使用 Backtrader、AgentCore 與 Strands Agents 建立具市況感知能力的 Amazon 部位管理

免責聲明

教育目的： 本文內容僅聚焦於合法的財務規劃教育，旨在提升對概念、方法論與分析方法的理解，不推廣任何特定證券、策略或市場參與決策。

不構成個人化建議： 本教育材料在任何情況下均不提供個人化建議、招攬或保證，也不明示、暗示或以其他方式表示未來績效、結果或報酬的任何保證。

資料限制： 上傳結果依賴確定性的離線資料，因為沙盒環境中無法取得即時數據；因此輸出應解讀為示意範例，而非即時分析。

純做多（Long-Only）範圍： 所有研究語言均為純做多，避免選擇權、賣權、放空或看空策略，確保討論整體上聚焦於傳統資產持有與正向方向性曝險概念。

開場：將市況（Regime）視為部位控制

純做多的 Amazon 投資人即使方向正確，當波動度擴大或整體市場性質改變時，仍可能誤管曝險。本文將研究問題縮小到具市況感知能力的部位管理：規則何時應參與、何時應等待，以及何時因環境不再支持訊號而降低曝險？

定位（Positioning）

這裡的語氣，是一位具風險意識的交易員在說明市況篩選器、波動度限制、成交量確認與動能診斷如何讓 AMZN 擇時更容易被審閱。語氣務實：信念（conviction）可以開啟討論，但市況證據決定部位管理流程是否有足夠紀律繼續。

值得解決的客戶問題（Client Problem）

許多交易審閱將市場環境視為背景評論。實務上，市況是控制面的一部分。風險團隊需要看到 AMZN 進場是否發生在具支持性的整體市場條件下、波動度是否改變了部位大小設定紀律，以及高換手率訊號在考量執行摩擦後是否能增加價值。

此工作流程支援的商業成果（Business Outcomes）

此工作流程協助團隊在共同框架下比較市況敏感的擇時規則。投資組合經理取得更清晰的曝險邏輯，風險審查員取得回撤與波動度脈絡，技術團隊取得受控的 AgentCore 與 Strands 執行路徑，而委員會則取得評估語言來判斷規則是穩健、過度反應，還是營運成本過高。

目錄

• Part 1: 開場脈絡與文章焦點 介紹 AMZN 純做多擇時問題、文章焦點，以及在討論任何配置決策之前先建立證據的商業理由。本部分協助讀者理解交易語氣、市場脈絡，以及為什麼此工作流程是教育性質而非投資建議。
• Part 2: 智慧代理（Agentic）架構與治理控制 說明 AgentCore 與 Strands 的營運模型，包括協調器、資料代理人、策略代理人、風險審查員、治理檢查員、工具權限、稽核構件與人工審批邊界。本部分讓讀者在看到程式碼與策略記錄之前，先理解架構。
• Part 3: 資料、基準指數與回測框架 涵蓋真實或經核准的資料輸入、基準指數脈絡、OHLCV 對齊、資料血統與可重複使用的回測框架。本部分說明 AMZN、Nasdaq 100、S&P 500 與 Dow Jones 脈絡如何成為可審閱的研究證據。
• Part 4: 具市況感知能力的策略框架與程式碼邏輯 說明本文策略家族背後的實作框架，包括進場邏輯、出場邏輯、部位大小設定、執行分離、風險控制與白話程式碼審閱。本部分讓讀者能在不失去治理脈絡的情況下檢視策略範例。
• Part 5: 交易帳本與部位管理證據 聚焦交易帳本、部位管理證據、換手率、回撤審閱，以及為什麼每一次模擬的進場與出場都必須可追溯。本部分將回測從一張圖表轉化為可審閱的決策序列。
• Part 6: 治理、風險審閱與機構挑戰 彙整機構審閱指南、模型風險問題、挑戰工作流程、稽核軌跡預期、生產環境就緒度、參數敏感性、失效模式與委員會證據標準。本部分在策略記錄之前先集中治理內容，以提升可讀性。
• Part 7: 策略目錄與閱讀方法 呈現策略目錄與閱讀策略記錄的方法。本部分在治理概念與個別策略範例之間提供簡短的導覽橋樑。
• Part 8: 策略記錄 6-10：MACD、黃金交叉、ATR、成交量與 ROC 將策略 6-10 分組在一個易讀的部分，讓讀者能審閱本文的五個策略記錄，而不必把每個策略都變成獨立的頂層目錄項目。焦點是研究目的、程式碼邏輯、風險控制與交易帳本解讀。
• Part 9: 執行委員會摘要與結語 將技術研究轉化為高階主管與委員會語言。本部分總結測試了什麼、仍有哪些不確定性、為什麼工作流程不能取代人的問責制，以及如何負責地說明結果。
• Part 10: 來源、資料註記與最終揭露 將來源、資料註記、限制與最終揭露語言放在一起。本部分釐清資料假設、時間窗口、AWS 設計參考與文章的教育界線。

