Click on "Install Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type @ followed by the MCP server name and your instructions, e.g., "@Kronos MCP Forecast the next 20 K-lines for this stock"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
清华开源 K 线时序基础模型 Kronos （论文 arXiv:2508.02739，AAAI 2026）的独立 MCP（Model Context Protocol）HTTP 服务。零样本（zero-shot）输入任意 OHLCV K 线序列，输出未来 open/high/low/close/volume 预测路径与交易视角信号，让任何 MCP 客户端（Claude Desktop、Kimi Code、Cursor、自研 Agent）直接调用金融市场 时序基础模型。
模型代码与权重均为 MIT 协议（上游 model/ 目录原样 vendor 进本仓，
许可证见 LICENSE-Kronos）。本服务代码同样 MIT。
工具 | 说明 | 负载 |
| 零样本 K 线预测：OHLCV 历史序列 → pred_len 根预测 K 线（OHLCV 均值路径）+ summary（方向/预期收益/预测波动率/耗时）。预测轴时间戳支持 | 中（同步） |
| 交易视角信号：同一输入跑 N=min(sample_count,5) 次独立采样，统计终点收益方向一致率与离散度 → direction / expected_return_pct / confidence(0-1) / risk_note | 中（同步，比 forecast_kline 慢 N 倍） |
| 批量预测：series_list 每项 {id, klines}，逐项容错（单项失败带 error 不拖垮整批）。入 JobQueue 异步执行，返回 job_id 轮询 | 重（异步） |
| 当前已加载模型、参数量、device、max_context、内存/显存占用、HF 可用模型清单 | 轻（同步） |
约定：lookback ≤ max_context(512)，pred_len ≥ 1；amount 缺省时用
volume*close 近似。所有输出统一带 method: "kronos-zero-shot"。
Related MCP server: FinBrain MCP
pip install -r requirements.txt
python3 server.py --port 50059首次 forecast 调用时才从 HuggingFace 下载并加载模型（惰性加载，默认
NeoQuasar/Kronos-small 24.7M 参数）。国内网络可设镜像站：
export HF_ENDPOINT=https://hf-mirror.com验证：
curl http://127.0.0.1:50059/health
curl http://127.0.0.1:50059/tools # 应返回 4 个工具接入 MCP 客户端（以 Claude Desktop / Kimi Code 为例）：
# mcp 配置
kronos:
url: http://127.0.0.1:50059/mcpcurl -s http://127.0.0.1:50059/mcp -d '{
"jsonrpc": "2.0", "id": 1, "method": "tools/call",
"params": {"name": "forecast_kline", "arguments": {
"klines": [{"timestamps": "2024-08-29 11:25:00", "open": 9.86, "high": 9.89,
"low": 9.86, "close": 9.86, "volume": 625.0, "amount": 617074.0}, ...],
"pred_len": 120, "lookback": 400, "sample_count": 5
}}}'返回（JSON 字符串）：
{"method": "kronos-zero-shot",
"predictions": [{"timestamps": "2024-08-29 11:30:00", "open": 9.87, "high": 9.90,
"low": 9.85, "close": 9.88, "volume": 512.0}, ...],
"summary": {"last_close": 9.86, "pred_close_at_horizon": 9.92,
"expected_return_pct": 0.61, "direction": "up",
"pred_volatility": 0.35, "model": "NeoQuasar/Kronos-small",
"device": "mps", "elapsed_ms": 18230},
"timestamps_mode": "inferred"}timestamps_mode：provided（用了 future_timestamps）/ inferred（按输入
中位间隔顺延）/ index（时间戳解析失败，退回序号，另带 timestamps_note）。
curl -s http://127.0.0.1:50059/mcp -d '{
"jsonrpc": "2.0", "id": 2, "method": "tools/call",
"params": {"name": "forecast_signal", "arguments": {
"klines": [...], "pred_len": 10, "sample_count": 3
}}}'返回：
{"method": "kronos-zero-shot", "model": "NeoQuasar/Kronos-small", "device": "mps",
"direction": "up", "expected_return_pct": 0.42, "confidence": 0.75, "runs": 3,
"sample_returns_pct": [0.45, 0.38, 0.43], "sign_consistency": 1.0,
"return_std_pct": 0.036, "risk_note": "多次采样方向一致、离散度低，信号相对可靠（仍为统计预测，非投资建议）",
"summary": {...}, "timestamps_mode": "inferred"}confidence = 方向一致率 × 1/(1+收益std%)：采样方向越一致、离散越小越接近 1。
# 1) 提交 → 拿 job_id
curl -s http://127.0.0.1:50059/mcp -d '{
"jsonrpc": "2.0", "id": 3, "method": "tools/call",
"params": {"name": "forecast_batch", "arguments": {
"series_list": [{"id": "sh600977", "klines": [...]},
{"id": "bad", "klines": [{"timestamps": "x"}]}],
"pred_len": 20
}}}'
# → {"job_id": "ab12cd34ef56", "status": "queued", "poll": "/jobs/ab12cd34ef56", ...}
# 2) 轮询取结果（单项失败不拖垮整批，带 error 字段）
curl -s http://127.0.0.1:50059/jobs/ab12cd34ef56curl -s http://127.0.0.1:50059/mcp -d '{
