此文章現在已發布於 AWS 官方 Builder Center。你可以前往官方文章，或關閉此視窗並留在此頁繼續閱讀。
長期的 AMZN 贏家仍需要戰術性的部位大小調整（Sizing）、停損紀律、趨勢確認、回撤（Drawdown）溝通以及交易員審閱。本文將建立一個由 Bedrock AgentCore 所編排（Orchestrated）的 Strands 系統，用以執行 20 種純做多（Long-only）策略、彙整自訂引擎結果、比較夏普值（Sharpe Ratio）與勝率（Win Rate）、記錄經驗教訓，並安全地支援治理委員會的合法財務規劃對話。
教育目的： 此處呈現的內容完全聚焦於合法財務規劃教育，旨在提升對概念、方法論與分析方法的理解，並不推廣任何特定證券、策略或市場參與決策。
非個人化建議： 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對未來績效、結果或報酬的任何保證。
數據限制： 由於在沙盒（Sandbox）環境中無法取得即時數據（Live Data），上傳的結果依賴確定性離線數據（Deterministic Offline Data），因此輸出應解讀為示範性範例，而非即時分析。
純做多（Long-Only）範圍： 所有研究語言均採用純做多，避免使用選擇權（Options）、賣權（Puts）、放空（Short Selling）或看空策略（Bearish Strategies），以確保討論整體聚焦於傳統資產持有與正向的方向性暴險（Directional Exposure）概念。
一份 AMZN 策略排名表只是對話的起點。本文聚焦於每個排名背後應有的審閱紀錄：該規則試圖捕捉什麼、交易頻率多高、需要承受多少回撤、應如何解讀勝率，以及交易員在下一個研究循環中應帶走什麼教訓。
本系列文章不建議買進、賣出或持有 Amazon。本篇使用策略紀錄作為教育性的審閱證據，而非資產配置指引（Allocation Guidance）。
第三部分的交易員語氣，是執行完成後的審閱者。本文較少著墨於建立引擎，更多是在於用紀律閱讀紀錄：報酬率（Return）、夏普值、回撤、交易次數（Trade Count）、勝率、週轉率負擔（Turnover Burden），以及規則行為是否符合其宣告目的（Stated Purpose）。
團隊經常對排名反應過度。最高報酬率的欄位可能隱藏了痛苦的歷史回撤，而較低報酬率的欄位則可能提供關於週轉率、訊號時機（Signal Timing）或防禦性行為（Defensive Behavior）的有用教訓。交易員審閱紀錄能避免讓每個策略太快變成獎盃或被丟棄的清單。
此工作流（Workflow）支援更好的執行後（Post-run）審閱。它協助投資組合團隊比較策略性格，協助風險團隊先於報酬率去挑戰回撤，協助治理團隊確認數據邊界，並協助委員會避免將排名表直接視為決策引擎。
相關摘要： 建立機構交易語氣、AMZN 部位脈絡與溝通紀律。它將文章框架設定為教育與規劃支援，而非投資建議、推薦、招攬或對未來報酬的承諾。
開場不應在說明控制問題前就慶祝某個部位。強勁的 AMZN 獲利（Gain）可能帶來信心，但信心不能取代進場紀律、出場紀律、部位大小調整邏輯、回撤容忍度與相對基準審閱（Benchmark-relative Review）。
有用的實務筆記（Practice-note）訊息在此被吸收為說話紀律：使用證據語言、說明數據模式、點名假設，並避免承諾確定性。文章讀起來應該像機構研究，而不是推銷文案（Promotional Pitch）。
相關摘要： 定義為何有獲利的做多部位仍需要以證據為基礎的進場、出場、部位大小調整、回撤與基準控制。它將投資組合管理、風險監督、技術治理與稽核需求（Audit Requirements）連結為一個可審閱的工作流。
商業問題是證據碎片化。投資組合團隊想要速度，風險團隊想要可追溯性（Traceability），技術團隊想要安全編排（Secure Orchestration），合規（Compliance）團隊則想要適當的語言。此工作流透過建立可重複的研究路徑來對齊 these 需求。
