AgentCore 上のマルチ Agent クオンツ・バックテスト

AWS Hong Kong Summit 2026 · Developer Lounge 振り返り · 全 6 本中 第 5 本

AWS Magazine · ビクトリア・ハーバーからの現地レポート

空気感：高資本がハイテクと出会う場所

AWS Hong Kong Summit 2026 Developer Lounge のガラスカーテンウォールのそばに立てば、独特のエネルギーを感じたはずだ。床から天井までの窓が中環の輝くタワーと、ビクトリア・ハーバーを切り進むタグボートを縁取る。室内の Lounge は、シリコンバレーのハッカースペースと香港のプライベート資産運用スイートのハイブリッドのようだった——洗練されたエルゴノミック家具、職人エスプレッソマシン、光るデュアルモニタ、メカニカルキーボードのリズムが低周波のディールメイキングと混ざる。

この部屋で「money in / money out」は抽象概念ではない。究極の指標だ。正式トークの合間に、プライベートスタートアップミートアップが Lounge の各コーナーで湧き上がっていた。フーディの創業者が仕立てのスーツの VC パートナーと並び、ナプキンのスケッチにビジネスモデルを走り書きしながら、AWS ダッシュボード上のライブテレメトリを見つめていた。

その脈動が最も強く響いたのが、Haowen Huang のハンズオンワークショップトラック周りだった。香港は資本リスクを本能的に理解する：測り、ストレステストし、盲目にデプロイしない。クオンツ、シニアアーキテクト、好奇心旺盛なスタートアップビルダーが Lounge セッションに押し入り、生成 AI が定量バックテストをどう完全に書き換えているかを見た。

コアデモ：三つの AI agent がシームレスに協業し、平易な言葉の取引アイデアを自動化された本格定量バックテストレポートへ変える。

+-----------------------------------------------------------------------------------+
DEVELOPER LOUNGE HIGH-TECH ARCHITECTURE

[ User Natural Language ]
          v
[ Quant Orchestrator (Claude Sonnet 4) ]
          v
   --> [ Strategy Generator ]   Claude Opus 4 code generation
   --> [ MCP Gateway ]          S3 Tables market data
   --> [ Result Summarizer ]    Nova Lite 2.0 report
+-----------------------------------------------------------------------------------+

• Builder リソース：Amazon Bedrock AgentCore + Strands quant backtesting

• ハンズオンカタログ：Agentic Backtesting for Quants by Bedrock AgentCore and Strands Agents

Summit 必須免責事項：本ワークショップトラックは学習とアーキテクチャ議論のために厳密に設計されている。投資助言を構成しない。参加者は自身の投資判断とあらゆる財務結果について単独で責任を負う。市場データは Yahoo Finance 経由で教育デモンストレーション目的のみ取得する。

AWS Hong Kong Summit 2026 で、Haowen Huang の Developer Lounge ワークショップは、三つの Amazon Bedrock AgentCore agent——Claude Opus 4、Claude Sonnet 4、Amazon Nova Lite 2.0 駆動——が自然言語の取引アイデアを完全な Backtrader バックテストへ変える様子を示した。Strands Agent-as-Tools、S3 Tables からの MCP Gateway 市場データ、Cognito アイデンティティ、メモリ、CloudWatch 可観測性を使い、ビルダーはコスト意識のあるマルチ agent 設計、ハンズオンラボ進行、クオンツワークフローの本番パターンを学んだ——実投資助言は含まない。

1. 定量バックテスト 101 — なぜ Agent が必要か

定量取引において、バックテストとは、実資本をリスクにさらす前に戦略のパフォーマンスを評価するため、取引戦略を歴史的市場データに対してテストするプロセスだ。

なぜバックテストが重要か

ライブ市場へ実資本をデプロイする前に、クオンツはリスクとパフォーマンス指標を厳格に評価しなければならない：

伝統的ワークフロー vs. 課題

1. 戦略ルールを定義：エントリー／エグジットシグナル、ポジションサイジング、リスクコントロール。

2. 歴史データを収集：きれいな OHLCV（Open, High, Low, Close, Volume）価格／時系列データ。

3. コードを書く：Backtrader、Zipline、またはカスタムスクリプトで戦略ルールを実装。

4. シミュレーションを実行：歴史タイムライン横断でトレードを実行。

5. 分析を解析：エクイティカーブ、ドローダウンマップ、リスクレシオを生成。

ギャップ：成功には四つの異なるスキルセットが要る——ドメイン取引知識、データエンジニアリング、専門 Python コーディング、統計分析。伝統的セットアップでは、一人の開発者が四つすべてに秀でることは稀だ。マルチ agent システムは、各専門ドメインを専用 AI agent へ委譲することでこのギャップを埋める。

