股票市场数据和技术指标计算 MCP 服务

这是一个结合了 Go 项目优点和 Python 股市数据获取的 MCP 服务，提供：

高效的指标计算：使用序列增量计算（O(n)时间复杂度）
清晰的数据结构：参考 Go 项目的 market.Data 结构
多时间框架支持：支持从1分钟到1年的完整周期（1m/5m/15m/30m/1h/4h/1d/1w/1M/1Q/1Y）
MCP 协议：标准的 MCP 服务，可被任何 MCP 客户端调用

特点

1. Go 项目的优点

序列增量计算：避免重复计算，O(n) 时间复杂度
清晰的数据结构：MarketData 包含当前指标和历史序列
多时间框架分析：支持同时分析多个周期

2. Python 的优点

LongPort API：获取真实的股市数据
TA-Lib：成熟的技术指标库
易于扩展：Python 生态丰富

安装

1. 安装依赖

# 安装 Python 依赖
pip install pandas numpy talib longport python-dotenv

# 安装 MCP SDK
pip install mcp

2. 配置环境变量

创建 .env 文件（或使用现有的）：

# LongPort API 配置
LONGPORT_APP_KEY=your_app_key
LONGPORT_APP_SECRET=your_app_secret
LONGPORT_ACCESS_TOKEN=your_access_token

使用方法

方法 1: 独立测试（不使用 MCP）

# 运行测试脚本
python test_stock_indicators.py

这会测试：

单个股票的指标计算（AAPL.US, NVDA.US, TSLA.US）
多时间框架分析（1d, 4h, 1h, 15m）

方法 2: 作为 MCP 服务运行

# 启动 MCP 服务器
python stock_indicators_mcp.py

方法 3: 在 Claude Desktop 中使用

在 Claude Desktop 配置文件中添加：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json Windows: %APPDATA%\Claude\claude_desktop_config.json Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "stock-indicators": {
      "command": "python",
      "args": ["/path/to/nofx/backend/stock_indicators_mcp.py"],
      "env": {
        "LONGPORT_APP_KEY": "your_app_key",
        "LONGPORT_APP_SECRET": "your_app_secret",
        "LONGPORT_ACCESS_TOKEN": "your_access_token"
      }
    }
  }
}

然后在 Claude Desktop 中使用：

请使用 get_stock_indicators 工具获取 AAPL.US 的 1小时 技术指标

方法 4: 使用 MCP Inspector 测试

# 安装 MCP Inspector
npx @modelcontextprotocol/inspector python stock_indicators_mcp.py

这会打开一个 Web 界面，可以可视化地测试 MCP 工具。

API 文档

工具 1: `get_stock_indicators`

获取指定股票和周期的技术指标数据。

参数:

symbol (必需): 股票代码（例如：AAPL.US, NVDA.US, TSLA.US）
timeframe (可选): 时间周期
- 分钟级: 1m, 2m, 3m, 5m, 10m, 15m, 20m, 30m, 45m
- 小时级: 1h, 2h, 3h, 4h
- 日周月季年: 1d, 1w, 1M(月), 1Q(季), 1Y(年)
- 默认: 1h
limit (可选): 获取K线数量
- 短周期（分钟/小时）: 建议 200-500
- 中周期（日/周）: 建议 100-200
- 长周期（月/季/年）: 建议 60-120
- 默认: 200

{
  "symbol": "AAPL.US",
  "timeframe": "1h",
  "current_price": 252.29,
  "price_change_pct": 2.15,
  "current_ema20": 248.50,
  "current_ema60": 245.10,
  "current_macd_hist": 0.523,
  "current_rsi7": 65.2,
  "current_rsi14": 58.3,
  "current_atr14": 4.85,
  "intraday_series": {
    "mid_prices": [250.1, 251.2, 252.0, ...],
    "ema20_values": [247.5, 248.0, 248.5, ...],
    "macd_hist": [0.45, 0.50, 0.52, ...],
    "rsi7_values": [62.5, 64.0, 65.2, ...],
    ...
  },
  "timestamp": "2025-01-17T10:30:00+08:00"
}

工具 2: `get_multi_timeframe_analysis`

获取指定股票的多时间框架分析。

参数:

symbol (必需): 股票代码
timeframes (可选): 时间周期列表，默认 ["1M", "1w", "1d", "4h"]
- 支持任意组合：从 1m 到 1Y 的所有周期

返回: 多个时间框架的数据汇总（Markdown 格式）。

数据结构

`MarketData`

@dataclass
class MarketData:
    symbol: str                    # 股票代码
    timeframe: str                 # 时间周期
    current_price: float           # 当前价格
    price_change_pct: float        # 价格变化百分比
    current_ema20: float           # 当前EMA20
    current_ema60: float           # 当前EMA60
    current_macd_hist: float       # 当前MACD柱
    current_rsi7: float            # 当前RSI(7)
    current_rsi14: float           # 当前RSI(14)
    current_atr14: float           # 当前ATR(14)
    intraday_series: IntradaySeriesData  # 日内序列数据
    timestamp: str                 # 时间戳

