使用 AgentCore 和 Strands 构建受治理的 FSI Amazon 头寸管理手册 [第 4 部分]

描述： 企业级投资研究需要可复现的代码讲解、清晰的职责分离、受治理的数据血缘、可审计的策略记录以及严谨的信息披露。构建一个由四个代理组成的 Amazon Bedrock AgentCore 和 Strands 工作流，用于 AMZN 择时、头寸管理、自定义回测、Bloomberg 风格可视化、绩效复盘以及 FSI 高管沟通，同时不提供投资建议或产品招揽。

---

免责声明

教育目的： 本文内容仅聚焦于合法的金融规划教育，旨在帮助理解相关概念、方法论和分析路径，并不推广任何特定证券、策略或市场参与决策。

不构成个性化建议： 本文不提供任何个性化推荐、招揽或保证；在任何情况下，本教育材料均不明示、暗示或以其他方式承诺未来表现、结果或收益。

数据限制： 由于沙盒环境中无法使用实时数据，上传结果依赖确定性的离线数据，因此输出应被解读为说明性示例，而非实时分析。

仅限做多范围： 所有研究表述均限定为仅做多，避免期权、看跌期权、卖空或看空策略，确保讨论整体聚焦于传统资产持有和正向敞口概念。

---

在生产交接前先写好手册

一次五百个百分点的 AMZN 收益可以开启治理讨论，但生产交接需要的不只是热情和图表。最后这一部分把自定义引擎工作转化为一份 FSI 手册：语言标准、工件要求、较低收益诊断、图表解读纪律，以及任何运营使用前所需的控制措施。

本系列文章不建议买入、卖出或持有 Amazon。本部分说明受治理的手册如何将研究、教育和生产评审分离。

---

定位

第 4 部分的叙述角色是一名受治理的 FSI 运营人员，正在为高管、风险负责人、技术人员和合规评审人员准备材料。本文将较弱的策略记录视为有用的诊断材料，并且只有在有账本、数据说明和审批支持时，才把精美的 Bloomberg 风格视觉图表视为证据。

---

值得解决的客户问题

本手册文章中的客户问题是交接风险。一个研究工作流看起来可能已经完整，但仍缺少评审意见、审批状态、运行标识符、异常记录或披露边界。手册定义了在任何人将结果视为超出研究证据之前，必须随结果一起交付的内容。

---

该工作流支持的业务成果

该工作流支持围绕生产就绪状态展开讨论：已有何种证据、仍有哪些限制、哪些排名较低的策略能带来流程经验、图表应如何解读，以及还缺少哪些签核。其结果是从研究工件到受治理评审包的交接更加清晰。

---

目录

● 第 1 部分：机构化开场与治理口吻 — 建立受治理的 FSI 表述方式、AMZN 控制问题、假设、限制以及仅用于教育的框架。

● 第 2 部分：业务问题与 FSI 头寸纪律 — 说明为什么盈利的仅做多 AMZN 敞口仍需要择时证据、仓位规模纪律、退出机制、回撤复盘、血缘和问责。

● 第 3 部分：AgentCore 和 Strands 控制架构 — 解释具有边界权限的编排器、数据代理、策略代理、引擎工具、风险评审员和治理检查器。

● 第 4 部分：代码讲解、引擎逻辑与工件控制 — 映射政策校验、数据准备、信号、模拟、成本、止损止盈、账本、权益曲线、回撤和图表工件。

● 第 5 部分：较低收益策略记录与经验教训 — 将排名较低的策略记录作为换手、信号稀缺、参与不足、回撤和运营负担的诊断材料进行复盘。

● 第 6 部分：高管结尾与生产治理评审 — 将技术工作流转化为高管语言，并说明在生产或配置决策前仍有哪些不确定性。

● 第 7 部分：手册语言标准与生产交接 — 汇总受托责任、代码评审、交易员复盘、代理治理、图表解读、生产交接和高管沟通标准。

● 第 8 部分：代理式运营模型与代码讲解入口点 — 将系列重点、AgentCore 和 Strands 运营模型，以及 Strands 入口点代码整合到一个实现部分。