部位紀律代表每個策略都應回答相同問題：為何進場、為何出場、多少暴險（Exposure）、什麼成本假設、什麼回撤路徑，以及什麼基準脈絡。這些問題現在屬於本文主體，而不是結尾註記。
相關摘要： 透過分離編排器（Orchestrator）、數據 Agent、策略 Agent、回測工具（Backtest Tool）、風險審閱者（Risk Reviewer）與治理檢查者（Governance Checker）來說明智能體架構。每個元件都具備受限權限、受控工具，以及用於金融服務審閱的已記錄輸出。
本文中的架構是從審閱桌面（Review Desk）的角度觀察。量化編排器（Quant Orchestrator）記錄請求，引擎產生帳本，風險審閱 Agent 讀取排名表，而治理 Agent 則確保交易員審閱維持教育性、純做多，並受到示範數據限制（Demo-data Limitation）的約束。
智能體治理（Agent Governance）代表受限權限。Agent 可以準備證據，但不能決定適合度（Suitability）、保證報酬，或取代投資委員會。日誌（Logs）與產出物（Artifacts）讓工作流可以被挑戰。
相關摘要： 說明本文特定的引擎路徑（Engine Path）、程式碼對話（Code Talk）、策略邏輯與審閱控制。本節將實作細節（Implementation Details）轉換為可被風險、技術與治理利害關係人挑戰的交易員語言。
程式碼路徑應被說明為控制地圖（Control Map）。輸入（Inputs）餵入指標（Indicators），指標產生進場與出場訊號，引擎模擬訂單（Orders），套用成本，寫入帳本，最後由指標度量（Metrics）彙整路徑。這個順序用業務可讀邏輯（Business-readable Logic）取代了逐行背誦程式碼。
訊號邏輯（Signal Logic）與執行邏輯（Execution Logic）應保持分離。訊號可能表示條件有利，但引擎仍必須檢查現金、部位狀態、手續費（Commission）、風險出場與帳本更新。這種分離能改善審閱品質。
本文聚焦於交易員審閱、委員會紀錄、交叉訊號（Crossover Signals）、復甦策略與經驗教訓。讀者應評估程式碼路徑是否足以讓委員會、風險審閱者或技術擁有者（Technology Owner）看見並挑戰這些控制措施。
相關摘要： 透過報酬率、波動度、夏普值、回撤、交易次數、勝率、帳本品質與營運可行性審閱策略紀錄與經驗教訓。本節將示範結果（Demo Results）視為工作流證據，而非真實市場建議。
策略紀錄不應被解讀為建議。它們是用於比較規則行為、交易頻率、回撤輪廓（Drawdown Profile）與可解釋性（Explainability）的證據。當數據模式是確定性離線示範數據時，這些數字尤其受到限制。
經驗教訓應具體。高報酬率策略可能有令人不適的回撤。低週轉率（Turnover）策略可能較容易治理。高交易次數策略則可能造成決策疲勞（Decision Fatigue）、滑價暴險（Slippage Exposure）與營運負擔。
相關摘要： 將程式碼、圖表與帳本轉換為委員會語言：測試了什麼、改善了什麼、失敗了什麼、仍有哪些不確定性，以及為何在進行任何生產（Production）或配置決策（Allocation Decision）前，人類判斷仍是最終控制。
結尾應將研究轉譯為治理語言。委員會需要知道測試了什麼、產生了什麼證據、哪些假設至關重要、什麼失敗了，以及什麼仍屬於人類決策。
負責任的結尾會避免勝利語言。它會指出 Agent 可以協助記錄假設、執行可重複測試、比較行為並準備更好的審閱，而人類判斷仍是最終控制。
相關摘要： 將交易員審閱標準、委員會證據包、回撤溝通、排名限制與治理視角分組，讓閱讀更清楚。
交易員審閱應說明什麼有效、什麼失敗，以及什麼仍未知。「有用，但不足夠（useful, but not sufficient）」這句話能讓討論保持紀律，並避免將示範輸出轉化為配置建議。
