AWS Builder Center
用 Amazon Bedrock AgentCore 和 Strands 构建面向量化交易的智能体回测系统

用 Amazon Bedrock AgentCore 和 Strands 构建面向量化交易的智能体回测系统

三个 AI 智能体协作,将自然语言交易策略转化为完整回测报告。本文介绍基于 Amazon Bedrock AgentCore 与 Strands 构建多智能体量化回测系统的架构与实战。

在量化金融领域,量化交易的成败,很大程度上取决于回测。在真金白银投入市场之前,一套策略必须先在历史数据上证明自己:它能赚钱吗?最大可能亏多少?这点收益值得承担这些风险吗?难点在于,从一个交易想法到一份可信的回测报告,要同时跨越好几个领域:交易领域知识、数据工程、Python 编码、统计分析。而这正是 AI 智能体最能发挥价值的多步骤、多技能问题。
本文探讨的动手实践工作坊  Agentic Backtesting for Quants by Bedrock AgentCore and Strands Agents  正是这样一套系统:多个专职智能体协作,把一句大白话描述的交易策略,变成一份完整的绩效分析报告。这篇文章带你快速了解工作坊涵盖的内容,以及它的设计取舍为什么值得借鉴。
免责声明:本workshop仅供学习交流目的,不构成任何投资建议,参与者的投资决策以及盈亏由参与者本人自行承担。

你将构建什么

这是一个动手实践类工作坊,时长约 90 分钟,难度为中级(300 级)。完成后你将获得:
  • 对复杂金融工作流中多智能体编排模式的理解
  • 三个部署到 Amazon Bedrock AgentCore 的专职 AI 智能体
  • 通过 AgentCore MCP Gateway 连接外部市场数据的能力
  • 一个从策略输入一路跑到绩效分析的全栈回测应用
门槛并不高:会基本的 Python 和命令行操作,对买入、卖出、技术指标等交易概念有大致了解即可。不要求有任何 AI 智能体或回测框架的经验。工作坊环境自带一个基于浏览器的代码编辑器(Code-OSS / VS Code 开源版),本地什么都不用装。

三个基础模型

工作坊的一个核心思路是"为任务匹配合适的模型"。它没有用一个大模型包揽一切,而是让每个智能体使用最适合自己任务的模型:
模型
角色
职责
Anthropic Claude Opus 4
策略生成器
把自然语言策略转换成可执行的 Backtrader Python 代码
Amazon Nova Lite 2.0
结果汇总器
分析绩效指标并撰写专业报告
Anthropic Claude Sonnet 4
量化智能体(编排者)
协调整个工作流和所有子智能体
用强大的模型做代码生成、用更轻量更快的模型做汇总,这种搭配本身就是一堂关于成本与延迟优化的实战课。

为什么是回测,又为什么用智能体

回测要回答的,正是真金白银投入前最关键的那些问题:总收益与年化收益、最大回撤、夏普比率与索提诺比率、胜率、盈亏比,以及在牛市、熊市、震荡市中的不同表现。传统流程分五步:定义策略、采集历史数据(OHLCV)、用代码实现、运行模拟、分析结果。
问题在于,每一步都需要不同的专业能力。工作坊使用  Backtrader ,这是一个流行的开源 Python 回测框架,具备事件驱动引擎、内置技术指标(SMA、EMA、RSI、MACD)、订单管理和绩效分析能力。在这套系统里,策略生成器负责写 Backtrader 代码,量化智能体负责用真实市场数据运行它——人则可以专注于策略本身。

为什么用多智能体,而不是一个大智能体

单个"全能型"智能体在处理复杂的多步骤任务时往往力不从心。工作坊从四个维度论证了多智能体架构的优势:
Why Multi-Agent Architecture

  • 专业化 —— 每个智能体职责单一,准确率更高
  • 可扩展性 —— 分布式处理,可以弹性、独立地扩容
  • 成本效率 —— 为每个智能体按需配置资源
  • 可维护性 —— 精细化控制、独立的健康监控、隔离的测试
Strands Agents 支持四种协作模式:Agent as Tools(编排者调用专职智能体)、Swarm(智能体通过共享内存协作)、Graph(智能体作为节点、用显式边连接)、Workflow(结构化的顺序协作)。
Multi-Agent Patterns Comparison

本系统采用 Agent as Tools,因为回测流程天然具有层级结构:
用户请求
↓
量化智能体(编排者)
├── 调用 → 策略生成器智能体 → Backtrader 代码
├── 调用 → 市场数据 MCP 工具 → 历史 OHLCV 数据
├── 执行 → 回测(Backtrader 引擎)
└── 调用 → 结果汇总器智能体 → 绩效分析
↓
汇总后的响应 → 用户

