Creación de un sistema de backtesting cuantitativo con varios agentes: Amazon Bedrock AgentCore + Strands Agents

Un recorrido práctico sobre un sistema de backtesting cuantitativo para varios agentes basado en Amazon Bedrock AgentCore y el SDK de Strands Agents. Tres agentes de inteligencia artificial especializados colaboran para convertir una estrategia comercial sencilla en un informe de rendimiento completo. Este artículo de apertura trata sobre la arquitectura, los tres modelos básicos y la progresión de los ocho laboratorios, y da inicio a una serie sobre la colaboración (A2A), la ejecución segura (entorno aislado), las acciones gobernadas (barreras de protección) y la memoria compuesta.

El éxito o el fracaso del comercio cuantitativo depende, en gran medida, de backtesting. Antes de que el dinero real entre en el mercado, una estrategia tiene que demostrar su valía basándose en datos históricos: ¿genera dinero? ¿Cuál es la pérdida en el peor de los casos? ¿Tanto rendimiento vale tanto riesgo?

Lo difícil es que pasar de una idea comercial a un informe de backtest creíble abarca varios dominios a la vez: el conocimiento del dominio comercial, la ingeniería de datos, la codificación de Python y el análisis estadístico. Y ese es precisamente el tipo de problema de varios pasos y habilidades en el que los agentes de IA brillan. El taller práctico que analizamos en este artículo es exactamente un sistema de este tipo: varios agentes especializados colaboran para convertir una estrategia de negociación de una sola frase y en un lenguaje sencillo en un informe completo de análisis del rendimiento.

Esta publicación le brinda un recorrido rápido de lo que cubre el taller y por qué vale la pena tomar prestadas sus ventajas y desventajas de diseño.

Descargo de responsabilidad: este contenido es solo para fines de aprendizaje y debate. No constituye asesoramiento, recomendación ni solicitud de inversión. Cualquier decisión de inversión y las ganancias o pérdidas resultantes son responsabilidad exclusiva de la persona.

Acerca de esta serie. Esta publicación es la apertura de una serie de varias partes. Te ofrece una visión global; los seguimientos de cada ampliación se convierten en una decisión de diseño que convierte este sistema de una demostración en algo con forma de producción: * Parte 1 (esta publicación) — El panorama general: la arquitectura, los modelos y la progresión de los ocho laboratorios.

• Parte 2 — Colaboración (protocolo A2A): cómo los agentes descubren y se llaman entre sí en cuentas, nubes y marcos utilizando un estándar abierto en lugar de una API patentada.

• Parte 3: Ejecución segura (entorno limitado de interpretación de código): por qué no deberías ejecutar código escrito en LLM sin más y cómo lo contiene un sandbox.

• Parte 4 — Acciones gobernadas (barandas de cedro): cómo poner una barrera determinista a un agente probabilístico, una línea que nunca podrá cruzar, sin importar lo que decida.

• Parte 5 — Memoria compuesta: cómo darle un recuerdo al agente convierte las pruebas retrospectivas puntuales en un compañero de investigación que acumula y conversa. panorama general → colaboración → seguridad → acumulación. Si alguno de ellos resuena, síguelo.

Qué construirás

Este es un taller práctico, de aproximadamente 90 minutos, a un nivel intermedio (300). Al final, tendrás:

• Comprensión de los patrones de orquestación de múltiples agentes para flujos de trabajo financieros complejos

• Tres agentes de IA especializados desplegados en Amazon Bedrock AgentCore

• La capacidad de conectar a los agentes con los datos del mercado externo a través de una puerta de enlace AgentCore MCP

• Una aplicación completa de backtesting que se ejecuta desde la entrada de la estrategia hasta el análisis del rendimiento

El listón no es muy alto: familiaridad básica con Python y la línea de comandos, además de una comprensión aproximada de los conceptos comerciales como comprar, vender e indicadores técnicos. No se requiere experiencia previa con agentes de IA ni con marcos de backtesting. El entorno del taller incluye un editor de código basado en navegador (código abierto Code-OSS/VS Code), por lo que no es necesario instalar nada de forma local.

