange et prend en charge des marchés internationaux d’actions, de dette et de dérivés, tout en proposant des données en temps réel et des services après-vente et logiciels. Les régulateurs attendent des équipes de surveillance qu’elles suivent l’évolution des profils de risque à travers les classes d’actifs MiFID, les marchés et les juridictions. Dans ce cadre, le volume et la complexité des activités exigent des systèmes qui peuvent évoluer rapidement et couvrir les relations entre les participants et les risques émergents. À l’échelle du secteur, le volume de transactions est élevé: LSEG gère un flux important de plus d’un billion de livres sterling par an et compte environ 400 membres. En raison de la nature dynamique des marchés, les systèmes de surveillance doivent être capables de détecter des abus de marché sophistiqués tout en gérant des volumes importants d’informations et en respectant les exigences réglementaires. De nombreux systèmes actuels s’avèrent obsolètes ou trop dépendants de règles fixes et nécessitent un travail manuel important, ce qui peut ralentir les enquêtes et augmenter les coûts. Pour répondre à ces défis, LSEG a collaboré avec AWS pour améliorer la détection d’initiés et a développé un prototype d’IA générative capable de prédire la probabilité qu’un article d’actualité soit sensible au prix. Le système s’appuie sur Claude Sonnet 3.5 via Amazon Bedrock pour analyser le contenu des actualités du Regulatory News Service (RNS) de LSEG et classer les articles selon leur impact potentiel sur le marché. Cette approche vise à permettre aux analystes de déterminer rapidement si l’activité évoquée peut être atténuée pendant la période d’observation.

Ce qui est nouveau

L’initiative repose sur une solution de surveillance alimentée par l’IA et déployée sur Amazon Bedrock, utilisant Claude Sonnet 3.5 d’Anthropic. L’objectif est d’analyser les actualités du RNS et de les classer selon leur impact potentiel sur le prix afin de guider les décisions des analystes. Cette approche est soutenue par une architecture qui combine ingestion des données, inférence des modèles et support à la décision des analystes, afin de réduire le temps de tri et d’augmenter la fiabilité. L’équipe a rassemblé environ 250 000 articles du RNS couvrant six mois de 2023 pour créer un ensemble de données robuste. Le contenu HTML brut a été prétraité pour extraire le texte lisible, et une analyse exploratoire a permis de comprendre les patterns du corpus afin de sélectionner un échantillon représentatif pour l’évaluation. Pour l’évaluation, 110 articles ont été choisis et évalués par des analystes de surveillance du marché sur une échelle de sensibilité des prix allant de neuf points. Cet ensemble annoté par des experts sert de référence pour mesurer les performances de l’IA. Sur le plan technique, les expériences ont été menées dans Amazon SageMaker en utilisant des notebooks Jupyter, permettant de comparer des approches différentes (apprentissage supervisé traditionnel, ingénierie des prompts avec des modèles de fond et ajustement fin). L’architecture en deux étapes vise à maximiser la précision, en séparant la détection de la sensibilité de prix de l’évaluation de l’impact attendu, puis en fusionnant les résultats selon des règles définies. La conception des prompts a été optimisée pour extraire trois composants clés du modèle et pour réduire les escalades vers les analystes humains, afin de limiter les faux positifs. La solution a été affinée par rapport à la base annotée par des experts afin d’obtenir une confiance accrue dans les classifications à faible risque. L’architecture Bedrock offre un accès sécurisé et évolutif à des modèles de base via une API unifiée, ce qui facilite l’itération tout en maintenant des contrôles de sécurité et de conformité. L’architecture sans serveur permet un dimensionnement dynamique des capacités d’inférence en fonction du flux de nouvelles, et les mécanismes de surveillance et d’audit assurent une traçabilité essentielle pour la conformité réglementaire.

