Financial Ml MCP Server

高级金融ML MCP服务器

一个全面的金融MCP服务器，与Kite MCP无缝集成，用于复杂的投资组合分析和交易信号。使用具有高级机器学习功能的FastMCP框架构建。

🚀 特性

核心能力

• LSTM-GNN混合模型：结合时间模式和交叉资产相关性的高级股票价格预测
• 动态波动建模：使用ARIMA、SARIMA、GARCH、EGARCH和TGARCH模型进行综合波动率预测
• 投资组合情报：结合基本面、技术、情绪和宏观经济因素的多因素分析
• 高级交易信号：风险调整交易建议，包括头寸规模和止损/止盈水平
• 蒙特卡罗模拟：使用VaR、CVaR和压力测试进行投资组合情景分析
• 市场机制检测：使用概率估计进行实时市场机制识别
• 自动模型管理：具有超参数调整和版本控制的自优化模型

集成功能

• 无缝Kite MCP集成：与Kite MCP服务器直接通信以获取投资组合数据
• 多源数据提取：yfinance、Alpha Vantage和Quandl的后备机制
• 实时分析：实时市场数据与缓存集成以提高性能
• 全面的错误处理：优雅的降级和强大的错误管理

📋 先决条件

• Python 3.8+
• API密钥（可选但推荐）：

- Alpha Vantage API密钥 - Quantl API密钥 - 新闻API密钥

🛠️ 安装

1. 克隆存储库：

git clone 
cd Financial_mcp_server

1. 安装依赖项：

pip install -r requirements.txt

1. 设置环境变量：

创建一个 .env 根目录中的文件：

ALPHA_VANTAGE_API_KEY=your_alpha_vantage_key
QUANDL_API_KEY=your_quandl_key
NEWSAPI_KEY=your_newsapi_key
KITE_MCP_URL=http://localhost:8000
MODEL_CACHE_PATH=./models/cache
AUTO_RETRAIN=true

1. 创建必要的目录：

mkdir -p models/cache
mkdir -p config
mkdir -p utils
mkdir -p analysis

🚀 快速开始

运行服务器

python financial_mcp_server.py

服务器将启动并显示可用工具：

• predict_sock_lstm_gnn_自适应
• 优化预测模型
• 预测_脆弱性_综合
• 挥发性_模型工厂
• 分析投资组合综合
• 生成交易信号高级
• 模拟投资组合场景
• 配置财务模型
• 市场_赠品_探测器

Claude桌面配置

将以下内容添加到您的 claude_desktop_config.json:

{
  "mcpServers": {
    "financial_ml": {
      "command": "python",
      "args": ["/path/to/financial_mcp_server.py"],
      "env": {
        "ALPHA_VANTAGE_API_KEY": "your_key",
        "QUANDL_API_KEY": "your_key",
        "NEWSAPI_KEY": "your_key",
        "MODEL_CACHE_PATH": "/path/to/models",
        "AUTO_RETRAIN": "true",
        "KITE_MCP_URL": "http://localhost:8000"
      }
    }
  }
}

📊 工具文档

1.预测_库存_lstm_gnn_adaptive

具有自适应配置的高级LSTM-GNN股票价格预测。

参数：

• symbols：股票代码列表
• prediction_horizon：预测天数（默认值：30）
• model_complexity：“自动”、“简单”或“复杂”
• correlation_threshold：图形构造阈值（默认值：0.7）

退货：

• 带有不确定性区间的价格预测
• 模型性能指标
• 置信度得分

2.预测_脆弱性_综合

使用多个模型进行综合波动率预测。

参数：

• symbols：股票代码列表
• horizon：预测范围（以天为单位）（默认值：10）
• model_selection：“自动”或特定型号
• seasonality：季节性检测方法

退货：

• 带置信区间的波动性预测
• VaR估计
• 模型性能比较

3.分析_组合_综合

多因素投资组合分析。

参数：

• use_kite_portfolio：从风筝MCP获取（默认值：true）
• fundamental_analysis：包括基本面分析
• technical_analysis：包括技术分析
• sentiment_analysis：包括情绪分析
• macro_analysis：包括宏观经济分析