`IntradaySeriesData`

@dataclass
class IntradaySeriesData:
    mid_prices: List[float]        # 收盘价序列（最近10个）
    volume_values: List[float]     # 成交量序列
    ema20_values: List[float]      # EMA20序列
    ema60_values: List[float]      # EMA60序列
    macd_dif: List[float]          # MACD DIF序列
    macd_dea: List[float]          # MACD DEA序列
    macd_hist: List[float]         # MACD HIST序列
    rsi7_values: List[float]       # RSI7序列
    rsi14_values: List[float]      # RSI14序列
    atr14_values: List[float]      # ATR14序列
    bb_upper: List[float]          # 布林带上轨
    bb_middle: List[float]         # 布林带中轨
    bb_lower: List[float]          # 布林带下轨

支持的技术指标

趋势指标:
- EMA20: 20周期指数移动平均线
- EMA60: 60周期指数移动平均线
动量指标:
- MACD: 包括 DIF、DEA、HIST（柱状图 = (DIF-DEA)×2，与交易所显示一致）
- RSI7: 7周期相对强弱指标
- RSI14: 14周期相对强弱指标
波动性指标:
- ATR14: 14周期平均真实波动幅度
- 布林带: 上轨、中轨、下轨
价格数据:
- 当前价格
- 价格变化百分比
- 历史价格序列

示例

示例 1: 获取 AAPL 的1小时指标

from stock_indicators_mcp import StockDataProvider

provider = StockDataProvider()
data = provider.get_market_data("AAPL.US", "1h", 200)

print(f"当前价格: {data.current_price}")
print(f"EMA20: {data.current_ema20}")
print(f"RSI7: {data.current_rsi7}")

示例 2: 多时间框架分析（包含月K线）

symbols = ["AAPL.US"]
timeframes = ["1Y", "1M", "1w", "1d", "4h", "1h"]  # 从年线到小时线

for symbol in symbols:
    for tf in timeframes:
        data = provider.get_market_data(symbol, tf)
        print(f"{symbol} ({tf}): 价格={data.current_price}, RSI7={data.current_rsi7}")

示例 3: 获取长周期数据（月/季/年线）

# 月K线 - 适合长期趋势分析
monthly_data = provider.get_market_data("AAPL.US", "1M", limit=60)  # 最近5年月K
print(f"月线趋势: EMA20={monthly_data.current_ema20:.2f}, RSI={monthly_data.current_rsi7:.2f}")

# 季K线 - 适合宏观分析
quarterly_data = provider.get_market_data("AAPL.US", "1Q", limit=40)  # 最近10年季K
print(f"季度趋势: MACD={quarterly_data.current_macd_hist:.3f}")

# 年K线 - 适合超长期分析
yearly_data = provider.get_market_data("AAPL.US", "1Y", limit=20)  # 最近20年年K
print(f"年度表现: 价格变化={yearly_data.price_change_pct:.2f}%")

性能特点

序列增量计算: 所有指标使用 TA-Lib 的优化算法，O(n) 时间复杂度
并发支持: 多时间框架分析支持异步并发获取
数据缓存: 可选的缓存机制（待实现）

与 Go 项目的对比

特性	Go 项目	Python 版本
数据源	Aster API (加密货币)	LongPort API (股票)
指标计算	手动实现	TA-Lib
时间复杂度	O(n)	O(n)
数据结构	market.Data	MarketData
多时间框架	✅	✅
MCP 支持	❌	✅

开发计划

许可证

MIT License

股票市场数据和技术指标计算 MCP 服务

这是一个结合了 Go 项目优点和 Python 股市数据获取的 MCP 服务，提供：

高效的指标计算：使用序列增量计算（O(n)时间复杂度）
清晰的数据结构：参考 Go 项目的 market.Data 结构
多时间框架支持：支持从1分钟到1年的完整周期（1m/5m/15m/30m/1h/4h/1d/1w/1M/1Q/1Y）
MCP 协议：标准的 MCP 服务，可被任何 MCP 客户端调用

特点

1. Go 项目的优点

序列增量计算：避免重复计算，O(n) 时间复杂度
清晰的数据结构：MarketData 包含当前指标和历史序列
多时间框架分析：支持同时分析多个周期

2. Python 的优点

LongPort API：获取真实的股市数据
TA-Lib：成熟的技术指标库
易于扩展：Python 生态丰富

安装

1. 安装依赖

# 安装 Python 依赖
pip install pandas numpy talib longport python-dotenv

# 安装 MCP SDK
pip install mcp

2. 配置环境变量

创建 .env 文件（或使用现有的）：

# LongPort API 配置
LONGPORT_APP_KEY=your_app_key
LONGPORT_APP_SECRET=your_app_secret
LONGPORT_ACCESS_TOKEN=your_access_token