Pourquoi cela compte (impact pour les développeurs/entreprises)

Cette initiative illustre comment déployer une surveillance IA dans un cadre hautement régulé en tirant parti d’un service cloud capable de gérer des volumes importants et des exigences de conformité. Bedrock permet d’expérimenter avec des modèles de base de pointe sans lourd investissement initial en infrastructure, tout en assurant sécurité et traçabilité. En pratique, cela signifie:

Une surveillance IA évolutive: l’inférence sans serveur s’adapte aux pics d’activité et de flux d’actualités sans compromettre les performances.
Une meilleure productivité des analystes: l’évaluation rapide de la sensibilité des actualités aide à prioriser les cas critiques.
Conformité et traçabilité renforcées: les outils de gouvernance et les logs facilitent les audits et les exigences réglementaires.
Itération guidée par les données: un cadre structuré avec vérification humaine permet d’améliorer rapidement le système en condition réelle.

Détails techniques ou Mise en œuvre

L’architecture décrite par la LSEG repose sur trois composants principaux, tels que mentionnés dans les schémas originaux. Bien que l’article n’en liste pas les détails exhaustifs, il met en évidence un flux complet qui intègre l’ingestion de données, l’inférence des modèles et l’appui à la décision des analystes. Données et prétraitement:

Environ 250 000 articles RNS sur six mois de 2023, stockés dans l’environnement AWS.
Le HTML brut est pré-traité pour extraire le texte et le rendre exploitable par le NLP.
L’analyse exploratoire identifie les patterns et guide l’échantillonnage pour l’évaluation. Évaluation et étiquetage:
Un sous-ensemble de 110 articles est représentatif des catégories de nouvelles pertinentes.
Les analystes notent la sensibilité des prix sur une échelle à neuf points, créant une référence humaine. Modélisation et expérimentation:
Les expériences se déroulent dans SageMaker avec des notebooks Jupyter pour comparer des approches et des modèles.
L’architecture prend en charge l’apprentissage supervisé, l’ingénierie des prompts et le fine-tuning.
La classification en deux étapes permet d’améliorer la précision en séparant sensibilité et impact. Conception des prompts et optimisation:
Les prompts capturent trois composants clés et sont affinés pour augmenter la fiabilité et réduire les escalades. Déploiement et gouvernance:
Bedrock offre un accès sécurisé et unifié à Claude Sonnet 3.5, avec des contrôles de sécurité et de traçabilité renforcés.
L’architecture sans serveur permet un dimensionnement dynamique en fonction du volume d’actualités et garantit des performances constantes pendant les périodes critiques.
Le suivi et les logs assurent la traçabilité nécessaire pour la conformité. Performance et résultats:
Sur une période d’évaluation de six semaines, la Surveillance Guide a montré une précision notable sur l’échantillon représentatif.
Le système envoie des alertes automatiques à l’équipe de Supervision du Marché, suivies d’une triage par les analystes pour décider si une enquête complète est justifiée.

Résultats clés

Surveillance de marché alimentée par IA scalable et gouvernée via Amazon Bedrock et Claude Sonnet 3.5.
Réduction des faux positifs grâce à une approche en deux étapes et à l’optimisation des prompts.
Données d’évaluation robustes issues d’un grand corpus de news réglementaires.
Déploiement sans serveur et API unifiée pour faciliter l’itération et la conformité.
Les analystes restent indispensables pour les investigations finales, mais l’IA améliore l’efficacité et le ciblage des cas à fort impact.

FAQ

Quels problèmes LSEG vise-t-elle à résoudre avec le Guide de Surveillance ?

Moderniser la surveillance du marché pour gérer les volumes élevés, les tactiques d’abus évolutives et les faux positifs élevés des systèmes basés sur des règles.
uels modèles et services sont utilisés ?

Claude Sonnet 3.5 d’Anthropic via Amazon Bedrock, avec des expérimentations dans Amazon SageMaker.
uelles données soutiennent l’évaluation ?

Environ 250 000 articles RNS couvrant six mois de 2023, avec un échantillon d’évaluation de 110 articles annotés par des experts.
Comment le succès est-il mesuré ?

Les analystes notent la sensibilité des prix sur une échelle à neuf points; une approche en deux étapes et l’optimisation des prompts améliorent la précision et réduisent les faux positifs.