"jsonrpc": "2.0", "id": 4, "method": "tools/call",
"params": {"name": "model_info", "arguments": {}}}'
# → {"loaded": true, "model": "NeoQuasar/Kronos-small", "param_count": 24691208,
# "device": "mps", "max_context": 512, "available_models": [...], ...}环境变量 | 默认 | 说明 |
|
| 预测模型（另有 |
|
| K 线分词器 |
|
|
|
| 空 | 模型快照本地目录（Docker 镜像内置 |
| 空 | 透传 huggingface_hub，国内设 |
也可在单次调用里传 model 参数热切换模型（与当前不一致时自动重载）。
镜像构建期预下载模型到 /models（torch 装 CPU 版控制体积），容器首次
forecast 离线命中本地缓存、秒级响应：
docker compose up -d # 构建镜像 + 启动容器（首次构建约 5-10 分钟）
docker compose ps国内构建加速（二选一）：
docker compose build --build-arg HF_ENDPOINT=https://hf-mirror.com
# 或走宿主机代理（macOS Docker Desktop 访问宿主机 socks5 用 host.docker.internal）
docker compose build --build-arg HTTPS_PROXY=socks5://host.docker.internal:1097换大模型：
docker compose build --build-arg KRONOS_MODEL=NeoQuasar/Kronos-base
# 或不重建镜像：docker compose run -e KRONOS_MODEL=NeoQuasar/Kronos-base ...
# （首次 forecast 时惰性下载；compose 里取消注释 kronos-models 卷可避免重下）验证：
curl http://127.0.0.1:50059/health
curl http://127.0.0.1:50059/tools # 应返回 4 个工具license 鉴权（可选）：在 docker-compose.yml 中取消注释，把宿主机
licenses.json 挂进容器并设置 MCP_LICENSE_FILE。
astock-data-mcp / global-data-mcp 取 K 线（A股/全球行情）
↓ klines JSON
kronos-mcp (本仓 :50059) Kronos 零样本预测 → 方向/预期收益/置信度
↓ 预测路径作为候选因子或信号
factor-miner-mcp (:50053) 因子回测/OOS 验证信号有效性
causal-mcp (:50057) 事件研究/反事实验证信号因果性示例：用 astock-data-mcp 拉 sh600977 的 5 分钟线 → 本仓 forecast_signal
得 direction/confidence → factor-miner-mcp factor_backtest 验证该信号在
历史上的 IC/收益表现。
GET /health 健康检查
GET /tools 工具 JSON schema 列表
POST /mcp MCP JSON-RPC（initialize / tools/list / tools/call）
GET /jobs/<id> 异步任务状态/结果（forecast_batch）
GET /quota license 额度余量（鉴权模式）
GET /queue-stats 队列概况默认开放模式（本地/内网）。设置环境变量后强制 license key 鉴权：
export MCP_LICENSE_FILE=/path/to/licenses.json
python3 server.py --port 50059
# 客户端请求头：X-License-Key: <key>license JSON 格式与额度语义见 mcp_gateway.py docstring（与
factor-miner-mcp /
causal-mcp 相同）。
GET /quota 查余量，GET /queue-stats 看队列。重负载工具
（forecast_batch）计入 heavy_quota。
Finetune 工具：上游 finetune/
目录支持基于 qlib 数据的微调（含 finetune_csv 自定义 CSV 管线），
后续可封装为 forecast_finetune 异步工具（训练重负载，走 JobQueue）
Kronos-large：上游预告 2026 Q1 发布更大模型，发布后 KRONOS_MODEL
直接切换即可
更多市场适配：加密/期货高频线验证
模型与 model/ 代码来自 Kronos
（MIT，vendor 自上游 commit 67b630e，LICENSE 见 LICENSE-Kronos）
论文：Shi et al., "Kronos: A Foundation Model for the Language of Financial Markets", arXiv:2508.02739, AAAI 2026；模型权重 HuggingFace NeoQuasar（MIT）
mcp_gateway.py 与 factor-miner-mcp /
causal-mcp 共用同一套鉴权/队列模块
测试数据 examples/data/XSHG_5min_600977.csv 来自上游 examples（600977
上交所 5 分钟线，历史版本恢复，当前上游 master 已移除）
MIT（本服务代码）；上游模型代码与权重同为 MIT（LICENSE-Kronos）。
Recent tool additions, removals, and schema changes observed during successful MCP inspections. Dates show when Glama detected each change.
No tool schema history has been recorded yet.
This server cannot be installed
Crypto trading intelligence MCP — 34+ endpoints, x402 pay-per-use, AI agent strategy & execution
Hosted MCP for Kalshi prediction markets: search, odds, order books, settlement rules, and trading.
MCP server for OpenMM — exposes market data, account, trading, and strategy tools to AI agents
Query, browse, and automate OmegaAI workspaces from any MCP client. Streamable HTTP with OAuth 2.0.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/JingxuanC/kronos-mcp'
If you have feedback or need assistance with the MCP directory API, please join our Discord server