使用方法

方法 1: 独立测试（不使用 MCP）

# 运行测试脚本
python test_stock_indicators.py

这会测试：

单个股票的指标计算（AAPL.US, NVDA.US, TSLA.US）
多时间框架分析（1d, 4h, 1h, 15m）

方法 2: 作为 MCP 服务运行

# 启动 MCP 服务器
python stock_indicators_mcp.py

方法 3: 在 Claude Desktop 中使用

在 Claude Desktop 配置文件中添加：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json Windows: %APPDATA%\Claude\claude_desktop_config.json Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "stock-indicators": {
      "command": "python",
      "args": ["/path/to/nofx/backend/stock_indicators_mcp.py"],
      "env": {
        "LONGPORT_APP_KEY": "your_app_key",
        "LONGPORT_APP_SECRET": "your_app_secret",
        "LONGPORT_ACCESS_TOKEN": "your_access_token"
      }
    }
  }
}

然后在 Claude Desktop 中使用：

请使用 get_stock_indicators 工具获取 AAPL.US 的 1小时 技术指标

方法 4: 使用 MCP Inspector 测试

# 安装 MCP Inspector
npx @modelcontextprotocol/inspector python stock_indicators_mcp.py

这会打开一个 Web 界面，可以可视化地测试 MCP 工具。

API 文档

工具 1: `get_stock_indicators`

获取指定股票和周期的技术指标数据。

参数:

symbol (必需): 股票代码（例如：AAPL.US, NVDA.US, TSLA.US）
timeframe (可选): 时间周期
- 分钟级: 1m, 2m, 3m, 5m, 10m, 15m, 20m, 30m, 45m
- 小时级: 1h, 2h, 3h, 4h
- 日周月季年: 1d, 1w, 1M(月), 1Q(季), 1Y(年)
- 默认: 1h
limit (可选): 获取K线数量
- 短周期（分钟/小时）: 建议 200-500
- 中周期（日/周）: 建议 100-200
- 长周期（月/季/年）: 建议 60-120
- 默认: 200

{
  "symbol": "AAPL.US",
  "timeframe": "1h",
  "current_price": 252.29,
  "price_change_pct": 2.15,
  "current_ema20": 248.50,
  "current_ema60": 245.10,
  "current_macd_hist": 0.523,
  "current_rsi7": 65.2,
  "current_rsi14": 58.3,
  "current_atr14": 4.85,
  "intraday_series": {
    "mid_prices": [250.1, 251.2, 252.0, ...],
    "ema20_values": [247.5, 248.0, 248.5, ...],
    "macd_hist": [0.45, 0.50, 0.52, ...],
    "rsi7_values": [62.5, 64.0, 65.2, ...],
    ...
  },
  "timestamp": "2025-01-17T10:30:00+08:00"
}

工具 2: `get_multi_timeframe_analysis`

获取指定股票的多时间框架分析。

参数:

symbol (必需): 股票代码
timeframes (可选): 时间周期列表，默认 ["1M", "1w", "1d", "4h"]
- 支持任意组合：从 1m 到 1Y 的所有周期

返回: 多个时间框架的数据汇总（Markdown 格式）。

数据结构

`MarketData`

@dataclass
class MarketData:
    symbol: str                    # 股票代码
    timeframe: str                 # 时间周期
    current_price: float           # 当前价格
    price_change_pct: float        # 价格变化百分比
    current_ema20: float           # 当前EMA20
    current_ema60: float           # 当前EMA60
    current_macd_hist: float       # 当前MACD柱
    current_rsi7: float            # 当前RSI(7)
    current_rsi14: float           # 当前RSI(14)
    current_atr14: float           # 当前ATR(14)
    intraday_series: IntradaySeriesData  # 日内序列数据
    timestamp: str                 # 时间戳

`IntradaySeriesData`

@dataclass
class IntradaySeriesData:
    mid_prices: List[float]        # 收盘价序列（最近10个）
    volume_values: List[float]     # 成交量序列
    ema20_values: List[float]      # EMA20序列
    ema60_values: List[float]      # EMA60序列
    macd_dif: List[float]          # MACD DIF序列
    macd_dea: List[float]          # MACD DEA序列
    macd_hist: List[float]         # MACD HIST序列
    rsi7_values: List[float]       # RSI7序列
    rsi14_values: List[float]      # RSI14序列
    atr14_values: List[float]      # ATR14序列
    bb_upper: List[float]          # 布林带上轨
    bb_middle: List[float]         # 布林带中轨
    bb_lower: List[float]          # 布林带下轨