Part 1: 開場脈絡與文章焦點

相關摘要： 介紹 AMZN 純做多擇時問題、文章焦點，以及在討論任何配置決策之前先建立證據的商業理由。本部分協助讀者理解交易語氣、市場脈絡，以及為什麼此工作流程是教育性質而非投資建議。

開場與市場脈絡

相關摘要： 建立 AMZN 擇時問題，說明為什麼回測屬於機構審閱的一部分，並將文章定位為證據生成而非預測。本節將獲利中的純做多部位連結到風險紀律、基準指數意識、揭露語言與委員會就緒的溝通。

一篇有力的文章從交易問題開始，而不是從軟體開始。純做多的 Amazon 部位可以獲利，卻仍受到擇時薄弱、出場紀律不清楚與曝險過大的影響。因此本節將回測定位為治理工具，協助交易團隊在討論配置前先解釋決策。

先前交付備忘錄中有用的內容已在此消化：用證據說話、列出假設，並避免確定性。聽眾應聽到工作流程測試什麼、哪些資料支援它、什麼可能失敗，以及什麼仍是人的決策。這比在結尾附上重複的實務段落更有力。

市場脈絡（Market context）很重要，編制因為 AMZN 受到成長股胃納、整體股市環境、消費者預期、雲端市場情緒、流動性與估值壓力影響。基準指數意識協助交易員避免聲稱每一分獲利都來自特定股票的選股技巧。

系列焦點

本文聚焦市況篩選器、波動度限制、成交量確認與動能診斷。它是四篇技術系列的一部分。結構已可發布，並避免暴露草稿指令。它保留了表達指導初衷，同時將訊息轉化為面向金融服務業受眾的精煉段落。

商業問題：擇時是治理問題

Amazon 部位可以在長期時間範圍內獲利，卻仍然管理不佳。因此機構需要流程語言（process language），而不只是績效語言（performance language）。研究團隊應呈現買了什麼、何時買、為什麼買、何時賣、為什麼賣，以及此決策相對於主要股票基準指數的表現如何。智慧代理工作流程讓這類證據更容易生成，也更容易被挑戰。

Part 2: 智慧代理（Agentic）架構與治理控制

相關摘要： 說明 AgentCore 與 Strands 的營運模型，包括協調器、資料代理人、策略代理人、風險審查員、治理檢查員、工具權限、稽核構件與人工審批邊界。本部分讓讀者在看到程式碼與策略記錄之前，先理解架構。

智慧代理研究架構

相關摘要： 說明 Bedrock AgentCore、Strands Agents、資料工具、策略生成、Backtrader 執行與結果摘要如何形成受控工作流程。本節強調工具權限、職責分離、稽核構件，以及任何真實世界投資組合決策前的人為核准。

智慧代理架構分離責任。協調器接收請求，資料工具驗證 OHLCV 輸入，策略生成器準備規則邏輯，Backtrader 工具執行模擬，風險審查員摘要回撤與交易行為，而治理檢查員則驗證政策邊界。

消化後的交付規則在此成為架構紀律：每個代理人行動都應產生證據。有用的執行會留下資料引用、程式碼版本、參數、時間戳記、交易帳本、指標、圖表路徑與異常記錄。這些構件讓投資、技術與風險團隊能審閱輸出。

