finance-tools-mcp: Un servidor MCP de análisis financiero

https://github.com/VoxLink-org/herramientas-financieras-mcp

Descripción general

finance-tools-mcp es un servidor de Protocolo de Contexto de Modelo (MCP) diseñado para proporcionar información financiera completa y capacidades de análisis a los Modelos de Lenguaje de Gran Tamaño (LLM). Se trata de una modificación de investor-agent y se integra con diversas fuentes de datos y bibliotecas analíticas para ofrecer un conjunto de herramientas para la investigación y el análisis financiero detallados.

Related MCP server: AlphaVantage MCP Server

Herramientas ofrecidas

El servidor expone una variedad de herramientas a través del MCP, lo que permite a los clientes conectados (como LLM) acceder a datos financieros específicos y realizar análisis:

• Herramientas de datos de ticker:

  • get_ticker_data : proporciona un informe completo para un ticker determinado, que incluye descripción general, noticias, métricas clave, rendimiento, fechas, recomendaciones de analistas y actualizaciones/degradaciones.

  • get_options : recupera datos de opciones con el mayor interés abierto para un ticker, con opciones de filtrado por rango de fechas, precio de ejercicio y tipo de opción (calls/puts).

  • get_price_history : obtiene un resumen de datos de precios históricos para un período específico, incluidas muestras de OHLCV, indicadores técnicos, métricas de riesgo y otros análisis cuantitativos.

  • get_financial_statements : accede a los estados financieros (ingresos, balance, flujo de caja) de un ticker, disponible trimestral o anualmente.

  • get_institutional_holders : enumera los principales titulares de fondos mutuos e institucionales de un ticker.

  • get_earnings_history : proporciona un historial de ganancias con estimaciones y sorpresas para un ticker.

  • get_insider_trades : recupera la actividad reciente de uso de información privilegiada para un ticker.

  • get_ticker_news_tool : obtiene las últimas noticias de Yahoo Finance para un ticker específico.

• Herramientas del índice de miedo y codicia:

  • get_current_fng_tool : obtiene la puntuación y calificación actuales del índice de miedo y codicia de CNN.

  • get_historical_fng_tool : recupera datos históricos del índice de miedo y codicia de CNN para una cantidad específica de días.

  • analyze_fng_trend : analiza las tendencias en el índice de miedo y codicia de CNN durante un período específico.

• Herramientas de cálculo:

  • calculate : evalúa expresiones matemáticas utilizando la sintaxis matemática de Python y NumPy.

• Herramientas de datos macro:

  • get_current_time : proporciona la hora actual.

  • get_fred_series : recupera datos para un ID de serie FRED específico.

  • search_fred_series : busca series populares de FRED por palabra clave.

  • cnbc_news_feed : obtiene las últimas noticias de último momento del mundo de CNBC, BBC y SCMP.

Procesamiento y optimización de datos de series temporales

El servidor utiliza yfinance para recuperar datos históricos de precios (OHLCV: apertura, máximo, mínimo, cierre y volumen) de los tickers. Estos datos sin procesar se someten a un exhaustivo procesamiento y análisis para proporcionar información valiosa, especialmente optimizada para su uso por parte de los LLM.

Los aspectos clave del manejo de datos de series temporales incluyen:

• Análisis exhaustivo: Los datos se analizan mediante bibliotecas como ta-lib-python para calcular una amplia gama de indicadores técnicos. Además, las funciones personalizadas calculan estadísticas básicas, métricas de riesgo, reconocen patrones gráficos comunes y calculan los niveles de retroceso de Fibonacci.

• Resumen estructurado: los resultados de este análisis se compilan en un formato de resumen estructurado ( generate_time_series_digest_for_LLM ) que es fácil de analizar y comprender para los LLM, e incluye secciones para estadísticas, resumen, indicadores técnicos, métricas de riesgo, patrones, niveles de Fibonacci y una muestra de datos.

• Muestreo inteligente para LLM: Para proporcionar a los LLM una vista representativa de los datos históricos sin sobrecargar la ventana de contexto, se emplea una estrategia de "muestreo inteligente" ( get_latest_data_sample ). Este método muestrea los datos con diferentes resoluciones:

  • Alta resolución: se incluyen diariamente puntos de datos recientes.

  • Resolución media: Los puntos de datos intermedios se muestrean semanalmente.

  • Baja Resolución: Los puntos de datos más antiguos se muestrean mensualmente. Este enfoque híbrido garantiza que el LLM reciba información detallada sobre las fluctuaciones recientes de precios, a la vez que conserva el contexto de las tendencias a largo plazo, todo dentro de un número manejable de puntos de datos.

Este procesamiento y presentación optimizados de datos de series temporales permiten a los LLM captar rápidamente tendencias, indicadores y patrones clave, lo que facilita un análisis financiero más informado.

Informe de muestra

Prerrequisitos

• Python: 3.10 o superior

• Gestor de paquetes: uv

Instalación

Primero, instala uv si aún no lo has hecho:

Luego, puedes ejecutar el servidor MCP finance-tools-mcp usando uvx :

Si desea utilizar su propia clave API FRED, puede configurarla como una variable de entorno:

También puedes ejecutar el servidor utilizando el transporte de eventos enviados por el servidor (SSE):

O con la clave API FRED y el transporte SSE:

Uso con clientes MCP

Para integrar finance-tools-mcp con un cliente MCP (por ejemplo, Claude Desktop), agregue la siguiente configuración a su claude_desktop_config.json :

Depuración

Puede aprovechar el inspector MCP para depurar el servidor:

o

Para supervisar el registro, consulte los siguientes directorios:

• macOS: ~/Library/Logs/Claude/mcp*.log

• Ventanas: %APPDATA%\Claude\logs\mcp*.log

Desarrollo

Para desarrollo y pruebas locales:

1. Utilice el inspector MCP como se describe en la sección Depuración .

2. Prueba usando Claude Desktop con esta configuración:

Licencia

Este servidor MCP está licenciado bajo la licencia MIT. Consulte el archivo de licencia para obtener más información.

Muestras

• carvana_analysis.md

• análisis_palantir.md

• pdd_análisis_20250503.md

• meli_se_comparación_de_tiendas_20250504.md

• Análisis GLD_20250508.md

Hacer

• [ ] Agregar niveles de soporte y niveles de resistencia para las acciones

• [x] Agregar niveles de retroceso de Fibonacci para acciones

• [ ] Agregar niveles de confluencia de promedios móviles para acciones

• [ ] Agregar modelo de opción para predicción

• [ ] Agregue un modelo predictivo mediante el uso de hojas financieras y otras funciones

Fuentes de datos

• fintel.com

• invertir.com

• yahoo.com

• fred.stlouisfed.org

• CNN, CNN y Reddit