支持的技术指标

趋势指标:
- EMA20: 20周期指数移动平均线
- EMA60: 60周期指数移动平均线
动量指标:
- MACD: 包括 DIF、DEA、HIST（柱状图 = (DIF-DEA)×2，与交易所显示一致）
- RSI7: 7周期相对强弱指标
- RSI14: 14周期相对强弱指标
波动性指标:
- ATR14: 14周期平均真实波动幅度
- 布林带: 上轨、中轨、下轨
价格数据:
- 当前价格
- 价格变化百分比
- 历史价格序列

示例

示例 1: 获取 AAPL 的1小时指标

from stock_indicators_mcp import StockDataProvider

provider = StockDataProvider()
data = provider.get_market_data("AAPL.US", "1h", 200)

print(f"当前价格: {data.current_price}")
print(f"EMA20: {data.current_ema20}")
print(f"RSI7: {data.current_rsi7}")

示例 2: 多时间框架分析（包含月K线）

symbols = ["AAPL.US"]
timeframes = ["1Y", "1M", "1w", "1d", "4h", "1h"]  # 从年线到小时线

for symbol in symbols:
    for tf in timeframes:
        data = provider.get_market_data(symbol, tf)
        print(f"{symbol} ({tf}): 价格={data.current_price}, RSI7={data.current_rsi7}")

示例 3: 获取长周期数据（月/季/年线）

# 月K线 - 适合长期趋势分析
monthly_data = provider.get_market_data("AAPL.US", "1M", limit=60)  # 最近5年月K
print(f"月线趋势: EMA20={monthly_data.current_ema20:.2f}, RSI={monthly_data.current_rsi7:.2f}")

# 季K线 - 适合宏观分析
quarterly_data = provider.get_market_data("AAPL.US", "1Q", limit=40)  # 最近10年季K
print(f"季度趋势: MACD={quarterly_data.current_macd_hist:.3f}")

# 年K线 - 适合超长期分析
yearly_data = provider.get_market_data("AAPL.US", "1Y", limit=20)  # 最近20年年K
print(f"年度表现: 价格变化={yearly_data.price_change_pct:.2f}%")

性能特点

序列增量计算: 所有指标使用 TA-Lib 的优化算法，O(n) 时间复杂度
并发支持: 多时间框架分析支持异步并发获取
数据缓存: 可选的缓存机制（待实现）

与 Go 项目的对比

特性	Go 项目	Python 版本
数据源	Aster API (加密货币)	LongPort API (股票)
指标计算	手动实现	TA-Lib
时间复杂度	O(n)	O(n)
数据结构	market.Data	MarketData
多时间框架	✅	✅
MCP 支持	❌	✅

开发计划

许可证

MIT License

Stock Market Data and Technical Indicators MCP Server

股票市场数据和技术指标计算 MCP 服务

特点

1. Go 项目的优点

2. Python 的优点

安装

1. 安装依赖

2. 配置环境变量

使用方法

方法 1: 独立测试（不使用 MCP）

方法 2: 作为 MCP 服务运行

方法 3: 在 Claude Desktop 中使用

方法 4: 使用 MCP Inspector 测试

API 文档

工具 1: get_stock_indicators

工具 2: get_multi_timeframe_analysis

数据结构

MarketData

IntradaySeriesData

支持的技术指标

示例

示例 1: 获取 AAPL 的1小时指标

示例 2: 多时间框架分析（包含月K线）

示例 3: 获取长周期数据（月/季/年线）

性能特点

与 Go 项目的对比

开发计划

许可证

相关文档

股票市场数据和技术指标计算 MCP 服务

特点

1. Go 项目的优点

2. Python 的优点

安装

1. 安装依赖

2. 配置环境变量

使用方法

方法 1: 独立测试（不使用 MCP）

方法 2: 作为 MCP 服务运行

方法 3: 在 Claude Desktop 中使用

方法 4: 使用 MCP Inspector 测试

API 文档

工具 1: get_stock_indicators

工具 2: get_multi_timeframe_analysis

数据结构

MarketData

IntradaySeriesData

支持的技术指标

示例

示例 1: 获取 AAPL 的1小时指标

示例 2: 多时间框架分析（包含月K线）

示例 3: 获取长周期数据（月/季/年线）

性能特点

与 Go 项目的对比

开发计划

许可证

相关文档

工具 1: `get_stock_indicators`

工具 2: `get_multi_timeframe_analysis`

`MarketData`

`IntradaySeriesData`

工具 1: `get_stock_indicators`

工具 2: `get_multi_timeframe_analysis`

`MarketData`

`IntradaySeriesData`