AgentCore 與 Strands Agents 可以加速研究迴圈，但受限的授權（bounded authority）很重要。系統可以執行經核准的工具並準備備忘錄；它不應決定適合度、核准資金配置，或將歷史回測轉化為績效保證。

使用 Bedrock AgentCore 與 Strands Agents 的智慧代理架構

此架構將判斷與自動化分離。量化協調器（Quant Orchestrator）接收研究請求並協調專業工具。策略生成器（Strategy Generator）撰寫或取回 Backtrader 策略類別。市場資料工具（Market Data Tool）取回 AMZN、^NDX、^GSPC 與 ^DJI 的每日 OHLCV 資料。風險摘要代理人（Risk Summary Agent）計算報酬、回撤、曝險、交易次數、勝率、獲利因子與相對於基準指數的行為。治理代理人（Governance Agent）檢查原則邊界：純做多普通股、無衍生性商品、無未受支持的績效保證。

此設計適合機構研究，因為它建立了可追溯性。模型不會暗中決定投資組合。相反地，智慧代理會呼叫經核准的工具、記錄輸入與輸出，並回傳一份可由人工委員會挑戰的備忘錄。程式碼範例使用 Backtrader，因為它提供事件驅動型研究引擎、技術指標、分析器、訂單處理與交易統計數據。

Part 3: 資料、基準指數與回測框架

相關摘要： 涵蓋真實或經核准的資料輸入、基準指數脈絡、OHLCV 對齊、資料血統與可重複使用的回測框架。本部分說明 AMZN、Nasdaq 100、S&P 500 與 Dow Jones 脈絡如何成為可審閱的研究證據。

真實市場資料與基準指數

相關摘要： 將 AMZN 定義為研究資產，並將 Nasdaq 100、S&P 500 與 Dow Jones Industrial Average 定義為基準指數脈絡。本節說明調整後 OHLCV 資料、日曆對齊、資料血統、公司法案處理，以及為什麼不應使用編造的市場價格。

資料血統（Data lineage）是交易控制。調整後價格、公司法案、缺失值、交易日曆、數據供應商變更與基準指數對齊都可能改變擇時規則的表面行為。本節將資料工程視為投資治理的一部分，而不是背景任務。

AMZN 是可交易資產。Nasdaq 100、S&P 500 與 Dow Jones Industrial Average 為成長股環境、整體股市風險與藍籌股風險情緒提供不同視角。工作流程應記錄為什麼使用每個基準指數，以及每個基準指數可能在哪裡產生誤導。

本文避免編造價格與未受支持的績效宣稱。如果無法取回資料，應說明限制。如果使用生產數據，資料集快照與調整政策應與回測構件一起保留。

真實資料設定

範例使用 Amazon 普通股作為可交易資產，並使用三個基準指數作為脈絡：Nasdaq 100 代表成長與科技股環境，S&P 500 代表整體美國股市環境，Dow Jones Industrial Average 代表藍籌股風險情緒。可執行的回測框架在您的環境中執行時，會透過 yfinance 下載真實每日資料。本文不編造市場價格或捏造績效數據。

Part 4: 具市況感知能力的策略框架與程式碼邏輯

相關摘要： 說明本文策略家族背後的實作框架，包括進場邏輯、出場邏輯、部位大小設定、執行分離、風險控制與白話程式碼審閱。本部分讓讀者能在不失去治理脈絡的情況下檢視策略範例。

具市況感知能力的策略實作與程式碼邏輯

相關摘要： 介紹本文使用的策略範例，並說明每個規則如何建立進場與出場條件。本節將訊號邏輯與執行邏輯分離，並將程式碼轉譯成白話的部位管理控制。

策略實作應讀起來像控制地圖。進場邏輯說明為什麼開啟多頭部位。出場邏輯說明為什麼關閉。部位大小設定邏輯說明承擔多少曝險。風險邏輯說明流程何時覆蓋訊號。這讓非開發人員也能進行程式碼審閱。

