Financial MCPs - 博士级别的研究工具用于Claude Code CLI

一个全面的高级模型上下文协议（MCP）服务器集合，将Claude Code CLI转变为机构级金融研究平台。

<div align="center">

8个专业MCP • 博士级别分析 • 机构质量

</div>

🎓 概述

此仓库包含了8个专业MCP服务器，提供给Claude Code CLI的能力可以媲美对冲基金和投资银行使用的专业金融平台：

MCP	描述	主要特性
SEC抓取器	XBRL解析及综合分析	DCF建模，蒙特卡洛模拟
新闻情绪	高级NLP处理金融文本	上下文感知情绪，收益电话会议分析
分析师评级	共识追踪及同行比较	评级聚合，目标价格分析
机构	所有权及资金流分析	13F跟踪，内部交易
替代数据	网页抓取独特见解	招聘趋势，社交情绪，评论
行业假设	行业分析及建模	加权平均资本成本计算，同行指标
经济数据	宏观指标及制度检测	联邦数据，就业，通货膨胀
研究管理	报告生成及编排	25页以上的机构报告

🚀 特性

高级金融分析

• XBRL解析：从SEC文件中提取50多项结构化指标
• DCF估值：10,000次迭代的蒙特卡洛模拟
• 财务指标：ROE，ROIC，Altman Z-Score，Piotroski F-Score
• 同行比较：自动识别并分析竞争对手

市场情报

• 博士级别NLP：上下文感知的情绪分析用于收益电话会议
• 技术分析：RSI，MACD，布林带，支撑/阻力位
• 市场制度检测：牛市/熊市识别
• 行业轮动：行业趋势和动量分析

研究成果

• 机构报告：专业25页以上的股票研究报告
• 投资论点：全面的牛市/熊市案例及其催化剂
• 风险评估：多因素风险评分和分析
• 质量指标：数据完整性和信心评分

📦 安装

先决条件

• Python 3.10+
• Claude Code CLI (npm install -g @anthropic-ai/claude-cli)
• uv 包管理器 (pip install uv)

快速设置

1. 克隆仓库：

git clone https://github.com/yourusername/financial-mcps.git
cd financial-mcps

2. 创建并激活虚拟环境：

uv venv
source .venv/bin/activate  # 在Windows上：.venv\Scripts\activate

3. 安装依赖项：

uv sync

4. 添加所有MCP到Claude Code CLI：

# 运行设置脚本
./setup_all_mcps.sh

# 或手动添加每个MCP：
claude mcp add SEC "./FinancialMCPs/SEC_SCRAPER_MCP/start-mcp.sh" --transport stdio
claude mcp add NEWS-SENTIMENT "./FinancialMCPs/NEWS_SENTIMENT_SCRAPER/start-mcp.sh" --transport stdio
claude mcp add ANALYST-RATINGS "./FinancialMCPs/ANALYST_RATINGS_SCRAPER/start-mcp.sh" --transport stdio
claude mcp add INSTITUTIONAL "./FinancialMCPs/INSTITUTIONAL_SCRAPER/start-mcp.sh" --transport stdio
claude m
cp add ALTERNATIVE-DATA "./FinancialMCPs/ALTERNATIVE_DATA_SCRAPER/start-mcp.sh" --transport stdio
claude mcp add INDUSTRY-ASSUMPTIONS "./FinancialMCPs/INDUSTRY_ASSUMPTIONS_ENGINE/start-mcp.sh" --transport stdio
claude mcp add ECONOMIC-DATA "./FinancialMCPs/ECONOMIC_DATA_COLLECTOR/start-mcp.sh" --transport stdio
claude mcp add RESEARCH-ADMIN "./FinancialMCPs/RESEARCH_ADMINISTRATOR/start-mcp.sh" --transport stdio

5. 验证安装：

claude mcp list
# 应该显示全部8个金融MCP

💡 使用示例

基础命令

# 获取当前股票价格
使用SEC获取ticker "AAPL" 的当前价格

# 分析情绪
使用NEWS-SENTIMENT分析ticker "MSFT" 的情绪

# 获取分析师共识
使用ANALYST-RATINGS获取ticker "GOOGL" 的共识评级

高级分析

# 综合股票分析（博士级别）
使用SEC对ticker "NVDA" 进行综合分析

# 生成机构研究报告
使用RESEARCH-ADMIN为ticker "TSLA" 生成研究报告

# 行业分析
使用INDUSTRY-ASSUMPTIONS分析行业 "Technology"

专业工作流程

投资研究工作流程

1. 使用SEC对ticker "META" 进行综合分析
2. 使用NEWS-SENTIMENT分析ticker "META" 的收益电话会议情绪
3. 使用ANALYST-RATINGS进行同行评级比较
4. 使用RESEARCH-ADMIN生成投资论点