委員會證據包應包含策略描述、數據模式、關鍵指標、回撤、交易次數、勝率、帳本可用性、限制條件，以及僅供研究用途的明確下一步建議。
回撤應先於報酬率進行討論，因為它描述了交易員必須經歷的痛苦路徑。即使策略有吸引人的報酬率，若其壓力路徑（Pressure Path）無法接受，仍可能不適合。
排名結果表是起點，而非決策引擎。更高的報酬率、更高的夏普值、更低的週轉率與更低的回撤，可能指向不同的策略個性（Strategy Personalities）與不同的授權符合度（Mandate Fits）。
研究敘事應先識別數據模式、規則邏輯、假設、成本、回撤與帳本可用性。觀點應該在證據之後，而不是之前。
當結果來自離線確定性示範數據時，文章應在主體中說明。示範紀錄對工作流教育與審閱設計有用，但不能用於做出真實的配置決策。
交易帳本是桌面的記憶系統。它顯示部位何時開啟、何時關閉、使用什麼大小（Size）、由哪個訊號觸發，以及流程是否遵守風險規則。
專業讀者應在結論前看見失敗模式。趨勢規則可能會被雙巴（Whipsaw），復甦規則可能會錯過持續的弱勢，而主動訊號產生的週轉率，在筆記本（Notebook）裡看起來往往比在實際交易桌（Desk）上更乾淨。
智能體工具可以蒐集、執行、彙整與組織，但投資組合所有者（Portfolio Owner）仍需對授權符合度、適合度、風險容忍度與最終判斷負責。
相關摘要： 將系列焦點、AgentCore 與 Strands 營運模式，以及完整策略結果表分離到一個證據審閱章節。
本文是系列文章中的第三部分，聚焦於交易員審閱、委員會紀錄、交叉訊號與復甦策略。它使用 Bedrock AgentCore 與 Strands Agents 作為智能體營運模式、上傳的自訂 Cerebro 風格引擎（Cerebro-style Engine）作為程式碼基礎，並以策略摘要紀錄作為績效審閱證據。所有討論均屬於教育性質，而非投資建議。
生產設計（Production Design）分離了五項責任：量化編排器接收研究請求，並將其拆解為數據、策略、執行、風險與治理任務；市場數據 Agent擷取或驗證 AMZN 與基準數據；策略 Agent產生進場與出場訊號；回測引擎工具執行自訂的 Cerebro 風格模擬；風險審閱 Agent讀取交易帳本、績效指標與圖表；治理 Agent則檢查資訊揭露（Disclosures）、純做多政策、數據來源（Data Provenance）與適合度語言。
AgentCore Runtime 是 Agents 與工具的安全託管層（Secure Hosting Layer），而 Strands Agents 則提供了工具調用（Tool Calling）、編排與 Agent 行為的程式設計模式（Programming Model）。在受監管的金融服務業（FSI）環境中，Agent 不應直接核准交易。它應該建立證據、凸顯不確定性，並將輸出路由到人工審閱（Human Review）。
實務上的 AWS 數據層透過讓紀錄可供比較來支援本文的審閱。委員會在接受 any 經驗教訓前，應該要能以相同的執行識別碼（Run Identifier）開啟摘要表、個別帳本、圖表產出物與異常筆記（Exception Notes）。
上傳的摘要依總報酬率、年化報酬率、波動度、夏普值、最大回撤、交易次數與勝率對 20 種自訂引擎策略進行排名。上傳的宣示檔案（Manifest）將引擎識別為 CustomCerebroEngine，顯示策略數量為 20、圖片數量為 22，並說明規則：純做多、無選擇權、無賣權、不放空。
下表是交易員紀錄，不是投資建議。由於 Manifest 說明數據模式是離線確定性示範數據，這些數字適合用來解釋工作流與程式碼邏輯，不適合用來做出真實的配置決策。在生產環境中，同一個工作流應針對已驗證的真實 AMZN 與基準數據重新執行。
| 排名 | 策略 | 總報酬率 | 年化報酬率 | 波動度 | 夏普值 | 最大回撤 | 交易次數 | 勝率 |
|---|---|---|---|---|---|---|---|---|
