AWS Re:cap 05: AgentCore 위의 Multi-Agent Quant Backtesting

AWS Hong Kong Summit 2026 · Developer Lounge 요약 · 6편 중 5편

AWS Magazine · 빅토리아 하버 현장 리포트

---

바이브: 하이 캐피털이 하이테크를 만나다

AWS Hong Kong Summit 2026 Developer Lounge의 유리 커튼월 옆에 서면, 뚜렷한 에너지가 느껴졌다. 천장까지 닿는 창이 Central의 빛나는 타워와 빅토리아 하버를 가르는 터그보트를 프레임했다. 실내 라운지는 실리콘밸리 해커 스페이스와 홍콩 프라이빗 자산관리 스위트의 하이브리드처럼 느껴졌다—세련된 인체공학 가구, 장인 에스프레소 머신, 빛나는 듀얼 모니터, 그리고 기계식 키보드의 리듬이 저주파 딜메이킹과 섞이는 소리.

이 방에서 「money in / money out」은 추상 개념이 아니다. 그것은 궁극의 지표다. 공식 토크 사이사이, 프라이빗 스타트업 밋업이 라운지 구석구석에서 피어올랐다. 후디를 입은 창업자들이 맞춤 수트를 입은 VC 파트너와 앉아, AWS 대시보드의 라이브 텔레메트리를 보며 냅킨 스케치에 비즈니스 모델을 휘갈겼다.

이 맥박이 가장 세게 친 곳은 Haowen Huang의 hands-on 워크숍 트랙 주변이었다. 홍콩은 자본 리스크를 본능적으로 이해한다. 측정하고, 스트레스 테스트하고, 맹목적으로 배포하지 않는다. 퀀트, 시니어 아키텍트, 호기심 많은 스타트업 빌더들이 라운지 세션에 몰려, 생성형 AI가 정량적 백테스팅을 어떻게 완전히 다시 쓰는지 지켜봤다.

핵심 데모: 세 AI 에이전트가 매끄럽게 협업해, 일상 언어의 트레이딩 아이디어를 자동화된 풀스케일 정량 백테스트 리포트로 바꾼다.

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

● Hands-on Catalog: Agentic Backtesting for Quants by Bedrock AgentCore and Strands Agents

필수 Summit 면책: 이 워크숍 트랙은 학습과 아키텍처 논의만을 위해 설계되었다. 투자 조언이 아니다. 참가자는 자신의 투자 결정과 모든 재무 결과에 대해 전적으로 책임진다. 시장 데이터는 Yahoo Finance를 통해 교육 데모 목적으로만 제공된다.

---

AWS Hong Kong Summit 2026에서 Haowen Huang의 Developer Lounge 워크숍은 Claude Opus 4, Claude Sonnet 4, Amazon Nova Lite 2.0으로 구동되는 세 Amazon Bedrock AgentCore 에이전트가 자연어 트레이딩 아이디어를 완전한 Backtrader 백테스트로 바꾸는 방식을 보여주었다. Strands Agent-as-Tools, S3 Tables의 MCP Gateway 시장 데이터, Cognito 아이덴티티, 메모리, CloudWatch 관찰 가능성을 통해 빌더들은 비용 인식 multi-agent 설계, hands-on 랩 진행, 퀀트 워크플로를 위한 프로덕션 패턴을 배웠다—실제 투자 조언 없이.

---

1. Quantitative Backtesting 101 — 왜 Agent가 필요한가

정량 트레이딩에서 백테스팅은 실제 자본을 위험에 노출하기 전에, 트레이딩 전략을 과거 시장 데이터에 대해 테스트해 성과를 평가하는 과정이다.

백테스팅이 중요한 이유

실제 자본을 라이브 시장에 배포하기 전에, 퀀트는 리스크와 성과 지표를 엄격히 평가해야 한다.

전통 워크플로 vs. 도전

1. 전략 규칙 정의: Entry/exit 시그널, 포지션 사이징, 리스크 통제.

2. 과거 데이터 수집: 깨끗한 OHLCV(Open, High, Low, Close, Volume) 가격/시계열 데이터.

3. 코드 작성: Backtrader, Zipline, 또는 커스텀 스크립트로 전략 규칙 구현.

4. 시뮬레이션 실행: 과거 타임라인에 걸쳐 거래 실행.

5. 분석 애널리틱스: 에쿼티 커브, 드로다운 맵, 리스크 비율 생성.

갭: 성공에는 네 가지 뚜렷한 스킬셋이 필요하다. 도메인 트레이딩 지식, 데이터 엔지니어링, 전문 Python 코딩, 통계 분석. 전통 설정에서 한 명의 개발자가 네 가지 모두에 뛰어난 경우는 드물다. Multi-agent 시스템은 각 전문 도메인을 전담 AI 에이전트에 위임해 이 갭을 메운다.

---

2. Hands-On: 빌더들이 Lounge에서 조립한 것

90분, 300-level 워크숍은 참석자에게 완전한 multi-agent 워크플로를 즉시 hands-on으로 구축할 접근권을 주었다.

● 로컬 셋업 불필요: 개발자들은 AWS에 사전 프로비저닝된 브라우저 기반 Code-OSS(오픈소스 VS Code) 환경을 열었다.

● 스킬 선수 조건: 기본 Python 지식과 트레이딩 규칙에 대한 개념적 이해(예: buy/sell 시그널, 이동평균).

● 핵심 목표: Amazon Bedrock AgentCore에 호스팅된 세 전문 AI 에이전트를 구축·배포·추적하고, Strands Agents SDK로 연결한다.