由于每个专职智能体独立运行,它可以使用不同的模型、自己的配置,并能被单独测试、扩容和更新。

AgentCore 带来了什么

 Amazon Bedrock AgentCore  提供了在生产环境部署、运行和扩展智能体的托管基础设施。工作坊用到了其中五项服务:
  • Runtime —— 托管每个智能体的无服务器计算环境。无需管理服务器或容器,按调用负载自动伸缩,支持安全的环境变量和智能体间互相调用。三个智能体都部署在这里。
  • Gateway —— 把市场数据 Lambda 封装成任意智能体都能调用的 MCP 工具  get_market_data ,支持语义路由和基于 Cognito 的 OAuth。
  • Identity —— 与现有身份提供商(这里是 Amazon Cognito)集成的安全认证,确保只有获授权的智能体才能访问市场数据工具。
  • Memory —— 提供短期和长期上下文,让量化智能体能处理追问和策略的迭代式打磨。
  • Observability —— 兼容 OpenTelemetry,可追踪从编排者到子智能体、再到 Gateway 工具调用的完整执行路径,数据汇入 Amazon CloudWatch。
部署过程相当简单:把 AgentCore CLI 指向你的 Python 入口文件,它会自动处理打包、依赖、容器管理和扩缩容:
agentcore configure --entrypoint quant_agent.py --name quant_agent \
--requirements-file requirements.txt --idle-timeout 900

agentcore launch --auto-update-on-conflict \
--env AWS_REGION=$WORKSHOP_REGION \
--env STRATEGY_GENERATOR_RUNTIME_ARN=arn:... \
--env AGENTCORE_GATEWAY_URL=https://...


系统架构

Architecture Diagram

整套系统分为三层:
  • 前端(Next.js) —— 策略输入表单、实时工作流进度展示,以及带指标和 AI 分析的结果看板。
  • 编排层(Bedrock AgentCore) —— 量化智能体接收请求,调用策略生成器拿代码,通过市场数据 Gateway 获取数据,在本地运行 Backtrader 模拟,再调用结果汇总器。
  • 数据层 —— S3 Tables(Apache Iceberg 格式)存储历史每日 OHLCV 数据,数据来自 Yahoo Finance(仅供教学使用);Lambda 函数用 PyIceberg 查询数据;Gateway 把这个 Lambda 暴露为  get_market_data  工具。
用户 → 前端 → AgentCore 量化智能体
├── 策略生成器智能体 → Backtrader 代码
├── AgentCore Gateway → Lambda → S3 Tables → 市场数据
├── 回测执行(Backtrader)
└── 结果汇总器智能体 → 分析报告
→ 前端 → 结果展示


动手实验

各个实验循序渐进,每一个都在上一个的基础上叠加一项新的 AgentCore 能力。你从一个只有提示词的智能体起步,一步步把它演进成带可观测性和护栏的完整多智能体系统:
  1. Lab 1 —— 部署策略生成器(AgentCore Runtime):先让一个只用提示词的简单智能体跑起来。
  1. Lab 2 —— 加入记忆(AgentCore Memory):从无状态走向有状态,让智能体记住上下文。
  1. Lab 3 —— 构建带市场数据的量化智能体(AgentCore Gateway 与 Identity):把智能体连接到外部工具。
  1. Lab 4 —— 多智能体编排(Agent-as-Tool 模式):从单个智能体走向"编排者 + 专家"结构。
  1. Lab 5 —— 运行你的第一次回测(AgentCore Observability):用追踪和 span 把黑盒变透明。
  1. Lab 6(加分)—— 加入护栏(AgentCore Policy):从无约束走向受治理的执行。
  1. Lab 7(加分)—— 沙箱执行(AgentCore Code Interpreter):在安全沙箱中而非本地运行代码。
  1. Lab 8(加分)—— A2A 协议(Agent-to-Agent):用开放、可互操作的标准替代私有 API。
这条演进路线本身就是收获:每个实验都对应着你把一个智能体从"玩具"推向"生产"时真实会遇到的能力缺口。

适合谁

这个工作坊面向量化开发者、数据科学家、开发人员,以及对"智能体 AI 如何加速量化交易工作流"感兴趣的工程管理者。如果你一直想看看多智能体编排、MCP、托管智能体基础设施在一个具体的端到端项目里是怎么拼在一起的,这是一个范围合适、值得入手的起点。在亚马逊云科技活动中参加是免费的;用自己的账号跑,则需自行承担亚马逊云科技费用。
最后还要重复工作坊里的一句提醒:这里的市场数据来自 Yahoo Finance,仅供教学使用,不构成任何投资建议。真正值得带走的,是这套架构和你可以迁移到自己系统里的智能体设计模式。



资源

1/ workshop - Agentic Backtesting for Quants by Bedrock AgentCore and Strands Agents:  https://catalog.us-east-1.prod.workshops.aws/workshops/dcf31eb4-6479-48ed-acc5-e58fe1f53656/en-US 
Any opinions in this article are those of the individual author and may not reflect the opinions of AWS.
Enjoyed reading this content? Let the author know!

Your likes, comments, shares, and saves help creators reach more builders.

Loading recommendations

Loading article