● 第 9 部分：结果表与较低收益策略诊断 — 将完整结果表和较低收益策略记录汇总为一个诊断复盘部分。

● 第 10 部分：交易经验、来源说明与治理收尾 — 以交易经验、证据说明、委员会收尾叙述和最终治理清单结束。

第 1 部分：机构化开场与治理口吻

相关摘要： 为受治理的 FSI AMZN 头寸管理手册建立机构化表述方式。本节将文章定位为教育、规划支持和控制设计，而非投资建议、推荐、招揽或对未来表现的承诺。

一篇受治理的 FSI 文章应以责任开场，而不是以兴奋开场。较大的 AMZN 收益可以开启讨论，但不能替代控制问题的回答。真正的机构问题是，当受到质询时，交易台能否解释择时、仓位规模、退出、回撤、基准背景和证据质量。

原先实践说明模块中的有用材料现在被吸收到开场口吻中。文章使用证据语言，明确假设，避免胜利式表述，并将教育与推荐分离。这样的信息不仅适合交易笔记，也适合提交委员会。

叙述者应听起来像一名承担受托责任的运营人员：谨慎提出主张，明确说明限制，并严格界定工作流能够证明什么。历史记录和演示记录可以帮助学习流程，但它们不预测未来 AMZN 收益，也不决定任何读者的适当性。

---

第 2 部分：业务问题与 FSI 头寸纪律

相关摘要： 说明为什么一个盈利的仅做多 AMZN 头寸，仍需要覆盖投资、风险、技术和合规相关方的基于证据的择时、敞口规模设定、退出纪律、回撤复盘、数据血缘、审计记录和人为问责。

业务问题不是缺少观点，而是缺少可评审的证据。投资组合经理希望更快获得择时研究。风险负责人需要回撤和敞口证据。技术负责人需要安全编排。合规团队需要恰当表述。受治理的手册可以对齐这些需求，而不把决策交给代理。

头寸纪律要求每条规则都回答相同问题：为何入场、为何退出、敞口多少、有哪些风险覆盖机制、成本假设是什么、基准背景是什么，以及有哪些账本证据。这些问题现在嵌入正文，而不是作为结尾说明重复出现。

盈利的 AMZN 头寸可能掩盖薄弱流程。因此，手册会追问：是否应基于可重复证据增加、维持、降低或暂停增量敞口。它不会替读者回答这个问题，而是说明机构可以如何组织评审。

---

第 3 部分：AgentCore 和 Strands 控制架构

相关摘要： 通过分离编排器、数据代理、策略代理、引擎工具、风险评审员和治理检查器，说明受治理的 AgentCore 和 Strands 工作流。每个组件都有边界权限、受控工具、已记录输出和可评审工件。

受治理架构会分离角色。Quant Orchestrator 接收请求。Market Data Agent 校验已批准的 AMZN 和基准输入。Strategy Agent 准备信号逻辑。Engine Tool 模拟仅做多敞口。Risk Reviewer 检查指标和账本。Governance Checker 审查披露、范围和政策边界。

AgentCore 和 Strands Agents 被视为运营模型组件，而不是投资组合经理。代理可以调用工具、创建工件并总结证据。它们不应批准资本配置、决定适当性、承诺未来收益或取代委员会。

每次运行都应留下工件：请求载荷、校验结果、数据模式、代码版本、参数、账本、图表、指标、异常和评审备忘录。这些工件让工作流可被质询，并帮助受监管团队准确解释结果是如何产生的。

---

第 4 部分：代码讲解、引擎逻辑与工件控制

相关摘要： 用业务语言解释代码逻辑：政策校验、数据准备、信号生成、仅做多模拟、佣金处理、止损和止盈检查、交易账本创建、权益曲线构建、回撤复盘以及图表工件存储。

代码讲解应遵循运营路径。输入进入指标。指标生成入场和退出信号。引擎检查头寸状态、现金、佣金、止损和止盈规则。账本记录事件路径。指标和图表总结结果。这是一张控制地图，而不是语法背诵。