2. ハンズオン：ビルダーが Lounge で組み立てたもの

90 分・300 レベルのワークショップは、参加者に完全なマルチ agent ワークフローを即座に構築するハンズオンアクセスを与えた。

• ローカルセットアップ不要：開発者は AWS 上に事前プロビジョンされたブラウザベース Code-OSS（オープンソース VS Code） 環境を開いた。

• スキル前提：基本的な Python 知識と、取引ルールの概念理解（例：売買シグナル、移動平均）。

• コア目標：Amazon Bedrock AgentCore 上にホストされた三つの専門 AI agent を構築・デプロイ・トレースし、Strands Agents SDK で結びつける。

+-----------------------------------------------------------------------------------+
DEVELOPER LOUNGE IDE ENVIRONMENT (CODE-OSS)

File Explorer                 Editor: quant_agent.py
  - agents/                     import agentcore
  - tools/                      @agentcore.orchestrator
  - requirements.txt            def run_pipeline():
                                  # Strands multi-agent loop

Terminal
  $ agentcore launch --auto-update-on-conflict
+-----------------------------------------------------------------------------------+

3. 基盤モデル：タスクにモデルを合わせる

Haowen のワークショップのキーテイクアウェイは、モデルコストとレイテンシの最適化だった：単一の巨大モデルにすべてのサブタスクを強制するな。代わりに、特定の agent 役割にモデルを合わせる：

このアプローチは、実行が重要なところで高いコード精度（Opus 4）を提供しつつ、要約を高速でコスト効率よく保つ（Nova Lite 2.0）。

4. Backtrader：ボンネット下のエンジン

システムは人気のオープンソース Python バックテストフレームワーク Backtrader に依存する。特徴：

• イベント駆動のバックテスト実行エンジン。

• 組み込みテクニカル指標（SMA、EMA、RSI、MACD など）。

• ネイティブのポジションサイジングと注文管理。

• 自動パフォーマンス分析（シャープレシオ、最大ドローダウン、トレード統計）。

Strategy Generator Agent が動的に Backtrader Python スクリプトを書き、それを Quant Agent が実歴史市場データに対して安全に実行する。

5. マルチ Agent アーキテクチャと Strands パターン

マルチ Agent システムの四つの主要利点

1. 専門化：専門化された prompt とモデルがタスク精度を高める。

2. スケーラビリティ：サブ agent は呼び出し負荷に基づき独立にスケールする。

3. コスト効率：高能力 FM は複雑な推論タスクにのみ使う。

4. 保守性：隔離された agent が粒度の細かい更新とテストを可能にする。

四つのマルチ Agent パターン（Strands Agents Framework）

「Agent as Tools」フローの実働

+-----------------------------------------------------------------------------------+
AGENT AS TOOLS FLOW

[ User Prompt: "Test a 20/50 SMA Crossover on AAPL" ]
          v
[ Quant Agent Orchestrator ]
          v
   (1) --> Strategy Generator (Claude Opus 4)
           returns Backtrader Python code
   (2) --> Market Data MCP Tool
           returns historical OHLCV
   (3) --> Result Summarizer (Amazon Nova Lite 2.0)
           returns performance analysis report
+-----------------------------------------------------------------------------------+

1. Quant Agent がユーザー意図を受け取る。

2. Strategy Generator を呼び出し、テキストを有効な Python Backtrader コードへ変える。

3. Market Data MCP Tool を呼び出し、日次 OHLCV 価格を取得する。

4. Backtrader シミュレーションをローカルで実行する。

5. 生結果を Result Summarizer へ渡し、最終分析レポートを生成する。

6. Amazon Bedrock AgentCore サービス深掘り

Amazon Bedrock AgentCore は、本番 AI agent の構築・デプロイ・ガバナンス向けのフルマネージドインフラを提供する。

+-----------------------------------------------------------------------------------+
BEDROCK AGENTCORE SUITE

AgentCore Runtime          AgentCore Gateway           AgentCore Memory
  Serverless hosting         MCP tool routing            State and context

AgentCore Identity         Observability               Policy and Guard
  Cognito OAuth auth         OpenTelemetry tracing       Cedar controls
+-----------------------------------------------------------------------------------+

