Join us Sept 17 at .local NYC! Use code WEB50 to save 50% on tickets. Learn more >
MongoDB Event
Docs Menu
Docs Home
/
MongoDB Atlas
/
Atlas Architecture Center
/
Solutions Library
/
金融サービス
/
金融サービス生成系 AI

エージェント型 AI による投資ポートフォリオ マネジメント

エージェント AI、MongoDB Atlas、ベクトル検索、Charts を使用して、スマートな投資ポートフォリオを構築する方法を学びましょう。

ユースケース: Gen AI

業種: 金融サービス

製品およびツール: MongoDB Atlas Vector Search、MongoDB Aggregation Pipeline、MongoDB Atlas Charts、MongoDB時系列コレクション、MongoDB Checkpointer、MongoDB MCP Server

パートナー: Voyage AI、Amazon Bedrock、LangChain

ソリューション概要

現在のフィギュレーションマーケットでは、データが戦略的な決定の決定の主要要素として、効果的なリスクマネジメントの採用が迅速化しています。ポートフォリオ マネージャーは、大量の種類のデータを操作する必要があります。このデータは、金融フィードのように構造化されている場合も、ソーシャルメディアの投稿のように構造化されていない場合もあります。これはデータの相違により、このデータを処理するように構築されていない従来のシステムに問題が生じます。AI駆動型のソリューションは、適応型でコンテキストに対応する決定を統合することで、ポートフォリオ マネジメントを再定義します。

当社のインテリジェントポートフォリオは、さまざまなデータソースを統合し、分析します。リアルタイム分析と生成系AIモデルを組み合わせることで、ポートフォリオ マネージャーがインサイトを求め、アクション を実行する方法が変わります。

大規模言語モデル（MMS）、検索拡張生成 (RAG)（RAG）、およびベクトル検索、時系列コレクション、および Atlas Charts などのMongoDB Atlasを基盤としたこのソリューションは、 AIエージェントに次の権限を与えます。

  • 複数のソースからの広範な金融データセットを分析します。

  • データを意味のある分析に処理します。

  • ポートフォリオのパフォーマンスに基づいて、動的なインサイトと提案を提供します。

これにより、決定権の付与、リスク管理の向上、より正確なパフォーマンスと影響の分析が可能になり、ポートフォリオ マネージャーはより多くのデータを使用してより合理的かつ迅速な決定を行うことができます。

参照アーキテクチャ

この運用ポートフォリオ マネージャーのデモは、4 種類のエージェントで構成されています。

  • 分析エージェント

  • ニュースエージェント

  • ソーシャルメディアエージェント

  • 支援エージェント

このデモには、これらのエージェントがそれぞれ 1 つと、暗号化アセット用に 1 つ含まれており、合計 8 つのエージェントになります。さらに、2 つのマイクロサービスアプリケーションがあります。最初の である Data Ingestor アプリケーションは、複数のソースからの金融、通貨、ニュースレター、ソーシャルメディアのデータを取り込んで、変換、準備します。AI 。以下の図に示すように。

エージェント型 AI を活用した投資ポートフォリオ マネージャーのリファレンス アーキテクチャ

図1。高レベルのアーキテクチャ

図に示すように、 MongoDB は取り込みプロセスで収集されたデータを保存します。このデータには、次のタイプが含まれます。

  • 時系列データ（従来のアセット データや暗号化のアセットデータなど）

  • 構造化データ（macOS インジケーターやtablecoin のマーケットプレイス 上限データなど）

  • 金融ニュース記事やソーシャルメディアの投稿などの非構造化データ。

次に、ソリューションはニュース記事とソーシャルメディアデータのコメント スコアを分析し、対応する埋め込みを作成し、それらをMongoDB Atlasのそれぞれのコレクションに保存します。

分析、ニュース、ソーシャルメディアのエージェントは、 MongoDBからデータを受け取り、従来の暗号化および暗号化のアセットのレポートを分析および生成します。

最後に、マーケットプレイスと暗号化の支援エージェントは、現在のポート割り当てに基づいてポートフォリオ固有のインサイトを提供し、 LgGraph Reactエージェントを使用して両方のタイプのアセットに対するポートフォリオ管理の推奨事項を提供し、 MongoDB Atlas をデータストレージ、ベクトル検索、およびエージェントの状態管理に活用します。 。

さらに、このソリューションには、 AI強化React Agent と統合した場合のMongoDBモデル コンテキスト プロトコル（MFP）サーバーの高度な機能を強調するデモアプリケーションが含まれています。 このアプリケーションは、 AIによるインタラクションの直感的なインターフェースを利用して、 MongoDB Atlas内に保存されている複雑な金融データクエリを効率的に処理します。