政策校验应在执行前发生。代理应确认 AMZN 范围、仅做多行为、已批准的策略键，以及不存在不受支持的工具逻辑。执行后，治理检查器应审查输出中是否存在不当声明和缺失工件。

本文将代码逻辑保留在正文中，因为代码正是治理变得具体的地方。如果声明说“仅做多”，订单路径就应只显示多头敞口或现金。如果声明说“可审计”，工具就应写入账本和汇总工件。

---

第 5 部分：较低收益策略记录与经验教训

相关摘要： 将排名较低的自定义引擎策略记录作为学习材料而非推荐进行复盘。本节关注换手、参与不足、回撤、信号稀缺、运营负担，以及较弱记录如何仍能改善头寸管理纪律。

较低收益记录并非无用记录。ATRChannelStrategy、VolumeConfirmStrategy、BollingerReversionStrategy、KeltnerChannelStrategy 和 StochasticStrengthStrategy 可以帮助判断一条规则是否过于严格、过于活跃、过晚、过于安静，或与模拟市场状态不匹配。

较弱策略仍可能改进手册。低交易次数可能揭示信号稀缺。高交易次数可能揭示运营负担。低回撤可能体现防御性行为。较差的 Sharpe 可能说明，一个清晰故事并不总能带来有用参与。

原先的交易员复盘说明在这里被吸收：有用并不等于充分。一条记录可以有助于缩小研究范围，但对真实资本仍可能不充分，因为它还需要真实数据、敏感性复盘、交易成本分析和人工批准。

---

第 6 部分：高管结尾与生产治理评审

相关摘要： 将技术工作流转化为面向投资委员会、风险负责人、技术负责人和客户团队的高管语言。本节说明测试了什么、仍有哪些不确定性，以及为什么人工判断仍是最终控制。

高管结尾应说明测试了什么、生成了哪些证据、哪些失败了、哪些有所改善，以及仍有哪些不确定性。它不应听起来像销售话术，而应像一份可问责的研究复盘。

正确的信息是，代理可以强化证据创建。它们可以组织假设、运行可重复测试、比较行为、标记回撤并准备评审备忘录。它们不能消除不确定性，也不能取代专业判断。

生产治理需要受控的数据访问、版本化代码、参数记录、工件存储、异常处理、审批工作流、监控和留存。一个 notebook 或演示图表不足以支持 FSI 生产使用。

---

第 7 部分：手册语言标准与生产交接

相关摘要： 汇总受托责任、代码评审、交易员复盘、代理治理、图表解读、生产交接和高管沟通标准。

手册中的受托责任语言

受托责任语言意味着文章先解释限制，再给出结论。它会在讨论任何结果之前说明数据模式、策略规则、风险假设、账本要求和披露边界。即使 AMZN 是一个强势多头头寸，这也能让语气保持专业。

手册中的代码评审语言

代码评审应映射控制路径：输入数据、指标计算、信号创建、订单模拟、成本处理、风险退出、账本写入、指标计算和图表导出。如果一名高管无法用普通语言复述这张地图，说明实现还没有被解释得足够清楚。

手册中的交易员复盘语言

交易员复盘应识别哪些有效、哪些失败、还有哪些未知。短语“有用但不充分”很重要：较弱记录可以带来流程经验，而强劲的演示记录仍需要真实数据、成本复盘和人工批准。

手册中的代理治理语言

代理应像一名带有控制措施的研究助理，而不是拥有自由裁量权的投资组合经理。它可以获取已批准数据、运行代码、总结指标、标记回撤并准备备忘录。它不能决定适当性、保证收益或取代委员会问责。

将较低收益记录作为控制证据

排名较低的策略应作为诊断材料讨论。低收益可能暴露信号稀缺、参数错配、参与不足或防御性行为。治理价值在于经验：规则为什么表现吃力，以及这种吃力是否能让人理解择时纪律。