退货：

• 综合投资组合分析
• 个股得分
• 投资组合级别建议

4.生成_交易_信号_高级

先进的交易信号生成和风险管理。

参数：

• signal_confidence：最小置信阈值（默认值：0.75）
• risk_tolerance：“保守”、“温和”或“激进”
• time_horizon：“短期”、“中期”或“长期”

退货：

• 买入/卖出/持有信号
• 职位规模建议
• 止损和止盈水平

5.模拟投资组合场景

蒙特卡洛投资组合模拟。

参数：

• portfolio_holdings：投资组合数据
• simulation_periods：模拟次数（默认值：1000）
• market_scenarios：要测试的场景
• confidence_levels：VaR置信水平

退货：

• 情景分析结果
• 风险度量（VaR、CVaR、最大提款）
• 压力测试结果

🔧 配置

模型配置

# Configure automatic model retraining
await configure_financial_models(
    auto_retrain=True,
    retrain_frequency="weekly",
    performance_threshold=0.05,
    model_versioning=True
)

市场机制检测

# Detect current market regime
regime_info = await market_regime_detector(
    economic_indicators=["vix", "yield_curve", "credit_spreads"],
    regime_models=["hmm", "markov_switching", "threshold"]
)

📈 示例用法

完整的投资组合分析工作流程

# 1. Analyze portfolio comprehensively
portfolio_analysis = await analyze_portfolio_comprehensive(
    use_kite_portfolio=True,
    fundamental_analysis=True,
    technical_analysis=True,
    sentiment_analysis=True,
    macro_analysis=True
)

# 2. Generate price predictions
predictions = await predict_stock_lstm_gnn_adaptive(
    symbols=["AAPL", "GOOGL", "MSFT"],
    prediction_horizon=30,
    model_complexity="auto"
)

# 3. Predict volatility
volatility = await predict_volatility_comprehensive(
    symbols=["AAPL", "GOOGL", "MSFT"],
    horizon=10,
    model_selection="auto"
)

# 4. Generate trading signals
signals = await generate_trading_signals_advanced(
    signal_confidence=0.75,
    risk_tolerance="moderate",
    time_horizon="medium_term"
)

# 5. Run scenario analysis
scenarios = await simulate_portfolio_scenarios(
    portfolio_holdings=portfolio_data,
    simulation_periods=1000,
    market_scenarios=["bull", "bear", "sideways", "crisis"]
)

🏗️ 建筑

核心组件

1. 数据层

- utils/data_fetcher.py：多源数据检索 - utils/kite_integration.py：风筝MCP通信

1. 模型图层

- models/lstm_gnn_predictor.py：LSTM-GNN混合模型 - models/volatility_models.py：波动率建模套件

1. 分析层

- analysis/portfolio_analyzer.py：投资组合情报

1. 配置

- config/settings.py：应用程序设置和模型配置

数据流

Kite MCP ──┐
           ├─→ Data Fetcher ─→ Models ─→ Analysis ─→ Trading Signals
External APIs ──┘

🔒 安全与性能

• API速率限制：内置外部API的速率限制
• 缓存：用于昂贵计算的智能缓存
• 错误处理：全面的错误处理和优雅的降级
• 模型版本控制：自动模型版本控制和回滚功能
• 性能监控：实时模型性能跟踪

🤝 贡献

1. 分叉存储库
2. 创建要素分支
3. 进行更改
4. 添加测试
5. 提交拉取请求

📄 许可证

此项目根据MIT许可证获得许可-有关详细信息，请参阅许可证文件。

🆘 支持

有关支持和问题：

• 在存储库中创建问题
• 检查文档
• 查看示例使用模式

🔄 更新

该服务器包括自动模型再训练和性能监控。模型会根据市场状况和性能指标不断改进。