Neural Trader MCP

MCP神经交易员

用于神经时间序列预测的模型上下文协议（MCP）服务器。该服务器为Claude提供了分析时间序列数据并使用集成机器学习方法进行预测的能力，该方法由编译为WebAssembly的高级神经网络提供支持。

特性

• 11预测模型 （6基础+5高级）：

基础模型:

- 移动平均 - 指数平滑（Holt-Winters风格） - 线性趋势 - 季节性天真 - 自回归（类似ARIMA） - 神经网络（简单MLP）

高级神经模型 （WASM加速）：

- 长短期记忆 -长短期记忆：复杂的时间模式，推理速度快3-5倍 - N个座位 -神经基础扩展：长期预测，训练速度提高2.5-4倍 - 时间卷积网络 -时间卷积网络：实时预测、并行计算 - 变压器 -基于注意力：具有可解释预测的复杂模式 - 自回归 -自回归外生：快速、轻量级的统计模型

• 集合预报：基于回溯测试自动组合具有优化权重的模型

• WASM加速：高级模型使用WebAssembly可将性能提高2.5-5倍

- 推理速度提高3-5倍 - 训练速度提高2.5至4倍 - 内存使用量减少25-35% - 如果WASM不可用，则返回JavaScript

• 置信区间：每个预测都包括不确定性界限

• 分析工具：统计、趋势检测、异常检测、模型比较

安装

1.建设项目

cd /home/user/Desktop/claude/mcp-neural-trader
npm install
npm run build

2.添加到克劳德代码

claude mcp add neural-trader node /home/user/Desktop/claude/mcp-neural-trader/dist/index.js

或者手动添加到您的Claude设置中：

{
  "mcpServers": {
    "neural-trader": {
      "command": "node",
      "args": ["/home/user/Desktop/claude/mcp-neural-trader/dist/index.js"]
    }
  }
}

可用工具

数据管理

预测

分析与信息

使用示例

快速预测

Use quick_forecast with values [100, 102, 105, 103, 108, 110, 112] and horizon 5

基础合奏（6个模型）

1. Use load_data with name "btc_prices" and your price array
2. Use train_model with dataset_name "btc_prices" and model_name "btc_model"
3. Use forecast with model_name "btc_model" and horizon 7

高级神经模型（LSTM用于复杂模式）

1. Use load_data with name "btc_prices" and your price array
2. Use train_model_advanced with:
   - dataset_name: "btc_prices"
   - model_name: "btc_lstm"
   - model_type: "lstm"
   - lookback: 14
3. Use forecast with model_name "btc_lstm" and horizon 7

混合合奏（基础+高级模型）

1. Use load_data with name "btc_prices" and your price array
2. Use train_advanced_ensemble with:
   - dataset_name: "btc_prices"
   - model_name: "btc_hybrid"
   - advanced_models: ["lstm", "nbeats", "tcn"]
3. Use forecast with model_name "btc_hybrid" and horizon 7

获取型号信息

Use get_model_info with model_type "lstm" to see:
- Accuracy characteristics
- Best use cases
- Performance metrics
- Pros and cons

分析数据

1. Use load_data with your data
2. Use list_available_models to see all options
3. Use analyze_series to get statistics and trend info
4. Use detect_anomalies to find outliers
5. Use compare_models to benchmark different approaches

模型详情

集体举重是如何工作的

1. 每个模型都基于80%的数据进行训练
2. 模型预测剩余的20%
3. 误差较小的模型权重较高
4. 最终预测=所有模型的加权平均值

置信区间

置信区间表示模型之间的分歧：

• 宽带=模型不一致（高不确定性）
• 窄带=模型一致（低不确定性）

数据格式

时间序列应以数字数组的形式提供：

{
  "values": [100.5, 101.2, 99.8, 102.3, 103.1]
}

可选地包括时间戳：

{
  "values": [100.5, 101.2, 99.8],
  "timestamps": [1704067200, 1704153600, 1704240000]
}

性能比较

局限性

• 需要至少5个数据点进行预测
• 季节性检测假设每周具有季节性（7个周期）
• 简化了基本神经模型（不是深度学习模型）
• 如果WASM不可用，高级模型将回退到JavaScript
• 内存存储（重启时数据丢失）
• WASM模块需要Node.js 18.20.8+

性能提示

为了获得最佳精度：

• 使用LSTM或NBEATS处理复杂的时间模式
• 使用NBEATS进行长期预测（14+步）
• 结合基本集成实现混合方法

对于速度：

• 使用TCN或ARX进行实时预测
• 使用启用WASM的型号可实现2.5-5倍的加速
• 使用quick_forecast进行一次性预测

可解释性：

• 使用Transformer进行基于注意力的解释
• 使用ARX进行基于系数的解释
• 使用compare_models了解个人贡献

建筑

mcp-neural-trader/
├── src/
│   ├── index.ts                      # MCP server entry point with all tools
│   └── models/
│       ├── forecaster.ts             # 6 basic forecasting algorithms
│       ├── advanced-neural-models.ts # 5 advanced neural models (LSTM, NBEATS, TCN, Transformer, ARX)
│       └── wasm-loader.ts            # WASM module loader and initialization
├── dist/                             # Compiled JavaScript
├── ruv-FANN/                         # Neuro-Divergent WASM modules (submodule)
│   └── ruv-swarm/npm/wasm/
│       └── neuro-divergent.wasm      # Compiled WASM for neural models
├── package.json
└── tsconfig.json

WASM集成

先进的神经模型由 神经发散剂 该项目是最先进的神经预测架构的Rust实现，编译为WebAssembly以获得最佳性能。

初始化时，MCP服务器尝试加载WASM模块，以提高2.5-5倍的性能。如果不可用，它会优雅地回退到JavaScript实现（仍然功能齐全）。

WASM模块功能

• ✓ LSTM-长短期记忆网络
• ✓ N-BEATS-神经基展开分析
• ✓ TCN-时间卷积网络
• ✓ Transformer-基于注意力的架构
• ✓ 内存安全的Rust实现
• ✓ 包括回退JavaScript实现

RUV Swarm集成（新）

MCP服务器现在包括与 ruv蜂群 生态系统，提供：

认知模式学习

影响预测风格的适应性思维模式：

分布式自治代理（DAA）

具有可配置自主级别的多代理协调：

• 低：手动控制，无自适应
• 中等：建议调整（默认）
• 高：自动生成代理，适应拓扑
• 满的：完全自主探索

新工具

使用示例

1. Use ruv_swarm_init with topology "mesh"
2. Use ruv_spawn_agent with type "trend", model_type "lstm", cognitive_pattern "divergent"
3. Use ruv_spawn_agent with type "seasonal", model_type "transformer", cognitive_pattern "convergent"
4. Use ruv_consensus with values [100, 102, 105, 103, 108] and horizon 5
5. Use ruv_cognitive_train with pattern_type "divergent", success true, accuracy 0.85

群体拓扑

• 网格：完全连接，最适合复杂的协调
• 分层的：树形结构，有组织的决策
• 戒指：高效的顺序处理
• 星：轮毂和辐条用于集中控制
• 混合：自适应组合

性能优势

• 复杂推理任务的准确率为84.8%（SWE Bench）
• 并行协调速度提高2.8-4.4倍
• 通过高效的任务分解减少32.3%的令牌
• 认知模式提高预测准确率10-20%