
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:

- 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)。

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
- 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

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:
- 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。
- 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。
- 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。
- 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。
- Lab 5 —— 运行你的第一次回测(AgentCore Observability):用追踪和 span 把黑盒变透明。
- Lab 6(加分)—— 加入护栏(AgentCore Policy):从无约束走向受治理的执行。
- 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。
- 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
Enjoyed reading this content? Let the author know!
Your likes, comments, shares, and saves help creators reach more builders.
Loading recommendations
Loading article