訊號邏輯與執行邏輯應保持分離。訊號可以辨識有利條件，但執行引擎必須檢查現有部位狀態、可用現金、手續費、風險停損與目標出場。分離能提升可稽核性並減少隱藏行為。

本文將程式碼探討放在主要策略討論內，而不是作為分離的附註。每個策略都應透過帳本、回撤、換手率、基準指數行為與營運可行性進行評估，而不是只看表面報酬率。

本文特別聚焦市況感知部位管理、波動度控制、交易成本意識與動能診斷。因此程式碼審閱應評估策略家族是否支援該商業目標，以及其交易記錄是否足夠具可解釋性以供機構審閱。

Part 5: 交易帳本與部位管理證據

相關摘要： 聚焦交易帳本、部位管理證據、換手率、回撤審閱，以及為什麼每一次模擬的進場與出場都必須可追溯。本部分將回測從一張圖表轉化為可審閱的決策序列。

市況記錄、換手率與部位管理

相關摘要： 說明交易帳本如何透過記錄進場、出場、價格、部位大小、實現損益、訊號原因、回撤行為、換手率與風險調整審閱來支援部位管理決策。

交易帳本是交易團隊的記憶系統。它記錄進場日期、出場日期、價格、部位大小、總損益、進場原因與出場原因。沒有帳本，策略只是一個故事。有了帳本，委員會就能檢視實際的模擬決策序列。

回撤審閱必須先於報酬率慶祝。策略可能在總報酬率上看起來很有吸引力，卻難以承受真實壓力。帳本與回撤路徑協助審查員判斷規則是否符合投資授權與風險承受度。

先前實務筆記訊息已被消化到審閱流程：在任何結論前說明資料來源、日期範圍、策略規則、基準指數脈絡、風險指標與帳本。本文將其保留在部位管理章節內，因為它改變了證據應如何被閱讀。

二十年交易歷史綱要（Schema）

交易歷史很重要，因為它能防止模糊敘事。委員會可以檢視獲利是來自多次可重複的交易還是單一異常期間、出場是否在空頭環境中減少了傷害、基準指數篩選器是否有幫助，以及換手率是否能承受現實的執行成本。

Part 6: 治理、風險審閱與機構挑戰

相關摘要： 彙整機構審閱指南、模型風險問題、挑戰工作流程、稽核軌跡預期、生產環境就緒度、參數敏感性、失效模式與委員會證據標準。本部分在策略記錄之前先集中治理內容，以提升可讀性。

範例模式；生產環境請調整 IAM、網路、審批與日誌控管。

from bedrock_agentcore import BedrockAgentCoreApp
from strands import Agent, tool

app = BedrockAgentCoreApp()

ALLOWED = {
    "breakout_55": "Breakout55Strategy",
    "ema_cross": "EMACrossStrategy",
    "multi_factor": "MultiFactorEnsembleStrategy",
}

@tool
def validate_policy(strategy_key: str, side: str, derivatives: bool) -> dict:
    if side.lower() != "long_only":
        return {"ok": False, "reason": "僅允許純做多股票研究。"}
    if derivatives:
        return {"ok": False, "reason": "衍生性商品工具不在此工作流程範圍內。"}
    if strategy_key not in ALLOWED:
        return {"ok": False, "reason": "策略未在註冊表中獲得核准。"}
    return {"ok": True, "reason": "原則已接受。"}

@tool
def run_registered_backtest(strategy_key: str) -> dict:
    return {"status": "已提交", "strategy": ALLOWED[strategy_key], "artifact_prefix": f"s3://research/amzn/{strategy_key}/"}

agent = Agent(tools=[validate_policy, run_registered_backtest])

@app.entrypoint
def invoke(payload):
    return agent(payload.get("request", "執行經核准的 AMZN 純做多回測。"))

if __name__ == "__main__":
    app.run()

套用主文細節 1: 訊號評估前的市況定義

具市況感知能力的文章應先定義市場環境的意義，再討論訊號。市況可以來自大盤指數趨勢、波動度狀態、流動性行為或相對基準指數的動能。交易員應說明哪些市況變數可觀察，以及它們如何影響 AMZN 曝險。

套用主文細節 2: 波動度作為部位大小設定限制

波動度不只是圖表條件；它是部位大小設定的限制。在平靜市場中看起來有吸引力的規則，當每日波動範圍擴大時可能變得難以持有。因此本文將 ATR、回撤與曝險部位大小設定連結到同一個部位管理對話中。