| 1 | IchimokuLongStrategy | 1430.60% | 14.08% | 12.33% | 1.14 | -22.43% | 53 | 47.17% |
| 2 | DonchianTrendStrategy | 921.18% | 11.87% | 11.43% | 1.04 | -24.64% | 20 | 70.00% |
| 3 | ADXTrendStrategy | 723.63% | 10.72% | 9.13% | 1.17 | -16.88% | 116 | 51.72% |
| 4 | MultiFactorEnsembleStrategy | 604.05% | 9.88% | 11.23% | 0.88 | -24.44% | 143 | 33.57% |
| 5 | RelativeStrengthNDXStrategy | 587.02% | 9.75% | 11.17% | 0.87 | -23.23% | 135 | 45.19% |
| 6 | Breakout55Strategy | 555.52% | 9.50% | 10.65% | 0.89 | -24.14% | 27 | 59.26% |
| 7 | CCIMomentumStrategy | 551.10% | 9.47% | 9.81% | 0.96 | -19.07% | 115 | 49.57% |
| 8 | ParabolicSARStrategy | 497.68% | 9.01% | 11.78% | 0.76 | -24.28% | 357 | 25.77% |
| 9 | MACDTrendStrategy | 430.40% | 8.39% | 10.69% | 0.78 | -26.60% | 214 | 41.59% |
| 10 | MarketRegimeSPXStrategy | 421.61% | 8.30% | 10.44% | 0.79 | -23.20% | 167 | 32.34% |
| 11 | GoldenCrossStrategy | 330.81% | 7.31% | 9.80% | 0.75 | -27.62% | 10 | 70.00% |
| 12 | DowRiskFilterStrategy | 181.18% | 5.12% | 8.78% | 0.58 | -19.07% | 18 | 55.56% |
| 13 | RateOfChangeStrategy | 161.42% | 4.75% | 9.56% | 0.50 | -44.62% | 213 | 45.07% |
| 14 | EMACrossStrategy | 143.43% | 4.39% | 8.61% | 0.51 | -17.57% | 40 | 50.00% |
| 15 | RSIRecoveryStrategy | 50.38% | 1.99% | 5.50% | 0.36 | -23.55% | 18 | 72.22% |
| 16 | StochasticStrengthStrategy | 28.78% | 1.23% | 8.70% | 0.14 | -27.95% | 741 | 40.35% |
| 17 | KeltnerChannelStrategy | 27.40% | 1.18% | 3.74% | 0.31 | -10.50% | 13 | 69.23% |
| 18 | BollingerReversionStrategy | 16.69% | 0.75% | 4.66% | 0.16 | -28.36% | 46 | 71.74% |
| 19 | VolumeConfirmStrategy | 5.95% | 0.28% | 1.87% | 0.15 | -12.46% | 5 | 40.00% |
| 20 | ATRChannelStrategy | 1.52% | 0.07% | 1.93% | 0.04 | -7.28% | 3 | 66.67% |
