Skip to main content
Glama
accelizero

Stock Market Data and Technical Indicators MCP Server

by accelizero
OverviewSchemaRelated ServersScoreDiscussions
Python
Remote

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：

  1. 高效的指标计算：使用序列增量计算（O(n)时间复杂度）

  2. 清晰的数据结构：参考 Go 项目的 market.Data 结构

  3. 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）

  4. 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

返回:

{ "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

  1. 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

  2. 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

  3. 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

  4. 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

  1. 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

  2. 并发支持: 多时间框架分析支持异步并发获取

  3. 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

  • 基础指标计算

  • 多时间框架支持

  • MCP 服务封装

  • 缓存机制

  • 更多技术指标（KDJ、CCI等）

  • WebSocket 实时数据

  • 性能优化

许可证

MIT License

相关文档

This server cannot be installed

-
security - not tested
F
license - not found
-
quality - not tested

How are these scores calculated?

Resources

New MCP Servers

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/accelizero/stock_mcp'

If you have feedback or need assistance with the MCP directory API, please join our Discord server