套用主文細節 3: 交易成本意識

高換手率規則可能透過價差、滑價、手續費、稅務摩擦與審閱負擔而失去經濟價值。市況感知研究應詢問擇時品質的改善是否足以合理化額外活動。

套用主文細節 4: 動能耗盡審閱

動能可以持續，但也可能變得擁擠或耗盡。專業審閱會問進場是否足夠早以參與，出場是否足夠早以保護資金。交易帳本應揭示規則是一貫太晚，還是保持了適當的耐心。

套用主文細節 5: 風險長匯報

風險長不需要每一行程式碼；風險長需要的是曝險規則、停損行為、最大回撤、交易次數與失效模式。本文將程式碼轉化為審閱語言，讓風險與投資利害關係人能挑戰相同的證據。

套用主文細節 6: 訊號漂移監控

在某個市況中有效的策略，當市場結構改變時可能發生漂移（drift）。監控應將當前的交易頻率、平均持有期間與回撤與歷史範圍進行比較。如果行為出現重大改變，規則應在曝險更多資金前被審閱。

機構審閱視角 1: 證據套件設計

完整證據套件應包括研究問題、資料來源、調整政策、標的清單、程式碼版本、參數集、交易帳本、回撤概況、指標摘要、異常日誌與揭露語言。這讓回測能被投資、風險、技術與合規團隊審閱。

機構審閱視角 2: 人工挑戰工作流程

工作流程成功的標準是歡迎挑戰。審查員應詢問資料是否乾淨、規則是否有經濟原理、基準指數是否適當、參數是否穩定、成本是否現實，以及結論是否限於證據支持的範圍。

機構審閱視角 3: 純做多原則邊界

本文維持純做多原則邊界。該邊界將工作流程聚焦於擇時、部位大小設定、出場與證據品質，而不是複雜的工具建構。它也為治理代理人提供了清晰的規則，用於拒絕未受支持的請求。

機構審閱視角 4: 圖表與帳本解讀

圖表有用，但帳本才是稽核軌跡。權益曲線可能隱藏集中度，單一報酬率數字可能隱藏換手率。因此本文將圖表、帳本與指標視為互補證據，而非可互換的證明。

機構審閱視角 5: 生產環境就緒度檢查清單

筆記本不是生產環境。生產環境就緒度需要受控的資料存取、版本控管的程式碼、參數記錄、可重複的執行、異常處理、產出物儲存、審批工作流程與監控。智慧代理工具應支援這些控制，而不是繞過它們。

機構審閱視角 6: 失效模式揭露

專業文章應及早列出失效模式。趨勢規則可能遭遇震盪洗盤，動能可能耗盡，波動度篩選器可能滯後，而基準指數篩選器則可能排除快速復甦。列出這些風險可提升可信度，並協助委員會準備有用的問題。

Part 7: 策略目錄與閱讀方法

相關摘要： 呈現策略目錄與閱讀策略記錄的方法。本部分在治理概念與個別策略範例之間提供簡短的導覽橋樑。

閱讀記錄前的策略審閱方法

在閱讀策略記錄前，對每個規則使用相同的證據序列：確認資料、辨識進場條件、辨識出場條件、檢視部位大小假設、審閱回撤、比較基準指數行為，並記錄學到的課題。這句話將重複的交付備忘錄轉化為文章內使用的方法。

本文策略目錄

• 策略 6: MACDTrendStrategy — MACD 柱狀圖趨勢加速。
• 策略 7: GoldenCrossStrategy — 50/200 移動平均線黃金交叉。
• 策略 8: ATRChannelStrategy — ATR 波動度通道突破。
• 策略 9: VolumeConfirmStrategy — 由高於平均成交量確認的價格突破。
• 策略 10: RateOfChangeStrategy — 六個月變動率（ROC）動能。

Part 8: 策略記錄 6-10：MACD、黃金交叉、ATR、成交量與 ROC

相關摘要： 將策略 6-10 分組在一個易讀的部分，讓讀者能審閱本文的五個策略記錄，而不必把每個策略都變成獨立的頂層目錄項目。焦點是研究目的、程式碼邏輯、風險控制與交易帳本解讀。