Tres modelos de cimentación

Una idea central del taller es adaptar el modelo correcto a la tarea. En lugar de tener un modelo grande que lo haga todo, cada agente utiliza el modelo que mejor se adapte a su trabajo:

modeloRolResponsabilidadAnthropic Claude Opus 4Generador de estrategiasConvierte la estrategia de lenguaje natural en código Python ejecutable de BacktraderAmazon Nova Lite 2.0Resumidor de resultadosAnalice las métricas de rendimiento y redacte un informe profesionalSoneto antrópico de Claude 4Quant agent (orquestador)Coordine todo el flujo de trabajo y todos los subagentes

El uso de un modelo potente para la generación de código y un modelo más ligero y rápido para el resumen es, en sí mismo, una lección práctica sobre la optimización de costes y latencia.

Por qué hacer backtesting y por qué los agentes

Las pruebas retrospectivas responden a las preguntas que más importan antes de que llegue el capital real: rentabilidad total y anualizada, caída máxima, ratios de Sharpe y Sortino, tasa de ganancias, ratio de pérdidas/ganancias y cómo se comporta una estrategia en los mercados alcistas, bajistas y laterales.

El flujo tradicional tiene cinco pasos: definir la estrategia, recopilar datos históricos (OHLCV), implementarlos en código, ejecutar la simulación y analizar los resultados. El problema es que cada paso exige una habilidad diferente.

El taller utiliza Trader atrasado, un popular marco de backtesting de Python de código abierto con un motor basado en eventos, indicadores técnicos integrados (SMA, EMA, RSI, MACD), gestión de pedidos y análisis de rendimiento. En este sistema, el generador de estrategias escribe el código de Backtrader y el agente cuantitativo lo compara con datos reales del mercado, lo que deja a la persona libre de centrarse en la estrategia en sí.

¿Por qué varios agentes en lugar de un gran agente?

Un único agente que «lo hace todo» tiende a tener dificultades con tareas complejas de varios pasos. El taller aboga por una arquitectura multiagente basada en cuatro ejes:

• Especialización — cada agente tiene una única responsabilidad, lo que aumenta la precisión

• Escalabilidad — el procesamiento distribuido se escala de forma elástica e independiente

• Eficiencia de costes — aprovisionar recursos por agente, bajo demanda

• Mantenibilidad — control detallado, monitoreo de salud independiente, pruebas aisladas

Strands Agents admite cuatro patrones de colaboración:

• El agente como herramienta (el orquestador llama a agentes especializados)

• Enjambre (los agentes colaboran a través de la memoria compartida)

• Gráfico (agentes como nodos conectados por bordes explícitos)

• flujo de trabajo (colaboración estructurada y secuencial)

Este taller utiliza El agente como herramienta, porque un flujo de backtesting es naturalmente jerárquico. Como cada agente especializado se ejecuta de forma independiente, puede usar un modelo diferente, su propia configuración y probarse, escalarse y actualizarse por sí solo.

Qué aporta AgentCore

Amazon Bedrock AgentCore proporciona una infraestructura gestionada para implementar, ejecutar y escalar agentes en producción. El taller utiliza cinco de sus servicios:

• Tiempo de ejecución — un entorno informático sin servidor que aloja a cada agente. No hay servidores ni contenedores que administrar, se escala automáticamente con la carga de invocación, asegura las variables de entorno e invoca de agente a agente. Los tres agentes se despliegan aquí.

• Portal — convierte una Lambda de datos de mercado en una obtener datos de mercado Herramienta MCP a la que puede llamar cualquier agente, con enrutamiento semántico y OAuth basado en Cognito.

• Identidad — autenticación segura integrada con un proveedor de identidad existente (en este caso, Amazon Cognito), lo que garantiza que solo los agentes autorizados puedan acceder a la herramienta de datos de mercado.

• Memoria — contexto a corto y largo plazo, que permite al agente cuantitativo gestionar el seguimiento y el refinamiento iterativo de la estrategia.