风险评估工作流程

1. 使用SEC计算ticker "GME" 的Altman Z-Score
2. 使用INSTITUTIONAL跟踪所有权变化
3. 使用ECONOMIC-DATA评估宏观经济风险
4. 使用ALTERNATIVE-DATA衡量社交情绪

🏗️ 架构

financial-mcps/
├── FinancialMCPs/
│   ├── SEC_SCRAPER_MCP/           # XBRL解析，DCF建模
│   ├── NEWS_SENTIMENT_SCRAPER/    # 高级NLP情绪
│   ├── ANALYST_RATINGS_SCRAPER/   # 共识追踪
│   ├── INSTITUTIONAL_SCRAPER/     # 所有权分析
│   ├── ALTERNATIVE_DATA_SCRAPER/  # 网页抓取
│   ├── INDUSTRY_ASSUMPTIONS/      # 行业分析
│   ├── ECONOMIC_DATA_COLLECTOR/   # 宏观指标
│   ├── RESEARCH_ADMINISTRATOR/    # 报告生成
│   └── shared/                    # 共享高级模块
│       ├── financial_analysis.py  # DCF，指标计算
│       ├── xbrl_parser.py        # XBRL数据提取
│       ├── advanced_nlp.py       # 博士级别NLP
│       ├── research_report_generator.py
│       └── data_cache.py         # 智能缓存
├── setup_all_mcps.sh             # 快速设置脚本
├── test_phd_features.py          # 集成测试
├── requirements.txt
├── README.md
└── LICENSE

🔧 配置

MCP特定设置

每个MCP可以通过环境变量进行配置：

export CACHE_DIR="/tmp/financial_mcp_cache"
export LOG_LEVEL="INFO"
export RATE_LIMIT_DELAY="1.0"  # SEC合规

分析参数

编辑每个MCP的main.py中的analysis_config：

self.analysis_config = {
    'dcf_years': 5,              # DCF预测年数
    'peer_count': 10,            # 分析的同行数量
    'monte_carlo_simulations': 10000,  # 模拟次数
    'confidence_threshold': 0.8   # 最小信心分数
}

缓存设置

在shared/data_cache.py中配置缓存TTL：

self.ttl_config = {
    'price_data': timedelta(minutes=5),
    'financial_statements': timedelta(days=90),
    'news': timedelta(hours=1),
    'research_reports': timedelta(days=30)
}

🧪 测试

运行所有测试

python test_phd_features.py

测试单个MCP

./test_single_mcp.sh SEC_SCRAPER_MCP

调试模式

claude --debug
# 然后使用任何MCP命令查看详细日志

📊 数据来源

• SEC EDGAR：官方文件，XBRL数据
• Yahoo Finance：实时价格，基本指标
• Finviz：新闻聚合，分析师评级
• MarketWatch：额外市场数据
• Federal Reserve：经济指标
• 替代来源：Indeed，Glassdoor，Reddit，Google Trends

🔒 安全与合规

• 速率限制：内置延迟以尊重数据源限制
• 用户代理：网络抓取时正确标识
• 缓存：减少冗余请求
• 数据验证：确保数据质量和准确性

⚠️ 免责声明

这些工具仅用于教育和研究目的。不适用于：

• 生产交易系统
• 实际资金投资决策
• 高频交易
• 监管合规

始终独立验证数据，并自行尽职调查。

🤝 贡献

我们欢迎贡献！请参阅我们的贡献指南：

• 代码风格指南
• 测试要求
• 拉取请求过程
• 功能请求程序

📈 发展路线图

• Bloomberg/Refinitiv数据集成
• 实时流媒体能力
• 机器学习预测
• 期权分析
• 投资组合优化
• 回测框架

📄 许可证

MIT许可证 - 详情见LICENSE文件。

🙏 致谢

• 由Anthropic为Claude Code CLI构建
• 受机构研究平台启发
• 使用公开的金融数据源
• 特别感谢MCP社区

📞 支持

• 问题：GitHub Issues
• 讨论：GitHub Discussions
• 文档：Wiki

---

注意：这是一个高级金融研究工具包。用户应具备扎实的金融分析和Python编程知识。这些MCP提供了以前只有机构投资者才能获得的博士级别分析能力。