策略 6: MACDTrendStrategy

研究目的。 MACD 柱狀圖趨勢加速。此策略被寫成純做多 AMZN 擇時範例。它可以進入多頭部位、關閉多頭部位，或維持現金。它不產生空頭曝險，也不使用選擇權、賣權、掉期、期貨、保證金或其他衍生性商品。

部位管理審閱。 對 MACDTrendStrategy 而言，交易團隊應評估 MACD 柱狀圖趨勢加速在考量成本、回撤與基準指數脈絡後，是否能增加有用的擇時證據。審閱應檢視規則交易頻率、出場是否可理解、持有期間是否符合投資授權，以及訊號是否能提供超越在每個市況中單純持有 AMZN 的洞察。

Backtrader 程式碼。 將此類別加在可重複使用的回測框架下方，然後在受控研究環境中執行 run_backtest(MACDTrendStrategy, "MACDTrendStrategy")。

class MACDTrendStrategy(TradeLoggerMixin, bt.Strategy):
    params = dict(fast=12, slow=26, signal=9, risk_per_trade=0.09)
    def __init__(self):
        TradeLoggerMixin.__init__(self)
        self.macd = bt.ind.MACD(self.data0.close, period_me1=self.p.fast, period_me2=self.p.slow, period_signal=self.p.signal)
        self.hist = self.macd.macd - self.macd.signal
    def next(self):
        self.risk_exit_check()
        if not self.position and self.hist[0] > 0 and self.hist[-1] <= 0:
            self.buy_long("macd_histogram_positive_turn")
        elif self.position and self.hist[0] < 0:
            self.close_long("macd_histogram_negative")

MACDTrendStrategy 的智慧代理審閱應針對此特定策略執行摘要訊號路徑、帳本完整性、風險控制活動與純做多原則狀態。

策略 7: GoldenCrossStrategy

研究目的。 50/200 移動平均線黃金交叉。此策略被寫成純做多 AMZN 擇時範例。它可以進入多頭部位、關閉多頭部位，或維持現金。它不產生空頭曝險，也不使用選擇權、賣權、掉期、期貨、保證金或其他衍生性商品。

部位管理審閱。 對 GoldenCrossStrategy 而言，交易團隊應評估 50/200 移動平均線黃金交叉在考量成本、回撤與基準指數脈絡後，是否能增加有用的擇時證據。審閱應檢視規則交易頻率、出場是否可理解、持有期間是否符合投資授權，以及訊號是否能提供超越在每個市況中單純持有 AMZN 的洞察。

Backtrader 程式碼。 將此類別加在可重複使用的回測框架下方，然後在受控研究環境中執行 run_backtest(GoldenCrossStrategy, "GoldenCrossStrategy")。

class GoldenCrossStrategy(TradeLoggerMixin, bt.Strategy):
    params = dict(fast=50, slow=200, risk_per_trade=0.10)
    def __init__(self):
        TradeLoggerMixin.__init__(self)
        self.fast = bt.ind.SMA(self.data0.close, period=self.p.fast)
        self.slow = bt.ind.SMA(self.data0.close, period=self.p.slow)
        self.cross = bt.ind.CrossOver(self.fast, self.slow)
    def next(self):
        self.risk_exit_check()
        if not self.position and self.cross[0] > 0:
            self.buy_long("golden_cross")
        elif self.position and self.cross[0] < 0:
            self.close_long("death_cross_exit")

GoldenCrossStrategy 的智慧代理審閱應針對此特定策略執行摘要訊號路徑、帳本完整性、風險控制活動與純做多原則狀態。

策略 8: ATRChannelStrategy

研究目的。 ATR 波動度通道突破。此策略被寫成純做多 AMZN 擇時範例。它可以進入多頭部位、關閉多頭部位，或維持現金。它不產生空頭曝險，也不使用選擇權、賣權、掉期、期貨、保證金或其他衍生性商品。

部位管理審閱。 對 ATRChannelStrategy 而言，交易團隊應評估 ATR 波動度通道突破在考量成本、回撤與基準指數脈絡後，是否能增加有用的擇時證據。審閱應檢視規則交易頻率、出場是否可理解、持有期間是否符合投資授權，以及訊號是否能提供超越在每個市況中單純持有 AMZN 的洞察。