このアプローチにより、手動クエリやデータベースへの直接的な連携が不要になるため、この統合によりデータベースの数少ないデータ検索と効率的なデータベース管理が可能になり、最終的にはより合理的でより迅速な、より情報のない運用決定にどのように影響するかが明確になります。

ソリューションのビルド

このデモは 4 つのマイクロサービスで構成されており、それぞれが独自のGithubリポジトリを持ちます。

  1. ローダー サービス

  2. エージェント サービス

  3. マーケットプレイス エージェント React エージェント サービスと 暗号化エージェント React エージェント サービス

  4. MCP サーバーとMongoDB の相互作用

1。ローダー サービス

ローダーサービスアーキテクチャ

図 2. ローダー サービス アーキテクチャ

まず、ソリューションはMongoDB Atlasにデータを保存します。これは、次のソースからのデータの抽出を処理するスケジュールされた作業のセットである データ取り込みアプリケーションを通じて行われます。

  • Amazon Web Services : 従来の必要と暗号化のアセットに関する金融ニュース。

  • Amazon Web Services : 時系列の従来のアセット データ。

  • Fredred API : マイクロ通貨インジケーター データ。

  • Reddit : 従来の必要と暗号化のアセットに関するソーシャルメディアのニュース。

  • バイナス : 暗号化通貨のマーケットデータ。

  • CoinGeco : Stablecoin Market Caps データを使用します。

  • ポートフォリオ パフォーマンス : ポートフォリオ パフォーマンスのシミュレートされたデータを生成するように設計されています。

データがMongoDBコレクションに保存された後、非構造化されたニュースレターとソーシャルメディアのデータは、事前に訓練された LM モデルである Finder を使用して処理され、権限スコアが計算されます。 次に、Voyage AI の埋め込みモデル、voyage-finance-2 を使用してデータをベクトル化し、そのベクトル埋め込みとともに対応するMongoDBコレクションに保存します。

MongoDB がさまざまなタイプのデータを保存する方法を示します。

時系列データの例（バイナリ 暗号化アセット）:

{
   "_id": {
      "$oid": "67c09436bd1cbed4d0185880"
},
   "headline": "QQQ Leads Inflows as VGIT, HYG Jump: ETF Flows as of Feb. 27",
   "source": "etf.com ·  via Yahoo Finance",
   "posted": "1 year ago",
   "description": "Top 10 Creations (All ETFs) Ticker Name Net Flows ($, mm) AUM ($, mm) AUM % Change QQQ Invesco QQQ...",
   "link": "https://finance.yahoo.com/news/qqq-leads-inflows-vgit-hyg-005429051.html?fr=sycsrp_catchall",
   "synced": false,
   "extraction_timestamp_utc": {
      "$date": "2025-02-27T16:35:02.823Z"
},
   "ticker": "HYG",
   "article_string": "Headline: QQQ Leads Inflows as VGIT, HYG Jump: ETF Flows as of Feb. 27\n/n Description: Top 10 Creations (All ETFs) Ticker Name Net Flows ($, mm) AUM ($, mm) AUM % Change QQQ Invesco QQQ...\n/n Source: etf.com ·  via Yahoo Finance\n/n Ticker: HYG\n/n Link: https://finance.yahoo.com/news/qqq-leads-inflows-vgit-hyg-005429051.html?fr=sycsrp_catchall",
   "sentiment_score": {
      "positive": 0.03415600210428238,
      "negative": 0.04247178137302399,
      "neutral": 0.9233722686767578
},
   "article_embedding": [
      0.025981411337852478,
      0.03783617168664932,
      0.01893029175698757,
      0.019744139164686203,
      -0.009678225964307785,
      0.0296250581741333,
      -0.06560207903385162,
      -0.03349149599671364,
      0.005457616411149502,
      -0.004056802950799465,
      -0.07076755166053772,
      -0.04305347055196762,
      ...]
}

時系列データの例（バイナリ 暗号化アセット）:

{
   "timestamp": {
      "$date": "2025-07-17T23:59:00.000Z"
   },
   "symbol": "BTC",
   "low": 119170.52,
   "date_load_iso_utc": "20250718051014",
   "close": 119177.56,
   "volume": 7.0706,
   "open": 119200.02,
   "_id": {
      "$oid": "6879d7367395e04c9d26e122"
   },
   "high": 119200.03
}

