Market Mind India

🇮🇳 MarketMind India：终极印度股市MCP服务器

   

MarketMind印度 是一个关键任务模型上下文协议（MCP）服务器，旨在弥合大型语言模型（LLM）与国家证券交易所（NSE）/孟买证券交易所（BSE）之间的差距。它将克劳德转变为一名高保真的金融分析师，能够进行实时价格发现、衍生品数学和虚拟资产管理。

______________________________________________________________________

🏗 系统架构设计

MarketMind India建立在 解耦的、以引擎为中心的架构这确保了数据检索、财务计算和状态管理被隔离，使系统能够适应API的变化并易于扩展。

架构图

graph TD
    subgraph "External World"
        YF[yfinance API]
        NEWS[News Feeds]
    end

    subgraph "Claude Ecosystem"
        CL[Claude Desktop] -- MCP Protocol --> FAST[FastMCP Server]
    end

    subgraph "MarketMind Core Engines"
        FAST -- invokes --> MDE[Market Data Engine]
        FAST -- invokes --> OA[Options Analyzer]
        FAST -- invokes --> SG[Signal Generator]
        FAST -- invokes --> PM[Portfolio Manager]
    end

    subgraph "Data & Analytics"
        MDE --> YF
        OA --> BS[Black-Scholes Math Engine]
        SG --> TA[pandas-ta Indicators]
        SG --> NEWS
        PM --> DB[(SQLite Database)]
    end

    style CL fill:#f9f,stroke:#333,stroke-width:2px
    style FAST fill:#bbf,stroke:#333,stroke-width:2px
    style DB fill:#eee,stroke:#333

系统组件：

1. FastMCP服务器层：处理Claude和Python逻辑之间的JSON-RPC通信。
2. 市场数据引擎：用于符号归一化的抽象层（例如。， TCS ➡️ TCS.NS)以及多线程数据获取。
3. 选项分析器：实施复杂的数学模型（Black-Scholes-Merton）来推导没有外部金融依赖的希腊语。
4. 交易信号发生器：一个逻辑层，将技术趋势（RSI/MACD）与非结构化新闻数据相结合，提供高级建议。
5. 投资组合经理：一个使用SQLite维护虚拟1000万印度卢比纸质交易账户的持久层。

______________________________________________________________________

🛠 10功能MCP工具

MarketMind India向LLM提供了10个高性能工具：

______________________________________________________________________

📷 视觉展示

1.统一的AI接口

MarketMind直接集成到Claude聊天界面中，允许您提出复杂的财务问题并立即获得数据驱动的答案。

Market Analysis Preview *使用IndiaQuant集成对HDFC银行进行实时分析。*

2.实时价格发现

工具如 get_live_price 提供干净、格式化的数据表，其中包含最新的市场指标。

Live Price Preview *信实工业的实时数据。*

3.服务器管理

服务器设计为在本地或云中运行，配置最少。

Server Dashboard *IndiaQuant MCP服务器正在运行并已连接。*

4.先进的工具链

人工智能可以将多个工具链接在一起，进行深度市场扫描。

Toolchain Demo *AI智能地选择和运行多种工具，以进行全面的市场扫描。*

______________________________________________________________________

⚖️ 架构决策与权衡

在MarketMind India的开发过程中，做出了几个关键的设计决策，以平衡性能和开发人员的可访问性：

1.数据来源的选择： yfinance 通过官方NSE API

• 决定：使用 yfinance 所有实时市场数据。
• 权衡：虽然官方NSE API（通过Zerodha/Upstox）提供了较低的延迟，但它们需要复杂的OAuth设置和付费订阅。 yfinance 允许a 零配置体验 对于用户来说，尽管数据可能会延迟长达15分钟。

2.数学实现：自定义Black-Scholes与外部库

• 决定：在内部手动执行Black-Scholes数学 options_analyzer.py.
• 权衡：避免重的“黑匣子”依赖关系，如 quantlib，使代码库更轻，计算对审计完全透明。

3.状态管理：SQLite与内存

• 决定：使用SQLite进行投资组合跟踪。
• 权衡：内存存储速度更快，但服务器重启时数据会丢失。SQLite提供 持久性 同时保持足够的轻量级，无需单独的数据库服务器（如PostgreSQL）即可运行。

4.语言选择：Python 3.12

• 决定：带有类型提示的原生Python。
• 权衡：虽然Rust或Go可能提供更快的执行速度，但Python是金融和人工智能的通用语言，确保了量化研究人员可以轻松修改服务器。

______________________________________________________________________

💻 技术栈

MarketMind India建立在现代高效的技术栈之上：

• 后端协议: FastMCP （MCP的Python框架）
• 财务数据: yfinance （实时市场信息）
• 数据处理: pandas, numpy
• 技术指标: pandas-ta （RSI、MACD、布林带）
• 数学模型: scipy （希腊人的标准化分布）
• 数据库: sqlite3 （资产和交易持久性）
• 流媒体: uvicorn （云SSE支持）
• 基础设施: Docker （多阶段构建）

______________________________________________________________________

🚀 设置和安装指南

本地安装

1. 克隆存储库:

   git clone https://github.com/Reethikaa05/MarketMind-India.git
   cd MarketMind-India

1. 设置环境:

   python -m venv venv
   .\venv\Scripts\activate  # Windows
   # source venv/bin/activate # Linux/Mac

1. 再进行:

   pip install -r requirements.txt

1. 运行服务器:

   python server.py

Claude桌面集成

修改您的 claude_desktop_config.json 具有以下配置：

{
  "mcpServers": {
    "marketmind": {
      "command": "C:/Path/To/Your/venv/Scripts/python.exe",
      "args": ["C:/Path/To/Your/Project/server.py"],
      "env": {
        "NEWSAPI_KEY": "your_api_key_optional"
      }
    }
  }
}

______________________________________________________________________

☁️ 云和Docker部署

服务器已针对高可用性部署进行了优化 渲染, 铁路，或 AWS ECS.

Docker部署：

docker build -t marketmind-india .
docker run -p 8000:8000 marketmind-india

备注：在云中运行时，服务器会自动启动 SSE（服务器发送事件）模式，为远程AI代理暴露公共端点。

______________________________________________________________________

🧪 测试与验证

使用内置测试套件验证系统完整性：

python -m unittest tests/test_suite.py

保险范围包括:

• 数学希腊验证（标准正态分布精度）。
• 符号规范化逻辑。
• API响应结构验证。

______________________________________________________________________

🎯 未来路线图

• \[ \] 实时新闻情绪：与专门的NLP模型集成，以更好地进行标题分析。
• \[ \] 回填数据：能够对虚拟投资组合进行历史回溯测试。
• \[ \] 高级期权策略：多分支价差分析（铁秃鹰、价差）。

______________________________________________________________________

*由...开发 里蒂卡 --利用印度金融情报增强人工智能。*