+-----------------------------------------------------------------------------------+
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. Foundation Models: 작업에 맞는 모델 매칭

Haowen 워크숍의 핵심 테이크어웨이 중 하나는 모델 비용과 지연시간 최적화였다. 단일 거대 모델이 모든 서브태스크를 처리하도록 강요하지 말고, 특정 에이전트 역할에 모델을 매칭하라.

이 접근은 실행이 중요한 곳에서 높은 코드 정확도(Opus 4)를 제공하면서, 요약은 빠르고 비용 효율적으로(Nova Lite 2.0) 유지한다.

---

4. Backtrader: 후드 아래의 엔진

시스템은 인기 오픈소스 Python 백테스팅 프레임워크인 Backtrader에 의존한다. 특징은 다음과 같다.

● 이벤트 구동 백테스팅 실행 엔진.

● 내장 기술 지표(SMA, EMA, RSI, MACD 등).

● 네이티브 포지션 사이징과 주문 관리.

● 자동 성과 분석(Sharpe ratio, max drawdown, trade statistics).

Strategy Generator Agent가 Backtrader Python 스크립트를 동적으로 작성하고, Quant Agent가 실제 과거 시장 데이터에 대해 안전하게 실행한다.

---

5. Multi-Agent Architecture & Strands Patterns

Multi-Agent 시스템의 네 가지 핵심 이점

1. Specialization: 전문화된 프롬프트와 모델이 작업 정밀도를 높인다.

2. Scalability: 서브에이전트가 호출 부하에 따라 독립적으로 스케일한다.

3. Cost Efficiency: 고능력 FM은 복잡한 추론 작업에만 사용된다.

4. Maintainability: 격리된 에이전트가 세분 업데이트와 테스트를 가능하게 한다.

네 가지 Multi-Agent 패턴 (Strands Agents Framework)

「Agent as Tools」 흐름 실전

+-----------------------------------------------------------------------------------+
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 Agent가 사용자 의도를 수신한다.

2. Strategy Generator를 호출해 텍스트를 유효한 Python Backtrader 코드로 바꾼다.

3. Market Data MCP Tool을 호출해 일별 OHLCV 가격을 가져온다.

4. Backtrader 시뮬레이션을 로컬에서 실행한다.

5. 원시 결과를 Result Summarizer에 넘겨 최종 분석 리포트를 생성한다.

---

6. Amazon Bedrock AgentCore Services Deep Dive

Amazon Bedrock AgentCore는 프로덕션 AI 에이전트를 구축·배포·거버닝하기 위한 완전 관리형 인프라를 제공한다.

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

Full AgentCore Catalogue

Lounge에서의 배포 명령

개발자들은 간단한 CLI 호출로 오케스트레이터를 AgentCore Runtime에 바로 배포했다.

# 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. Three-Layer System Architecture

+-----------------------------------------------------------------------------------+
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. Frontend Layer: 인터랙티브 폼, 실시간 에이전트 실행 트레이스, 성과 시각화를 제공하는 Next.js 대시보드.

2. Orchestration Layer: multi-agent 시스템을 호스팅하는 AgentCore Runtime.

3. Data Layer: Apache Iceberg로 포맷된 과거 주식 시장 가격 데이터를 저장하는 Amazon S3 Tables. PyIceberg로 구동되는 Lambda가 이 데이터를 읽고 AgentCore MCP Gateway를 통해 표준 get_market_data 도구를 노출한다.

---

8. Step-by-Step Lab Progression

워크숍은 여덟 개의 점진적 hands-on 모듈로 구성되었다.

+-----------------------------------------------------------------------------------+
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: Deploy Strategy Generator: AgentCore Runtime에 기본 프롬프트 에이전트 배포.

● Lab 2: Add AgentCore Memory: 멀티턴 대화 후속 질문을 처리하도록 단기 메모리 부착.

● Lab 3: Build Quant Agent with Market Data: Gateway & Identity로 에이전트를 외부 도구 엔드포인트에 연결.

● Lab 4: Multi-Agent Orchestration: Strategy Generator, Result Summarizer, Gateway를 오케스트레이터 흐름으로 결합.

● Lab 5: Observability & Tracing: CloudWatch에서 에이전트 실행 경로, 도구 호출, 성능 병목 추적.

● Lab 6 (Bonus): AgentCore Policy: Cedar 기반 정책 통제를 적용해 모델 상호작용 거버닝.

● Lab 7 (Bonus): Sandbox Execution: 코드 실행을 안전한 AgentCore Code Interpreter 샌드박스로 이동.

● Lab 8 (Bonus): Agent-to-Agent (A2A): 커스텀 API를 표준화된 오픈 A2A 프로토콜 상호작용으로 대체.

---

9. Key Concepts Summary

---

Developer Lounge에서의 맺음말

오후 해가 빅토리아 하버 뒤로 기울며 유리 타워에 황금빛을 드리울 때도, Developer Lounge는 여전히 가득했다. 빌더들은 새 프롬프트를 실험하고, Backtrader 전략 출력을 튜닝하고, CloudWatch 트레이스 지연시간을 비교하고 있었다.

이 시스템을 설득력 있게 만드는 것은 코드를 쓴다는 사실만이 아니다. 복잡한 인간 워크플로를 모듈형·확장 가능한 서버리스 구성요소로 구조화한다는 점이다. 전문화된 AI 모델을 Amazon Bedrock AgentCore 같은 관리형 인프라와 짝지으면, 개발자는 실세계 테스트에 준비된 신뢰할 수 있는 에이전트 워크플로를 구축할 수 있다.