Backtrader 程式碼。 將此類別加在可重複使用的回測框架下方，然後在受控研究環境中執行 run_backtest(ATRChannelStrategy, "ATRChannelStrategy")。

class ATRChannelStrategy(TradeLoggerMixin, bt.Strategy):
    params = dict(period=22, atr_period=14, atr_mult=2.5, risk_per_trade=0.08)
    def __init__(self):
        TradeLoggerMixin.__init__(self)
        self.ma = bt.ind.SMA(self.data0.close, period=self.p.period)
        self.atr = bt.ind.ATR(self.data0, period=self.p.atr_period)
        self.upper = self.ma + self.p.atr_mult * self.atr
    def next(self):
        self.risk_exit_check()
        if not self.position and self.data0.close[0] > self.upper[0]:
            self.buy_long("atr_channel_breakout")
        elif self.position and self.data0.close[0] < self.ma[0]:
            self.close_long("atr_midline_exit")

ATRChannelStrategy 的智慧代理審閱應針對此特定策略執行摘要訊號路徑、帳本完整性、風險控制活動與純做多原則狀態。

策略 9: VolumeConfirmStrategy

研究目的。 由高於平均成交量確認的價格突破。此策略被寫成純做多 AMZN 擇時範例。它可以進入多頭部位、關閉多頭部位，或維持現金。它不產生空頭曝險，也不使用選擇權、賣權、掉期、期貨、保證金或其他衍生性商品。

部位管理審閱。 對 VolumeConfirmStrategy 而言，交易團隊應評估由高於平均成交量確認的價格突破在考量成本、回撤與基準指數脈絡後，是否能增加有用的擇時證據。審閱應檢視規則交易頻率、出場是否可理解、持有期間是否符合投資授權，以及訊號是否能提供超越在每個市況中單純持有 AMZN 的洞察。

Backtrader 程式碼。 將此類別加在可重複使用的回測框架下方，然後在受控研究環境中執行 run_backtest(VolumeConfirmStrategy, "VolumeConfirmStrategy")。

class VolumeConfirmStrategy(TradeLoggerMixin, bt.Strategy):
    params = dict(price_lookback=40, volume_lookback=30, volume_mult=1.4, risk_per_trade=0.08)
    def __init__(self):
        TradeLoggerMixin.__init__(self)
        self.highest = bt.ind.Highest(self.data0.high(-1), period=self.p.price_lookback)
        self.vol_avg = bt.ind.SMA(self.data0.volume, period=self.p.volume_lookback)
        self.exit_ma = bt.ind.SMA(self.data0.close, period=20)
    def next(self):
        self.risk_exit_check()
        if not self.position and self.data0.close[0] > self.highest[0] and self.data0.volume[0] > self.p.volume_mult * self.vol_avg[0]:
            self.buy_long("breakout_with_volume_confirmation")
        elif self.position and self.data0.close[0] < self.exit_ma[0]:
            self.close_long("short_ma_exit")

VolumeConfirmStrategy 的智慧代理審閱應針對此特定策略執行摘要訊號路徑、帳本完整性、風險控制活動與純做多原則狀態。

策略 10: RateOfChangeStrategy

研究目的。 六個月變動率（ROC）動能。此策略被寫成純做多 AMZN 擇時範例。它可以進入多頭部位、關閉多頭部位，或維持現金。它不產生空頭曝險，也不使用選擇權、賣權、掉期、期貨、保證金或其他衍生性商品。

部位管理審閱。 對 RateOfChangeStrategy 而言，交易團隊應評估六個月變動率動能在考量成本、回撤與基準指數脈絡後，是否能增加有用的擇時證據。審閱應檢視規則交易頻率、出場是否可理解、持有期間是否符合投資授權，以及訊號是否能提供超越在每個市況中單純持有 AMZN 的洞察。

