AgentCore 上的多 Agent 量化回測

AWS Hong Kong Summit 2026 · Developer Lounge 精華回顧 · 第 5 / 6 篇

AWS Magazine · 維多利亞港現場報導

現場氛圍：高資本遇上高科技

若你站在 AWS Hong Kong Summit 2026 Developer Lounge 的玻璃帷幕前，會感受到一股獨特的能量。落地窗框住中環閃耀的摩天大樓，以及維多利亞港上穿梭的拖船。室內，這座 Lounge 像是矽谷駭客空間與香港私人財富管理套房的混合體——流線型人體工學家具、手工義式咖啡機、雙螢幕閃爍微光，機械鍵盤的節奏聲與低頻交易談判交織。

在這個空間裡，「money in / money out」不是抽象概念，而是終極指標。正式演講之間，私人新創聚會在 Lounge 各角落悄然興起。穿帽 T 的創辦人與穿訂製西裝的 VC 合夥人並坐，一邊在餐巾紙上草擬商業模式，一邊盯著 AWS 儀表板上的即時遙測數據。

這股脈動在 Haowen Huang 的實作工作坊軌道上最為強烈。香港人對資本風險有本能的理解：你必須量化、壓力測試，絕不盲目部署。量化交易員、資深架構師與好奇的新創開發者擠滿 Lounge 場次，想親眼見證生成式 AI 如何徹底改寫量化回測。

核心示範：三個 AI Agent 無縫協作，將白話文交易構想轉化為自動化、全規模的量化回測報告。

+-----------------------------------------------------------------------------------+
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 資源：Amazon Bedrock AgentCore + Strands quant backtesting

• 實作目錄：Agentic Backtesting for Quants by Bedrock AgentCore and Strands Agents

Summit 必要免責聲明：本工作坊軌道嚴格設計用於學習與架構討論，不構成投資建議。參與者須自行對投資決策及任何財務結果負責。市場資料透過 Yahoo Finance 取得，僅供教學示範用途。

在 AWS Hong Kong Summit 2026，Haowen Huang 的 Developer Lounge 工作坊展示三個 Amazon Bedrock AgentCore Agent——由 Claude Opus 4、Claude Sonnet 4 與 Amazon Nova Lite 2.0 驅動——如何將自然語言交易構想轉為完整 Backtrader 回測。透過 Strands Agent-as-Tools、S3 Tables 的 MCP Gateway 市場資料、Cognito 身分、記憶體與 CloudWatch 可觀測性，開發者學到成本感知的 multi-agent 設計、實作實驗室進程與量化工作流程的正式環境模式——不含真實投資建議。

1. 量化回測 101 — 為什麼我們需要 Agent

在量化交易中，回測是將交易策略對歷史市場資料進行測試，以在投入真實資本前評估其績效的流程。

回測為何重要

在將真實資本部署到實盤市場之前，量化交易員必須嚴格評估風險與績效指標：

傳統工作流程 vs. 挑戰

1. 定義策略規則：進出場訊號、部位大小、風控機制。

2. 收集歷史資料：清理 OHLCV（Open, High, Low, Close, Volume）價格／時間序列資料。

3. 撰寫程式：使用 Backtrader、Zipline 等框架或自訂腳本實作策略規則。

4. 執行模擬：在歷史時間軸上模擬交易。

5. 分析統計：產生權益曲線、回撤圖與風險比率。

缺口：成功需要四種截然不同的技能：領域交易知識、資料工程、專精 Python 程式設計與統計分析。在傳統設定下，單一開發者很少能四項皆精。Multi-agent 系統透過將各專精領域委派給專責 AI Agent，填補這個缺口。

2. 實作環節：開發者在 Lounge 組裝了什麼

這場 90 分鐘、300 級的工作坊，讓與會者立即動手建構完整的多 Agent 工作流程。

• 無需本機設定：開發者開啟預先佈署在 AWS 上的瀏覽器版 Code-OSS（開源 VS Code） 環境。

• 技能先決條件：基本 Python 知識，以及對交易規則的概念理解（例如買賣訊號、移動平均）。

• 核心目標：建置、部署並追蹤三個託管於 Amazon Bedrock AgentCore 的專精 AI Agent，並以 Strands Agents SDK 串接。

+-----------------------------------------------------------------------------------+
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. 基礎模型：為任務配對合適的模型

