极点宏观｜Financial Cloud Cloud · AWS Re:cap
AWS Re:cap 05: AgentCore 上的多 Agent 量化回测
AWS Hong Kong Summit 2026 · Developer Lounge 精华回顾 · 第 5 / 6 篇
AWS Magazine · 维多利亚港现场报道
现场氛围：高资本遇上高科技
若你站在 AWS Hong Kong Summit 2026 Developer Lounge 的玻璃幕墙前，会感受到一股独特的能量。落地窗框住中环闪耀的摩天大楼，以及维多利亚港上穿梭的拖船。室内，这座 Lounge 像是硅谷黑客空间与香港私人财富管理套房的混合体——流线型人体工学家具、手工意式咖啡机、双屏幕闪烁微光，机械键盘的节奏声与低频交易谈判交织。
在这个空间里，「money in / money out」不是抽象概念，而是终极指标。正式演讲之间，私人创业聚会在 Lounge 各角落悄然兴起。穿帽 T 的创始人与穿定制西装的 VC 合伙人并坐，一边在餐巾纸上草拟商业模式，一边盯着 AWS 仪表板上的即时遥测数据。
这股脉动在 Haowen Huang 的实作工作坊轨道上最为强烈。香港人对资本风险有本能的理解：你必须量化、压力测试，绝不盲目部署。量化交易员、资深架构师与好奇的创业开发者挤满 Lounge 场次，想亲眼见证生成式 AI 如何彻底改写量化回测。
核心演示：三个 AI Agent 无缝协作，将白话文交易构想转化为自动化、全规模的量化回测报告。
+-----------------------------------------------------------------------------------+
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 资源：Amazon Bedrock AgentCore + Strands quant backtesting
● 实作目录：Agentic Backtesting for Quants by Bedrock AgentCore and Strands Agents
Summit 必要免责声明：本工作坊轨道严格设计用于学习与架构讨论，不构成投资建议。参与者须自行对投资决策及任何财务结果负责。市场数据通过 Yahoo Finance 取得，仅供教学演示用途。
在 AWS Hong Kong Summit 2026，Haowen Huang 的 Developer Lounge 工作坊展示三个 Amazon Bedrock AgentCore Agent——由 Claude Opus 4、Claude Sonnet 4 与 Amazon Nova Lite 2.0 驱动——如何将自然语言交易构想转为完整 Backtrader 回测。通过 Strands Agent-as-Tools、S3 Tables 的 MCP Gateway 市场数据、Cognito 身份、内存与 CloudWatch 可观测性，开发者学到成本感知的 multi-agent 设计、实作实验室进程与量化工作流程的正式环境模式——不含真实投资建议。
1. 量化回测 101 — 为什么我们需要 Agent
在量化交易中，回测是将交易策略对历史市场数据进行测试，以在投入真实资本前评估其绩效的流程。
回测为何重要
在将真实资本部署到实盘市场之前，量化交易员必须严格评估风险与绩效指标：
| 问题 | 评估指标 |
|---|---|
| 策略能否产生正回报？ | 总回报、年化回报 |
| 下行风险有多大？ | 最大回撤、风险价值（Value at Risk, VaR） |
| 回报是否值得承担风险？ | 夏普比率、索提诺比率 |
| 策略胜率如何？ | 胜率、获利因子 |
| 在不同市场环境下表现如何？ | 多头、空头、盘整行情 |
传统工作流程 vs. 挑战
1. 定义策略规则：进出场信号、仓位大小、风控机制。
2. 收集历史数据：清理 OHLCV（Open, High, Low, Close, Volume）价格／时间序列数据。
3. 撰写程序：使用 Backtrader、Zipline 等框架或自定义脚本实现策略规则。
4. 执行模拟：在历史时间轴上模拟交易。
5. 分析统计：产生权益曲线、回撤图与风险比率。
缺口：成功需要四种截然不同的技能：领域交易知识、数据工程、专精 Python 程序设计与统计分析。在传统设定下，单一开发者很少能四项皆精。Multi-agent 系统通过将各专精领域委派给专责 AI Agent，填补这个缺口。
2. 实作环节：开发者在 Lounge 组装了什么
这场 90 分钟、300 级的工作坊，让与会者立即动手构建完整的多 Agent 工作流程。
● 无需本地配置：开发者开启预先部署在 AWS 上的浏览器版 Code-OSS（开源 VS Code） 环境。
● 技能先决条件：基本 Python 知识，以及对交易规则的概念理解（例如买卖信号、移动平均）。