構造化データの例（マイクロ通貨インジケーター）:

{
   "_id": {
      "$oid": "6863b79181f5695f447d426a"
   },
   "title": "Gross Domestic Product",
   "series_id": "GDP",
   "frequency": "Quarterly",
   "frequency_short": "Q",
   "units": "Billions of Dollars",
   "units_short": "Bil. of $",
   "date": {
      "$date": "2025-06-26T00:00:00.000Z"
   },
   "value": 29962.047
}

このマイクロサービスを複製するには、 GitHubリポジトリ: ローダー サービスを参照してください。

2。エージェント サービス

エージェント サービス アーキテクチャ

図 3. エージェント サービス アーキテクチャ

データはMongoDBに保存されていますが、処理は必要です。以下のセクションで説明されるエージェントは、データを処理してポートポート固有のインサイトを生成します。

分析エージェント

これらのエージェントは、マーケットデータと暗号化データに関連するMongoDBコレクションを検索し、各コレクション内のアセットの傾向とマイクロいずれのインジケーターを分析します。次に、一連の計算を実行してポートフォリオのインサイトと推奨事項を生成します。

これらの計算は、データに基づいた決定を行うための分析バックグラウンドを形成します。暗号化アセットの価格値の傾向、トランザクション アクティビティ、モメント インジケーターを追跡することで、従来のアセットの経済的インデックスとボリュームの測定値を評価してマイクロ経済的な影響を与えます。これらを組み合わせることで、 AIエージェントがマーケットを継続的に監視し、リスクを分散し、ポートフォリオのパフォーマンスをリアルタイムで最適化 できます。

マーケットアセットの計算:

  • VIX 区別値の分析

  • GDP 分析

  • レート分析

  • 不完全率の分析

暗号化アセットの計算：

  • 移動平均分析

  • ボリューム分析

  • RSI 分析

  • VWAP 分析

その後、計算はAmazon Web Servicesメンバードロック や アン セカンダリ インスタンスなどの LM ベースの理由付けと組み合わせて、カスタマイズされたポートポート推奨を生成します。

ニュースエージェント

これらのエージェントはMongoDB Atlas Vector Searchを使用して、従来のアセットと暗号化のアセットのセマンティックに関連する金融ニュースを検索します。次に、LM ベースのコメント分析とサマリーを実行して、キー シグナルを強調します。

ソーシャル メディアエージェント

ニュースエージェントと同様に、ソーシャルメディアエージェントは、 MongoDB Atlas Vector Searchを使用して、セマンティックに関連するソーシャルメディアの投稿を検索します。最後に、対応する reportsコレクションに LM ベースの監査と要約を集約します。

このマイクロサービスを複製するには、 GitHubリポジトリ: スケジュールされたエージェント サービス を参照してください。

3。マーケットプレイスと暗号化の支援エージェント サービス

マーケット アシスタント エージェント サービス アーキテクチャ

図の 4。マーケットプレイス / 暗号化エージェントサービスのアーキテクチャ

レポートが生成され、 MongoDB Atlasコレクションに保存されると、 Marketます エージェントは、LungGraph を通じて実装されたReact理由付けパターンを使用して、ユーザー クエリを自己解釈し、関連するツールにアクセスし、実行可能な財務インサイトを生成します。

これらのエージェントは、段階的な理由付け、アクションの実行、メモリ保持が可能で、構造化された LM ベースの金融アドバイザーとして機能します。LgGraph のReactエージェントフレームワークを使用して構築すると、次のサイクルに従います。

  1. クエリの理由

  2. ツールを使用するなどのアクション

  3. 結果を観察します

  4. 最終応答に到達するまで反復的に続く

エージェントの動作は、 MongoDBに保存されているカスタマイズ可能なエージェントプロファイルによって定義されます。また、長期メモリと状態の永続性は、インタラクションのステップを追跡し、コレクションに保存するMongoDBチェックポイントを使用して管理されます。それは、checkpoints_aio と checkpoint_writes_aio です。

このマイクロサービスを複製するには、次の GitHub リポジトリを参照してください。 マーケット アドバイザー ReAct エージェント チャットボット サービス および/または Crypto アドバイザー ReAct エージェント チャットボット サービス

前の図に示すように、エージェントは LDA ベースの、ツールで強化されたワークフローであり、 LingGraph を使用してオーケストレーションされています。各 は構造化された決定的なプロセスに従うため、固定のシーケンスでツールが呼び出され、確実で説明可能な実行が保証されます。