完全 AgentCore カタログ

Lounge でのデプロイコマンド

開発者は単純な CLI 呼び出しでオーケストレータを AgentCore Runtime へ直接デプロイした：

# Configure the AgentCore Runtime entry point
agentcore configure --entrypoint quant_agent.py --name quant_agent \
  --requirements-file requirements.txt --idle-timeout 900

# Launch and update environment variables dynamically
agentcore launch --auto-update-on-conflict \
  --env AWS_REGION=$WORKSHOP_REGION \
  --env STRATEGY_GENERATOR_RUNTIME_ARN=arn:aws:bedrock:us-east-1:123456789012:agent/strat_gen \
  --env AGENTCORE_GATEWAY_URL=https://gateway.bedrock.us-east-1.amazonaws.com/mcp

7. 三層システムアーキテクチャ

+-----------------------------------------------------------------------------------+
SYSTEM ARCHITECTURE

[ Layer 1: Frontend ]
  Next.js interactive dashboard (strategy form, real-time charts)
          v
[ Layer 2: Orchestration Layer ]
  Bedrock AgentCore Runtime (Quant Agent Orchestrator)
    --> Strategy Generator (Claude Opus 4)
    --> Result Summarizer (Amazon Nova Lite 2.0)
    --> Execute Backtrader simulation engine
          v
[ Layer 3: Enterprise Data Layer ]
  AgentCore MCP Gateway (Cognito OAuth)
          v
  PyIceberg Query Lambda
          v
  Amazon S3 Tables (Apache Iceberg market data)
+-----------------------------------------------------------------------------------+

1. フロントエンド層：インタラクティブフォーム、リアルタイム agent 実行トレース、パフォーマンス可視化を提供する Next.js ダッシュボード。

2. オーケストレーション層：マルチ agent システムをホストする AgentCore Runtime。

3. データ層：Apache Iceberg 形式の歴史株価データを格納する Amazon S3 Tables。PyIceberg 駆動の Lambda がこのデータを読み、AgentCore MCP Gateway 経由で標準 get_market_data ツールを露出する。

8. ステップバイステップ・ラボ進行

ワークショップは八つの段階的ハンズオンモジュールで構成された：

+-----------------------------------------------------------------------------------+
LAB PROGRESSION

[ Lab 1: Deploy ] --> [ Lab 2: Memory ] --> [ Lab 3: Gateway ] --> [ Lab 4: Multi-Agent ]
[ Lab 8: A2A ]   <-- [ Lab 7: Sandbox ] <-- [ Lab 6: Policy ]  <-- [ Lab 5: Tracing ]
+-----------------------------------------------------------------------------------+

• Lab 1：Strategy Generator をデプロイ：AgentCore Runtime 上に基本 prompt agent をデプロイ。

• Lab 2：AgentCore Memory を追加：マルチターン会話のフォローアップを扱う短期メモリを付与。

• Lab 3：市場データ付き Quant Agent を構築：Gateway と Identity で外部ツールエンドポイントへ接続。

• Lab 4：マルチ Agent オーケストレーション：Strategy Generator、Result Summarizer、Gateway をオーケストレータフローへ結合。

• Lab 5：可観測性とトレーシング：CloudWatch で agent 実行パス、ツール呼び出し、パフォーマンスボトルネックをトレース。

• Lab 6（Bonus）：AgentCore Policy：Cedar ベースのポリシー制御を適用しモデル相互作用をガバナンス。

• Lab 7（Bonus）：サンドボックス実行：コード実行を安全な AgentCore Code Interpreter サンドボックスへ移す。

• Lab 8（Bonus）：Agent-to-Agent（A2A）：カスタム API を標準化されたオープン A2A プロトコル相互作用へ置き換える。

9. キーコンセプト要約

Developer Lounge からの締めの言葉

午後の陽光がビクトリア・ハーバーの背後に沈み、ガラスのタワーに金色の色合いを落とすなか、Developer Lounge は依然満員だった。ビルダーたちは新しい prompt を試し、Backtrader 戦略出力をチューニングし、CloudWatch トレースのレイテンシを比較し続けていた。

このシステムを魅力的にするのは、コードを書くことだけではない——複雑な人間ワークフローをモジュール化されスケーラブルな serverless コンポーネントへ構造化することだ。専門 AI モデルを Amazon Bedrock AgentCore のようなマネージドインフラと組み合わせることで、開発者は実世界テストに備えた信頼できる agent ワークフローを構築できる。