● 核心目标：建置、部署并追踪三个托管于 Amazon Bedrock AgentCore 的专精 AI Agent，并以 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. 基础模型：为任务配对合适的模型
Haowen 工作坊的一个关键收获是模型成本与延迟最佳化：不要强迫单一大型模型处理每个子任务，而是为特定 Agent 角色配对模型：
模型 | Agent 角色 | 具体职责 --- | --- Anthropic Claude Opus 4 | Strategy Generator | 将复杂的自然语言交易描述转换为可执行的 Backtrader Python 程序。 Amazon Nova Lite 2.0 | Result Summarizer | 分析原始回测统计数据，产生精简、结构化的绩效报告。 Anthropic Claude Sonnet 4 | Quant Agent（Orchestrator） | 协调工作流程步骤、控制工具并管理子 Agent。
这种做法在程序执行至关重要之处提供高程序准确度（Opus 4），同时让摘要任务保持快速且具成本效益（Nova Lite 2.0）。
4. Backtrader：底层引擎
系统依赖 Backtrader——一款热门的开源 Python 回测框架。其特色包括：
● 事件驱动的回测执行引擎。
● 内建技术指标（SMA、EMA、RSI、MACD 等）。
● 原生仓位大小与订单管理。
● 自动化绩效分析（夏普比率、最大回撤、交易统计）。
Strategy Generator Agent 动态撰写 Backtrader Python 脚本，再由 Quant Agent 对真实历史市场数据安全执行。
5. Multi-Agent 架构与 Strands 模式
Multi-Agent 系统的四项关键优势
1. 专精化：专用 prompt 与模型提升任务精准度。
2. 可扩展性：子 Agent 依调用负载独立扩展。
3. 成本效率：高能力基础模型仅用于复杂推理任务。
4. 可维护性：隔离的 Agent 允许细粒度更新与测试。
四种 Multi-Agent 模式（Strands Agents Framework）
| 模式 | 拓扑 | 典型使用案例 |
|---|---|---|
| Agent as Tools （工作坊采用） | Orchestrator 像工具一样调用子 Agent | 量化回测、客户路由、内容生成。 |
| Swarm | Agent 通过共享内存上下文互动 | 自动驾驶车队、供应链、社区监控。 |
| Graph | 节点／边网络拓扑 | 代码审查系统、医疗诊断、复杂 ETL。 |
| Workflow | 刚性、循序执行步骤 | CI/CD 管线、贷款审批、保险理赔处理。 |
「Agent as Tools」流程实战
+-----------------------------------------------------------------------------------+
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 接收用户意图。
2. 调用 Strategy Generator，将文字转为有效的 Python Backtrader 程序。
3. 调用 Market Data MCP Tool，取得每日 OHLCV 价格。
4. 在本地执行 Backtrader 模拟。
5. 将原始结果传给 Result Summarizer，产生最终分析报告。
6. Amazon Bedrock AgentCore 服务深度解析
Amazon Bedrock AgentCore 提供建置、部署与治理正式环境 AI Agent 的全托管基础设施。
+-----------------------------------------------------------------------------------+
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 服务目录
| AgentCore 服务 | 角色与功能 | 平台整合 |
|---|---|---|
| Runtime | 具备快速冷启动与 multi-agent 支持的 Agent 执行无服务器计算。 | Strands、CrewAI、LangGraph、OpenAI Agents SDK、LlamaIndex。 |
| Gateway | 将 API、Lambda 与服务暴露为标准 Model Context Protocol（MCP）工具。 | AWS Lambda、Salesforce、JIRA、Slack、自定义 API。 |
| Identity | 管理安全的 Agent 身份与授权。 | Amazon Cognito、Okta、Azure Entra ID、Auth0。 |
| Memory | 提供短期多轮上下文与持久长期记忆。 | LangChain、Strands Agents、LlamaIndex。 |