相關摘要： 將 GoldenCross、DowRiskFilter、RateOfChange、EMACross 與 RSIRecovery 紀錄彙整到一個策略審閱章節。
程式碼對話 (Code talk)。 GoldenCrossStrategy 使用經典的 50/200 移動平均線交叉（Moving Average Crossover）。對於 GoldenCrossStrategy 而言，訊號定義應與執行機制分開審閱，讓委員會能區分市場邏輯與訂單模擬、成本處理及帳本產出。
交易員績效審閱。 總報酬率為 330.81%，年化報酬率為 7.31%，波動度為 9.80%，夏普值為 0.75，最大回撤為 -27.62%，交易次數為 10，勝率為 70.00%。這些數字是上傳的自訂引擎離線示範紀錄，不是真實市場結果。
交易紀錄與經驗教訓。 GoldenCrossStrategy 的教訓是將紀錄作為審閱提示：檢查可解釋性、週轉率、回撤容忍度、成本敏感度，以及該規則是否在標題報酬率（Headline Return）之外增加了部位管理洞察（Position-management Insight）。
程式碼對話 (Code talk)。 DowRiskFilterStrategy 結合了道氏趨勢條件（Dow trend condition）與 AMZN 快慢 EMA 交叉。對於 DowRiskFilterStrategy 而言，訊號定義應與執行機制分開審閱，讓委員會能區分市場邏輯與訂單模擬、成本處理及帳本產出。
交易員績效審閱。 總報酬率為 181.18%，年化報酬率為 5.12%，波動度為 8.78%，夏普值為 0.58，最大回撤為 -19.07%，交易次數為 18，勝率為 55.56%。這些數字是上傳的自訂引擎離線示範紀錄，不是真實市場結果。
交易紀錄與經驗教訓。 DowRiskFilterStrategy 的教訓是將紀錄作為審閱提示：檢查可解釋性、週轉率、回撤容忍度、成本敏感度，以及該規則是否在標題報酬率之外增加了部位管理洞察。
程式碼對話 (Code talk)。 RateOfChangeStrategy 要求 6 個月的變動率（Rate-of-change）高於特定門檻，並在低於中期平均線時出場。對於 RateOfChangeStrategy 而言，訊號定義應與執行機制分開審閱，讓委員會能區分市場邏輯與訂單模擬、成本處理及帳本產出。
交易員績效審閱。 總報酬率為 161.42%，年化報酬率為 4.75%，波動度為 9.56%，夏普值為 0.50，最大回撤為 -44.62%，交易次數為 213，勝率為 45.07%。這些數字是上傳的自訂引擎離線示範紀錄，不是真實市場結果。
交易紀錄與經驗教訓。 RateOfChangeStrategy 的教訓是將紀錄作為審閱提示：檢查可解釋性、週轉率、回撤容忍度、成本敏感度，以及該規則是否在標題報酬率之外增加了部位管理洞察。
程式碼對話 (Code talk)。 EMACrossStrategy 使用靈敏的 10/30 EMA 交叉，並搭配標普 500 指數確認（S&P confirmation）。對於 EMACrossStrategy 而言，訊號定義應與執行機制分開審閱，讓委員會能區分市場邏輯與訂單模擬、成本處理及帳本產出。
交易員績效審閱。 總報酬率為 143.43%，年化報酬率為 4.39%，波動度為 8.61%，夏普值為 0.51，最大回撤為 -17.57%，交易次數為 40，勝率為 50.00%。這些數字是上傳的自訂引擎離線示範紀錄，不是真實市場結果。
交易紀錄與經驗教訓。 EMACrossStrategy 的教訓是將紀錄作為審閱提示：檢查可解釋性、週轉率、回撤容忍度、成本敏感度，以及該規則是否在標題報酬率之外增加了部位管理洞察。
程式碼對話 (Code talk)。 RSIRecoveryStrategy 在價格維持高於長期趨勢時，買入從超賣區（Oversold）復甦的 RSI 訊號。對於 RSIRecoveryStrategy 而言，訊號定義應與執行機制分開審閱，讓委員會能區分市場邏輯與訂單模擬、成本處理及帳本產出。