Backtrader 程式碼。 將此類別加在可重複使用的回測框架下方，然後在受控研究環境中執行 run_backtest(RateOfChangeStrategy, "RateOfChangeStrategy")。

class RateOfChangeStrategy(TradeLoggerMixin, bt.Strategy):
    params = dict(roc_period=126, exit_ma=63, risk_per_trade=0.09)
    def __init__(self):
        TradeLoggerMixin.__init__(self)
        self.roc = bt.ind.RateOfChange(self.data0.close, period=self.p.roc_period)
        self.exit_ma = bt.ind.SMA(self.data0.close, period=self.p.exit_ma)
    def next(self):
        self.risk_exit_check()
        if not self.position and self.roc[0] > 0.15:
            self.buy_long("six_month_positive_momentum")
        elif self.position and self.data0.close[0] < self.exit_ma[0]:
            self.close_long("momentum_ma_exit")

RateOfChangeStrategy 的智慧代理審閱應針對此特定策略執行摘要訊號路徑、帳本完整性、風險控制活動與純做多原則狀態。

Part 9: 執行委員會摘要與結語

相關摘要： 將技術研究轉化為高階主管與委員會語言。本部分總結測試了什麼、仍有哪些不確定性、為什麼工作流程不能取代人的問責制，以及如何負責地說明結果。

高階主管結語與治理審閱

相關摘要： 將技術工作流程轉化為委員會語言。本節說明智慧代理如何在不取代責任歸屬的情況下加速研究、證據應如何被挑戰，以及專業人士如何持續對適合度、風險承受度、資料品質、執行就緒度與最終資金決策負責。

結尾將市況研究轉化為決策語言。委員會需要知道測試了哪些波動度、動能與市場狀態篩選器，它們是否改善了 AMZN 曝險紀律，以及是否引入了滯後、換手率或錯過的復甦。

智慧代理不會取代專業人員。智慧代理工具可以整理市況證據並摘要回撤，但適合度、投資授權符合度、成本承受度與最終資金決策仍是人的責任。

有紀律的結尾會避免宣傳性語言。訊息是：信任訊號前先審閱市場狀態，讚賞擇時前先檢視換手率，並讓問責制留在投資團隊。

高階主管口頭結語

最終訊息是特定市況相關的：擇時規則應說明它預期在哪種環境中有效。AgentCore 與 Strands Agents 可以加速市況審閱，而 Backtrader 可以重播規則路徑，但兩者都不能保證下一個 AMZN 市況會與上一個相同。

委員會使用的執行摘要（Executive Summary）

這篇具市況感知能力的文章應用於詢問擇時規則在波動度、動能與基準指數狀態中是否有不同表現。委員會應聚焦於篩選器是改善了紀律，還是只是延後了決策，以及產生的交易次數是否能承受成本、稅務與營運審閱。

最終決策仍屬於人。智慧代理工具可以整理市況證據並標示回撤行為，但它無法決定投資授權的符合度，也無法保證未來的市場狀態會類似於回測窗口。

Part 10: 來源、資料註記與最終揭露

相關摘要： 將來源、資料註記、限制與最終揭露語言放在一起。本部分釐清資料假設、時間窗口、AWS 設計參考與文章的教育界線。

來源與資料註記

• 真實資料工作流程： 可執行範例使用 yfinance 下載 AMZN、^NDX、^GSPC 與 ^DJI 的每日 OHLCV 資料。
• 時間範圍： 2006-06-19 至 2026-06-19，視市場假日與資料供應商可用性而定。
• AWS 設計模式： Bedrock AgentCore 執行階段用於智慧代理協調（agent orchestration），Strands Agents 用於工具協調，而 AWS 受治理的資料模式則用於資料血統、存取與產出物儲存。
• 僅限教育用途： 非個人化建議、非招攬行為，也非績效保證。

最終治理資料註記

• 真實資料工作流程： 可執行範例應使用經核准的每日 OHLCV 資料，涵蓋 AMZN、Nasdaq 100、S&P 500 與 Dow Jones Industrial Average。
• 時間範圍： 範例設計使用二十年研究窗口，且應在每次執行中記錄精確的開始與結束日期。
• AWS 設計模式： Bedrock AgentCore 執行階段可以承載智慧代理協調，而 Strands Agents 可以協調工具使用與結果審閱。
• 僅限教育用途： 非個人化建議、非招攬行為，也非績效保證。