图表解读纪律

Bloomberg 风格的深色图表可以让结果看起来精致，但精致并不等于证明。图表应支持账本，而不是取代账本。严肃的复盘会追问权益曲线、回撤路径、交易分布和基准比较是否讲述了同一个故事。

生产交接清单

生产交接应包括数据集引用、代码版本、策略参数、运行标识符、账本文件、图表文件夹、汇总指标、异常日志、评审意见和审批状态。缺少这些项目，结果就仍是研究证据，而不是运营流程。

高管沟通标准

高管沟通应简短、具体且有边界：测试了什么、存在什么证据、哪些限制重要、没有做出什么决策，以及建议的下一步评审是什么。这种语言可以防止文章变成推荐。

---

第 8 部分：代理式运营模型与代码讲解入口点

相关摘要： 将系列重点、AgentCore 和 Strands 运营模型，以及 Strands 入口点代码分离到一个实现部分。

系列重点

本文是四部分系列的第 4 部分，聚焦治理、较低收益记录、图表解读和高管沟通。它使用 Bedrock AgentCore 和 Strands Agents 作为代理式运营模型，使用上传的自定义 Cerebro 风格引擎作为代码基础，并使用策略汇总记录作为绩效复盘证据。本文讨论仅用于教育，不构成推荐。

---

Bedrock AgentCore 和 Strands Agents 运营模型

生产设计分离五项职责。Quant Orchestrator 接收研究请求，并将其分解为数据、策略、执行、风险和治理任务。Market Data Agent 检索或校验 AMZN 和基准数据。Strategy Agent 生成入场和退出信号。Backtest Engine Tool 运行自定义 Cerebro 风格模拟。Risk Review Agent 读取交易账本、绩效指标和图表。Governance Agent 检查披露、仅做多政策、数据来源和适当性语言。

AgentCore Runtime 是代理和工具的安全托管层，而 Strands Agents 提供用于工具调用、编排和代理行为的编程模型。在受监管的 FSI 环境中，代理不应直接批准交易。它应创建证据、突出不确定性，并将输出路由至人工评审。

在手册语境中，AWS 层是一项交接控制。应存储原始数据、整理后数据、运行元数据、账本、图表文件夹、评审意见、审批状态和留存记录，以便未来评审人员重建结果和决策轨迹。

---

代码讲解：Strands Agent 和 AgentCore 入口点

Strands 层不应是黑箱。代理接收研究请求、校验政策、调用回测工具，并返回结构化结果。工具应写入不可变工件：参数文件、数据快照标识符、交易账本、图表路径和汇总指标。治理检查发生在执行前后。

from bedrock_agentcore.runtime import BedrockAgentCoreApp
from strands import Agent, tool

app = BedrockAgentCoreApp()

@tool
def validate_research_policy(symbol: str, side: str, derivatives: bool) -> dict:
    if symbol != "AMZN":
        return {"ok": False, "reason": "This workflow is scoped to AMZN research."}
    if side != "long_only":
        return {"ok": False, "reason": "Only long-only research is approved."}
    if derivatives:
        return {"ok": False, "reason": "Derivative instruments are outside policy."}
    return {"ok": True, "reason": "Policy accepted."}

@tool
def run_custom_cerebro_strategy(strategy_name: str) -> dict:
    return {
        "strategy": strategy_name,
        "status": "submitted",
        "artifact_prefix": f"s3://amzn-research/backtests/{strategy_name}/"
    }

quant_agent = Agent(tools=[validate_research_policy, run_custom_cerebro_strategy])

@app.entrypoint
def invoke(payload):
    request = payload.get("request", "Run AMZN long-only timing research")
    return quant_agent(request)

这段代码有意保持保守。校验工具会在回测工具运行前阻止不受支持的范围。回测工具返回工件位置，而不是情绪化语言。代理可以总结，但人工委员会仍对决策负责。

---

第 9 部分：结果表与较低收益策略诊断

相关摘要： 将完整结果表和较低收益策略记录汇总到一个诊断复盘部分。

策略结果与绩效复盘

上传的汇总按总收益、年化收益、波动率、Sharpe、最大回撤、交易次数和胜率对二十个自定义引擎策略进行排名。上传的清单将引擎标识为 CustomCerebroEngine，显示策略数量为二十、图片数量为二十二，并说明规则：仅做多、无期权、无看跌期权、无卖空。