交易員績效審閱。 總報酬率為 50.38%，年化報酬率為 1.99%，波動度為 5.50%，夏普值為 0.36，最大回撤為 -23.55%，交易次數為 18，勝率為 72.22%。這些數字是上傳的自訂引擎離線示範紀錄，不是真實市場結果。
交易紀錄與經驗教訓。 RSIRecoveryStrategy 的教訓是將紀錄作為審閱提示：檢查可解釋性、週轉率、回撤容忍度、成本敏感度，以及該規則是否在標題報酬率之外增加了部位管理洞察。
相關摘要： 以交易教訓、來源與證據註記、委員會結語敘事，以及最終治理檢查清單作結。
交易紀錄不只是收據。它是交易桌的記憶系統。每個進場日期都在詢問交易員是否有可重複的訊號，還是只是在聽故事。每個出場日期都在詢問流程是否尊重風險，還是等待情緒來談判。每個回撤都在詢問部位大小調整規則是否誠實面對波動度。
交易員審閱文章的第一個教訓是排名需要解讀。GoldenCrossStrategy、DowRiskFilterStrategy、RateOfChangeStrategy、EMACrossStrategy 與 RSIRecoveryStrategy 各自展現了在參與度（Participation）、耐心（Patience）、回撤與訊號頻率（Signal Frequency）之間不同的權衡（Tradeoffs）。
第二個教訓是審閱紀錄應點名仍未知的事項。示範指標（Demo Metrics）可以識別策略個性，但不能解決真實數據穩健性（Real-data Robustness）、成本敏感度、授權符合度或未來的市場環境行為（Future Regime Behavior）。
第三個教訓是交易員審閱應將活動（Activity）與洞察（Insight）分開。頻繁交易的策略可能揭示有用的時機選擇行為，但審閱紀錄必須顯示這些活動究竟是改善了風險調整後的參與度（Risk-adjusted Participation），還是只是創造了更多需要辯護的決策。
本文使用上傳的自訂引擎產出物作為績效討論來源。Manifest 說明引擎為 CustomCerebroEngine，數據模式為離線確定性示範數據，策略數量為 20，圖片數量為 22，且規則為純做多、無選擇權、無賣權、不放空。策略摘要檔案依總報酬率、年化報酬率、波動度、夏普值、最大回撤、交易次數與勝率對全部 20 種策略進行排名。上傳的程式碼檔案提供了引擎結構、指標定義、訊號地圖、指標度量函數與 Bloomberg 暗黑模式圖表生成方法（Bloomberg Dark-mode Chart Generation Approach）。
外部架構參考：Amazon Bedrock AgentCore 文件將 AgentCore 描述為一項託管服務（Managed Service），用於安全且大規模地部署與操作 Agent；AgentCore Runtime 則是支援 Strands、LangGraph 與 CrewAI 等框架的安全無伺服器環境（Secure Serverless Environment）。Strands 文件描述了如何將 Strands Agents 部署到 AgentCore Runtime，以及如何使用 Agent 入口點（Entrypoints）的 Python 整合模式。Backtrader 文件則在概念上被引用，用於 Cerebro 模式（Cerebro Pattern）：彙集數據饋送（Data Feeds）、策略、分析器（Analyzers）、觀察者（Observers）與繪圖功能（Plotting Facilities）。
以下是呈現研究前應演練的結尾訊息：
我們不是來慶祝獲利。我們是來檢查獲利背後的流程。Amazon 部位表現強勁，但強勁不會消除風險紀律的需求。我們建立了自訂引擎，整理了 20 種時機選擇策略，審閱了紀錄，並將研究證據與建議語言（Recommendation Language）分開。
正確的結論不是 Agent 應該替我們交易。正確的結論是 Agent 可以協助我們記錄假設、執行可重複測試、比較策略行為、揭露薄弱邏輯，並與風險、技術與治理團隊準備更好的對話。人類判斷仍是最終控制。