# 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
```bash
# 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）：
```bash
# 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）
```bash
# 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
```bash
# 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`
```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
```bash
# 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**:
```json
{
"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`
```python
@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`
```python
@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
```python
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）
```python
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）
```python
# 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
- [x] 基础指标计算
- [x] 多时间框架支持
- [x] 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
- [Go 项目 CLAUDE.md](./CLAUDE.md)
- [Python main.py](./main.py)
- [LongPort API 文档](https://open.longportapp.com/docs)
- [MCP 协议文档](https://modelcontextprotocol.io/)