下表是交易员记录，不构成投资建议。由于清单说明数据模式为确定性的离线演示数据，这些数字适用于解释工作流和代码逻辑，而不适用于做出真实配置决策。在生产中，同一工作流应基于经过校验的真实 AMZN 和基准数据重新运行。

---

策略记录：StochasticStrengthStrategy

代码讲解。 StochasticStrengthStrategy 使用位于趋势过滤器上方的随机指标看涨交叉。对于 StochasticStrengthStrategy，委员会应将市场信号逻辑与执行机制分离，以便从成本处理、风险退出、账本质量和运营可行性角度复盘记录。

交易员绩效复盘。 总收益为 28.78%，年化收益为 1.23%，波动率为 8.70%，Sharpe 为 0.14，最大回撤为 -27.95%，交易次数为 741，胜率为 40.35%。这些数字是上传的自定义引擎离线演示记录，不是真实市场结果。

交易记录与经验教训。 StochasticStrengthStrategy 的经验是将结果视为诊断证据：识别该规则未能捕捉什么、交易次数是否可接受、回撤是否可承受，以及该规则是否改善未来评审纪律。

---

策略记录：KeltnerChannelStrategy

代码讲解。 KeltnerChannelStrategy 使用经 ATR 调整的 Keltner 上轨突破和 EMA 退出。对于 KeltnerChannelStrategy，委员会应将市场信号逻辑与执行机制分离，以便从成本处理、风险退出、账本质量和运营可行性角度复盘记录。

交易员绩效复盘。 总收益为 27.40%，年化收益为 1.18%，波动率为 3.74%，Sharpe 为 0.31，最大回撤为 -10.50%，交易次数为 13，胜率为 69.23%。这些数字是上传的自定义引擎离线演示记录，不是真实市场结果。

交易记录与经验教训。 KeltnerChannelStrategy 的经验是将结果视为诊断证据：识别该规则未能捕捉什么、交易次数是否可接受、回撤是否可承受，以及该规则是否改善未来评审纪律。

---

策略记录：BollingerReversionStrategy

代码讲解。 BollingerReversionStrategy 仅在趋势为正时，在低于 Bollinger 下轨处买入。对于 BollingerReversionStrategy，委员会应将市场信号逻辑与执行机制分离，以便从成本处理、风险退出、账本质量和运营可行性角度复盘记录。

交易员绩效复盘。 总收益为 16.69%，年化收益为 0.75%，波动率为 4.66%，Sharpe 为 0.16，最大回撤为 -28.36%，交易次数为 46，胜率为 71.74%。这些数字是上传的自定义引擎离线演示记录，不是真实市场结果。

交易记录与经验教训。 BollingerReversionStrategy 的经验是将结果视为诊断证据：识别该规则未能捕捉什么、交易次数是否可接受、回撤是否可承受，以及该规则是否改善未来评审纪律。

---

策略记录：VolumeConfirmStrategy

代码讲解。 VolumeConfirmStrategy 要求价格突破且成交量高于平均水平。对于 VolumeConfirmStrategy，委员会应将市场信号逻辑与执行机制分离，以便从成本处理、风险退出、账本质量和运营可行性角度复盘记录。

交易员绩效复盘。 总收益为 5.95%，年化收益为 0.28%，波动率为 1.87%，Sharpe 为 0.15，最大回撤为 -12.46%，交易次数为 5，胜率为 40.00%。这些数字是上传的自定义引擎离线演示记录，不是真实市场结果。

交易记录与经验教训。 VolumeConfirmStrategy 的经验是将结果视为诊断证据：识别该规则未能捕捉什么、交易次数是否可接受、回撤是否可承受，以及该规则是否改善未来评审纪律。

