トレードアシスタントの構築：JefferiesがAIでフロントオフィス取引業務を最適化した方法

Jefferies（ジェフリーズ）は、世界的なフルサービス投資銀行であり、株式トレーディングデスクが直面するデータインサイトの遅れという課題に取り組みました。トレーダーはクライアントの行動、トレードパターン、市場動向をリアルタイムで分析する必要がありますが、コーディングスキルが不足しており、ITチームにカスタムダッシュボードを依頼するのに数日かかっていました。そこで、JefferiesはAWSと協力し、Strands Agents、Amazon Bedrock、Model Context Protocol（MCP）を活用して、トレーダーが自然言語でデータを照会できるエージェント型AIトレードアシスタントを構築しました。

ソリューションの中核は、自然言語でトレーダーと対話するドメイン固有のエージェントです。MCPツールにより、エージェントはトレードデータリポジトリ、FIXメッセージファイル、インメモリデータベースなどのデータソースに接続します。トレーダーがクエリを送信すると、Amazon BedrockがClaudeモデルを呼び出して意図を解釈し、SQLを生成して実行します。会話のコンテキストを維持するため、トレーダーはその後の質問で詳細を掘り下げることができます。

アーキテクチャは、Jefferiesのフロントエンドトレーディングインターフェース（Global Flow Monitor）のAIウィジェットから始まります。認証サービスはAmazon EKSで実行され、Botサービスがセッションを管理します。クエリエージェント（Strands）は、Amazon Bedrock Knowledge Basesからデータベーススキーマを取得し、ClaudeモデルがSQLを生成します。MCPツールを介して適切なデータソースを選択し、クエリ実行時に行レベルのセキュリティフィルタが適用されます。結果は動的なグラフやチャートとして表示されます。

チームは以下の教訓を得ました：ハルシネーションを防ぐため、LLMは自然言語理解とSQL生成に限定し、可視化は専用エンジンに任せた；インメモリデータベースで応答時間を最小化；ユーザーの行動変化を観察しフィードバックループを構築；技術スタックとしてPython（AI/MLプロトタイピング）とJava（高スループット処理）を使い分けた。

導入後、トレーダーはデータ整合作業から解放され、クライアント関係や戦略的意思決定に時間を割けるようになりました。ITチームも反復的なダッシュボード作成から解放され、より価値の高いプロジェクトに注力できるようになりました。自然言語で数百万行の株式データを安全にクエリできることで、データドリブンな文化が促進されました。今後、Jefferiesはこのトレードアシスタントをグローバルに展開し、複数の商品タイプやデスクに対応させる計画です。