• Observabilidad — Seguimiento compatible con OpenTelemetry de toda la ruta de ejecución, desde el orquestador hasta los subagentes y las llamadas a las herramientas de Gateway, que desembocan en Amazon CloudWatch.

La implementación es sencilla: dirija la CLI de AgentCore a su archivo de entrada de Python y se encargará del empaquetado, las dependencias, la administración de contenedores y el escalado:

1
2
3
4
5
6
7

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://...

Arquitectura del sistema

Arquitectura general del sistema. Fuente: el taller «Agentic Backtesting for Quants» (AWS).

El sistema tiene tres capas:

• Interfaz (Next.js) — un formulario de entrada de estrategias, el progreso del flujo de trabajo en tiempo real y un panel de resultados con métricas y análisis de IA.

• Capa de orquestación (Bedrock AgentCore) — el agente cuantitativo recibe la solicitud, llama al generador de estrategias para obtener código, obtiene datos a través de la pasarela de datos de mercado, ejecuta la simulación de Backtrader localmente y, a continuación, llama al sumador de resultados.

• Capa de datos — Las tablas S3 (formato Apache Iceberg) almacenan datos históricos diarios de OHLCV, obtenidos de Yahoo Finance (solo para uso educativo); una función de Lambda los consulta a través de PyIceberg; el Gateway expone esa Lambda como obtener datos de mercado herramienta.

Los laboratorios prácticos

Los laboratorios se desarrollan progresivamente y cada uno agrega una nueva capacidad de AgentCore a la anterior. Se empieza con un agente que solo recibe información inmediata y lo evoluciona, paso a paso, hasta convertirse en un sistema completo de varios agentes con capacidad de observación y barreras de seguridad:

Laboratorio 1: Implemente el generador de estrategias (AgentCore Runtime): ponga en marcha un agente de forma sencilla y rápida.

Laboratorio 2: Cree el agente cuantitativo con datos de mercado (AgentCore Gateway e Identity): conecte el agente a herramientas externas.

Laboratorio 3: Orquestación de múltiples agentes (agente como herramienta): pasar de un solo agente a una estructura de «orquestador y expertos».

Laboratorio 4: Realice su primera prueba retrospectiva (AgentCore Observability): convierte la caja negra en transparente con trazas y tramos.

Laboratorio 5: Realizar pruebas retrospectivas de memoria y chat (memoria AgentCore): pasa de apátrida a estado con estado, lo que permite al agente recordar el contexto.

Laboratorio 6 (bonificación): agregue barandillas (política de AgentCore): pasar de una ejecución sin restricciones a una ejecución controlada.

Laboratorio 7 (extra): ejecución en espacio aislado (intérprete de código de AgentCore): ejecute el código en un entorno limitado seguro en lugar de hacerlo localmente.

Laboratorio 8 (extra) — Protocolo A2A (de agente a agente): reemplazar una API patentada por un estándar abierto e interoperable.

Este camino de evolución es en sí mismo la recompensa: cada laboratorio corresponde a una brecha de capacidad real que encontrarás al empujar a un agente de «juguete» a «producción».

Para quién es

Este taller está dirigido a desarrolladores cuantitativos, científicos de datos, ingenieros y gerentes de ingeniería que deseen saber cómo la IA de las agencias puede acelerar los flujos de trabajo de negociación cuantitativa. Si querías ver cómo la orquestación de múltiples agentes, el MCP y la infraestructura de agentes gestionados encajan realmente en un proyecto concreto e integral, este es un buen punto de partida. Es gratuito en los eventos de AWS; ejecutarlo en su propia cuenta significa cubrir los costos de los recursos de la nube usted mismo.

Por último, para repetir un recordatorio del propio taller: los datos de mercado aquí provienen de Yahoo Finance, solo para uso educativo y no son consejos de inversión. Lo que realmente vale la pena destacar es el diseño general de este sistema de pruebas retrospectivas cuantitativas y los patrones de diseño multiagente que puedes internalizar e incorporar a tus propios sistemas.