| Observability | 跨 multi-agent 调用的端到端分布式追踪。 | OpenTelemetry、Amazon CloudWatch。 |
| Code Interpreter | 安全执行动态程序的隔离沙箱环境。 | Python、JavaScript、TypeScript。 |
| Browser | 用于自动化网页互动的云浏览器执行环境。 | Playwright、BrowserUse。 |
| Evaluations | Agent 输出的自动化绩效评估。 | Strands、OpenInference、CloudWatch。 |
| Policy | 确定性、基于政策的防护机制。 | Cedar 语言与 MCP Gateway 整合。 |
| Registry | 工具、Agent 与 MCP 服务器的集中式注册表。 | AWS、本地与多云工具。 |
Lounge 中的部署指令
开发者以简单 CLI 指令，将 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. 三层系统架构
+-----------------------------------------------------------------------------------+
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. 前端层：Next.js 仪表板，提供互动表单、即时 Agent 执行追踪与绩效可视化。
2. 编排层：AgentCore Runtime 托管 multi-agent 系统。
3. 数据层：Amazon S3 Tables 存储以 Apache Iceberg 格式化的历史股市价格数据。由 PyIceberg 驱动的 Lambda 函数读取数据，并通过 AgentCore MCP Gateway 暴露标准 get_market_data 工具。
8. 逐步实验室进程
工作坊分为八个渐进式实作模块：
+-----------------------------------------------------------------------------------+
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：附加短期记忆，处理多轮对话后续追问。
● Lab 3：构建具市场数据的 Quant Agent：使用 Gateway 与 Identity 连接 Agent 至外部工具端点。
● Lab 4：Multi-Agent 编排：将 Strategy Generator、Result Summarizer 与 Gateway 整合为 orchestrator 流程。
● Lab 5：可观测性与追踪：在 CloudWatch 中追踪 Agent 执行路径、工具调用与效能瓶颈。
● Lab 6（Bonus）：AgentCore Policy：套用 Cedar 政策控制，治理模型互动。
● Lab 7（Bonus）：沙箱执行：将程序执行移入安全的 AgentCore Code Interpreter 沙箱。
● Lab 8（Bonus）：Agent-to-Agent（A2A）：以标准化开放 A2A 协议互动取代自定义 API。
9. 关键概念摘要
| 概念 | 在解决方案中的功能角色 |
|---|---|
| AgentCore Runtime | 托管 Quant、Strategy Generator 与 Result Summarizer Agent 的无服务器计算。 |
| AgentCore MCP Gateway | 将 Lambda 市场数据工具转换为标准 MCP schema 工具。 |
| AgentCore Memory | 在多轮策略精修对话中维持会话上下文。 |
| Gateway Target | 桥接 AgentCore Gateway 端点与底层 AWS Lambda 函数。 |
| AgentCore Identity | 通过 Amazon Cognito 处理 OAuth 客户端凭证流程。 |
| AgentCore Observability | 在所有 Agent 调用间提供分布式 OpenTelemetry 追踪。 |
| Strands Agents SDK | 用于定义与串接 Agent 行为的 Python 开发框架。 |
Developer Lounge 闭幕感言
午后阳光沉入维多利亚港后方，为玻璃大楼镀上一层金色，Developer Lounge 依然座无虚席。开发者仍在实验新 prompt、微调 Backtrader 策略输出，并比较 CloudWatch 追踪延迟。
这套系统的吸引力不只在于它能写程序——更在于它将复杂的人类工作流程结构化为模块化、可扩展的无服务器元件。通过将专精 AI 模型与 Amazon Bedrock AgentCore 等托管基础设施配对，开发者能构建可靠、可投入实际测试的 Agent 工作流程。