Haowen 工作坊的一個關鍵收穫是模型成本與延遲最佳化：不要強迫單一大型模型處理每個子任務，而是為特定 Agent 角色配對模型：

這種做法在程式執行至關重要之處提供高程式準確度（Opus 4），同時讓摘要任務保持快速且具成本效益（Nova Lite 2.0）。

4. Backtrader：底層引擎

系統依賴 Backtrader——一款熱門的開源 Python 回測框架。其特色包括：

• 事件驅動的回測執行引擎。

• 內建技術指標（SMA、EMA、RSI、MACD 等）。

• 原生部位大小與訂單管理。

• 自動化績效分析（夏普比率、最大回撤、交易統計）。

Strategy Generator Agent 動態撰寫 Backtrader Python 腳本，再由 Quant Agent 對真實歷史市場資料安全執行。

5. Multi-Agent 架構與 Strands 模式

Multi-Agent 系統的四項關鍵優勢

1. 專精化：專用 prompt 與模型提升任務精準度。

2. 可擴展性：子 Agent 依呼叫負載獨立擴展。

3. 成本效率：高能力基礎模型僅用於複雜推理任務。

4. 可維護性：隔離的 Agent 允許細粒度更新與測試。

四種 Multi-Agent 模式（Strands Agents Framework）

「Agent as Tools」流程實戰

+-----------------------------------------------------------------------------------+
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 接收使用者意圖。

2. 呼叫 Strategy Generator，將文字轉為有效的 Python Backtrader 程式。

3. 呼叫 Market Data MCP Tool，取得每日 OHLCV 價格。

4. 在本機執行 Backtrader 模擬。

5. 將原始結果傳給 Result Summarizer，產生最終分析報告。

6. Amazon Bedrock AgentCore 服務深度解析

Amazon Bedrock AgentCore 提供建置、部署與治理正式環境 AI Agent 的全託管基礎設施。

+-----------------------------------------------------------------------------------+
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
+-----------------------------------------------------------------------------------+

完整 AgentCore 服務目錄

Lounge 中的部署指令

開發者以簡單 CLI 指令，將 orchestrator 直接部署至 AgentCore Runtime：

# 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. 三層系統架構

+-----------------------------------------------------------------------------------+
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. 前端層：Next.js 儀表板，提供互動表單、即時 Agent 執行追蹤與績效視覺化。

2. 編排層：AgentCore Runtime 託管 multi-agent 系統。

3. 資料層：Amazon S3 Tables 儲存以 Apache Iceberg 格式化的歷史股市價格資料。由 PyIceberg 驅動的 Lambda 函式讀取資料，並透過 AgentCore MCP Gateway 暴露標準 get_market_data 工具。

8. 逐步實驗室進程

工作坊分為八個漸進式實作模組：

+-----------------------------------------------------------------------------------+
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：部署 Strategy Generator：在 AgentCore Runtime 上部署基本 prompt Agent。

• Lab 2：加入 AgentCore Memory：附加短期記憶，處理多輪對話後續追問。

• Lab 3：建構具市場資料的 Quant Agent：使用 Gateway 與 Identity 連接 Agent 至外部工具端點。

• Lab 4：Multi-Agent 編排：將 Strategy Generator、Result Summarizer 與 Gateway 整合為 orchestrator 流程。

• Lab 5：可觀測性與追蹤：在 CloudWatch 中追蹤 Agent 執行路徑、工具呼叫與效能瓶頸。

• Lab 6（Bonus）：AgentCore Policy：套用 Cedar 政策控制，治理模型互動。

• Lab 7（Bonus）：沙箱執行：將程式執行移入安全的 AgentCore Code Interpreter 沙箱。

• Lab 8（Bonus）：Agent-to-Agent（A2A）：以標準化開放 A2A 協定互動取代自訂 API。

9. 關鍵概念摘要

Developer Lounge 閉幕感言

午後陽光沉入維多利亞港後方，為玻璃大樓鍍上一層金色，Developer Lounge 依然座無虛席。開發者仍在實驗新 prompt、微調 Backtrader 策略輸出，並比較 CloudWatch 追蹤延遲。

這套系統的吸引力不只在於它能寫程式——更在於它將複雜的人類工作流程結構化為模組化、可擴展的無伺服器元件。透過將專精 AI 模型與 Amazon Bedrock AgentCore 等託管基礎設施配對，開發者能建構可靠、可投入實際測試的 Agent 工作流程。