エージェントツール

ツールは、データを取得し、API を呼び出し、コードを実行し、データベースをクエリし、ビジネス ロジックをトリガーする能力をエージェントに提供し、アクティブな問題解決者に変わります。 このソリューションでは、 は以下のように分類されます。

check_portfolio_allocation_tool: MongoDBコレクションからポートフォリオ割り当てデータを取得します。

assess_macro_indicators_tool: FREDED APIデータからmacOS インジケーターを取得します。

assess_vix_tool: 金融データセットから VIX マーケット ボリュームリ データを検索します。

fetch_market_news_tool: 埋め込みを使用して、金融ニュース記事のベクトル検索を実行します。

fetch_social_media_submissions_tool: 埋め込みを使用して Reddit 送信に対してベクトル検索を実行します。

calculate_crypto_trends_tool: 暗号化の価格データを集計し、移動平均と傾向を計算します。

calculate_asset_trends_tool: トレンド分析のために従来のアセット価格データを集計します。

calculate_crypto_momentum_indicators_tool: 暗号データを集計して RSI、ボリューム パターン、VWAP を計算します。

calculate_news_sentiment_tool: ニュース記事のコメント スコアをアセットごとに集計します。

calculate_social_media_sentiment_tool: ソーシャルメディアの送信からのコメント スコアをアセットで集計します。

generate_news_sentiment_summary_tool: ニュースレター データを集計し、LM ベースのサマリーを生成します。

generate_social_media_sentiment_summary_tool: ソーシャルメディアのコメント データを集計し、LM ベースのサマリーを生成します。

generate_overall_diagnosis_tool: 最終ポートポート診断のために、リスク プロファイルを使用してすべての分析結果を集計します。

generate_overall_diagnosis_tool （暗号化バージョン）: 包括的なポートポート診断のために暗号化の分析結果を集計します。

4。MCP サーバーとMongoDB の相互作用

このソリューションの最後の機能は、 MongoDB MCP Server とAI強化React Agent の組み合わせで、 MongoDB Atlasに保存されている金融データに対してリアルタイムの自然言語クエリを可能にします。

MCP サーバーとMongoDBを組み合わせると、 自然言語を通じてデータを検索し、データベース管理タスクを実行し、コンテキストを認識するコードを生成できます。

マーケット アシスタント エージェント サービス アーキテクチャ

図の 5。MongoDB MCP Server インタラクション アーキテクチャ

図に示すように、このソリューションは 財務時系列 データ に接続します。

  • Cryptocurrencies: BTC, ETH, XRP, SOL, DOGE, ADA

  • Stocks/ETFs: HYG, LQD, TLT, GLD, USO, EEM, QQQ, SPY, XLE, VNQ

  • コレクション : binanceCryptoData（暗号化）、yfinance MarketData（コンフィギュレーション）

このデモでは、 MongoDB MCP Server は Next.jsアプリを使用して開発者ツールを使用し、クライアントとMongoDB Atlasコレクション間の操作を可能にし、次のタスクを実行できるようにします。

  • データベース探索 :データベース内の コレクションを一覧表示します。

  • 最新の価格と価格の傾向 : サポートされているアセットの現在の価格を取得するか、一定期間にわたる日次平均価格を表示します。

  • ボリューム分析 : 平均トランザクションボリュームを計算します。

  • 価格比較 : さまざまなアセット間の価格を比較します。

このマイクロサービスを複製するには、 GitHubリポジトリを参照してください。「 運用ポートフォリオ管理 - MCP インタラクション

MongoDB MCP Server の詳細については、「 MongoDB MCP サーバーの発表 」を参照して、 MongoDB MCP サーバーをより深く理解します。

注意

このデモは、セキュリティ上の理由から読み取り専用モードで動作します。MCP は create、update、delete 操作をサポートしていますが、list、find、aggregate 操作へのアクセスのみを意図的に制限しています。これにより、データベースに対する意図しない変更を防ぎ、安全なデモ環境が確保されます。

MongoDB を使用する理由

エージェントでAIため、 には、リアルタイムの決定、適応型リージョン、永続的なメモリをサポートするデータプラットフォームが必要です。次のセクションでは、インテリジェント、コンプライアンス、オートメーションエージェントを強化するために必要な統合アーキテクチャとネイティブAI統合をMongoDB が提供する方法を示します。

AI主導の金融アプリケーションのための最新のデータ基盤

MongoDB は、金融サービスの複雑さに対応するために構築された、統合型の高性能データプラットフォームです。点として断片化されたソリューションを、構造化データ、時系列データ、非構造化データ、ベクトル化データを処理できる単一のシステムに置き換えます。これにより、資本市場、資産運用、その他の分野におけるインテリジェントで適応性の高いアプリケーションの基盤として最適です。