---

策略记录：ATRChannelStrategy

代码讲解。 ATRChannelStrategy 使用 ATR 通道突破和中线退出。对于 ATRChannelStrategy，委员会应将市场信号逻辑与执行机制分离，以便从成本处理、风险退出、账本质量和运营可行性角度复盘记录。

交易员绩效复盘。 总收益为 1.52%，年化收益为 0.07%，波动率为 1.93%，Sharpe 为 0.04，最大回撤为 -7.28%，交易次数为 3，胜率为 66.67%。这些数字是上传的自定义引擎离线演示记录，不是真实市场结果。

交易记录与经验教训。 ATRChannelStrategy 的经验是将结果视为诊断证据：识别该规则未能捕捉什么、交易次数是否可接受、回撤是否可承受，以及该规则是否改善未来评审纪律。

---

第 10 部分：交易经验、来源说明与治理收尾

相关摘要： 以交易经验、证据说明、委员会收尾叙述和最终治理清单结束。

交易记录与经验教训

交易记录不只是收据。它是交易台的记忆系统。每个入场日期都在追问交易员拥有的是可重复信号，还是只有一个故事。每个退出日期都在追问流程是否尊重风险，还是等待情绪来谈判。每次回撤都在追问仓位规模规则是否诚实面对波动率。

本手册文章的第一条经验是，较低收益记录仍然有价值。ATRChannelStrategy、VolumeConfirmStrategy、BollingerReversionStrategy、KeltnerChannelStrategy 和 StochasticStrengthStrategy 帮助评审人员识别信号稀缺、参与不足、换手负担和防御性行为。

第二条经验是，精美工件需要有纪律的解读。深色模式图表可以让研究看起来已经完成，但委员会仍应追问账本、回撤路径、数据模式和审批轨迹是否支持同一个故事。

第三条经验是，生产交接应明确标记运营负担。如果一条规则产生许多评审事件，手册应识别由谁监控、异常如何升级，以及控制流程是否能够支持该活动。

---

来源与证据说明

本文使用上传的自定义引擎工件作为绩效讨论来源。清单说明引擎为 CustomCerebroEngine，数据模式为确定性的离线演示数据，策略数量为二十，图片数量为二十二，规则为仅做多、无期权、无看跌期权、无卖空。策略汇总文件按总收益、年化收益、波动率、Sharpe、最大回撤、交易次数和胜率对全部二十个策略进行排名。上传的代码文件提供引擎结构、指标定义、信号映射、指标函数和 Bloomberg 深色模式图表生成方法。

外部架构参考：Amazon Bedrock AgentCore 文档将 AgentCore 描述为用于安全、大规模部署和运营代理的托管服务，并将 AgentCore Runtime 描述为支持 Strands、LangGraph 和 CrewAI 等框架的安全无服务器环境。Strands 文档描述了将 Strands Agents 部署到 AgentCore Runtime，并为代理入口点使用 Python 集成模式。Backtrader 文档在概念层面用于参考 Cerebro 模式，即汇集数据源、策略、分析器、观察器和绘图设施。

---

委员会收尾叙述

以下是在展示研究前需要演练的收尾信息：

我们在这里不是为了庆祝收益。我们在这里是为了检查收益背后的流程。Amazon 头寸表现强劲，但强劲表现并不能免除风险纪律的要求。我们构建了自定义引擎，组织了二十个择时策略，复盘了记录，并将研究证据与推荐语言分离。

正确结论不是让代理替我们交易。正确结论是，代理可以帮助我们记录假设、运行可重复测试、比较策略行为、暴露薄弱逻辑，并与风险、技术和治理团队开展更好的对话。人工判断仍是最终控制。

---

最终治理清单

● 确认该工作流是教育和规划支持，不构成投资建议。

● 确认头寸语言为仅做多，并避免衍生品实现。

● 确认结果是真实数据回测还是离线演示输出。

● 确认每个策略都有交易账本、权益曲线、回撤路径和绩效汇总。

● 确认代码、数据、参数和图表一起进行版本管理。

● 确认投资委员会在讨论任何配置决策前理解相关限制。

---