AWS Re:cap 05: 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。