スキーマの柔軟性とドキュメントモデル

MongoDB の JSON に似た BSON モデルは、エージェントの状態とオブジェクト指向設計に自然に適合し、アカウント、ポートフォリオ、トランザクション、AI メタデータのデータモデリングを簡素化します。開発者は次のことができます。

  • 動的スキーマにより、中断を伴う移行を行わずにデータ モデルを進化させることができます。

  • ユーザー プロファイルやトランザクション履歴などの関連データをまとめて保存し、クエリの高速化と効率化を実現します。

  • 配列や埋め込みドキュメントなどのさまざまなデータ型を統合された構造で処理します。

マーケットと通貨データの時系列コレクション

時系列コレクションは、大量のマーケット データを効率的に取り込んで分析します。主な機能は次のとおりです。

  • 株式、保証、暗号化、コモディティの高スループット。

  • パフォーマンスとコスト管理のための自動圧縮、インデックス作成、およびデータの有効期限管理。

  • 移動平均やボラティリティ追跡などのウィンドウ関数による分析をネイティブでサポートしています。

セマンティックな理解のための Atlas Vector Search

MongoDB Atlas Vector Search は、ベクトル埋め込みを使用して、金融コンテンツ全体のセマンティックな理解を可能にします。このソリューションは voyage-finance-2 を活用します。このモデルは、次の機能を強化します。

  • インタラクティブなプロンプトと類似性ベースのマッチングを使用した、金融ニュースやソーシャルメディアの投稿のコンテキスト認識型検索

  • セマンティック類似性検索は、より正確な結果を得るためにメタデータフィルタリングで強化されます。

エージェントメモリのための MongoDB チェックポインター

Checkpointer パターンにより、AI エージェントはインタラクションを通じて内部状態を永続化し、次のことをサポートします。

  • コンテキストの保持と長期的な推論。

  • 過去の AI の決定を全面的に可視化し、監査を容易にし、規制へのコンプライアンスをサポートします。

インサイト生成のための Aggregation Pipelines とAtlas Charts

MongoDB の集計フレームワークは、傾向分析からマクロ経済的相関まで、リアルタイムのインサイトを提供します。Atlas Charts と組み合わせると、チームは動的なダッシュボードを構築し、以下について表面化します。

  • AI駆動のポートフォリオ シグナル

  • 市場のアノマリー

  • リアルタイムパフォーマンス指標

MongoDB MCP サーバー

MCP 統合により、 AIエージェントとツールは 自然言語を使用してMongoDBの金融データを直接操作できます。MCP サーバーはこのインタラクションを簡素化し、簡単なデータ検索、効率化されたデータベース管理、金融アプリケーション向けのコンテキスト認識型コード生成を可能にします。これにより、 AIの使用が加速され、よりスマートで、より迅速な、より情報のない運用決定が行われます。

これらの機能により、 MongoDB は、最新の金融の需要をサポートするためのAI駆動型金融ソリューションのための堅牢なデータレイヤーになります。

キーポイント

  • AIベースのインサイト ソリューションは、前例のないレベルのインサイト のロックを解除します。ポートフォリオ マネージャーは、マーケットデータ、マーケットプレイス、マーケット イベントを分析し、ポートフォリオのアセットとリスクに関するインリアルタイムで提案できるAIエージェントの権限を持つようになりました。

  • MongoDB は、 エージェントポート管理のためのエージェント的なAIソリューションを有効にします : MongoDB の柔軟なドキュメントモデルは、ニュース、イベント、ソーシャルメディアデータを含む非構造化かつ動的なマーケットデータをネイティブに保存します。MongoDB ベクトル検索 は、コンテキストに応じたマーケットの類似性と相関関係を検索し、埋め込みや生成系AIモデルとシームレスに統合します。

  • エージェント的AIは、決定的操作 を実行するための高速で変化するパラダイムです。AIAIは継続的に適応型、リアルタイム条件とマーケットの変動に基づいてアクションと戦略を調整します。AIエージェントは過去の経験から学習し、時間の経過とともにパフォーマンスを改善します。

作成者

  • Peyman Parsi

  • Ainhoa Múgica

  • ジュリアン・ボロナット

  • Andrea Alaman Calderon

戻る

ベクトル検索による不正防止

次へ

AI駆動型インタラクティブバンキング

項目一覧