Credit Risk Analytics MCP Server

Un servidor Python MCP (Model Context Protocol) que expone análisis de riesgo crediticio como herramientas invocables para Claude Desktop, convirtiendo preguntas en lenguaje natural en cálculos financieros reales.

Qué hace

Este servidor le da a Claude tres herramientas:

Pídele a Claude Desktop algo como "¿Cuál es el Altman Z-Score para TCS.NS?" o dale los ingresos, el ratio deuda-ingreso y el historial crediticio de un solicitante de préstamo, y llamará a la herramienta correcta, ejecutará el cálculo real y explicará el resultado.

Related MCP server: Finance MCP Server

Por qué MCP

Sin MCP, estas serían solo funciones de Python que tendrías que ejecutar tú mismo. MCP las convierte en herramientas que un cliente de IA puede invocar directamente: Claude Desktop envía una solicitud JSON-RPC estructurada a este servidor, el servidor ejecuta el cálculo real y devuelve el resultado; así obtienes una respuesta verificable y en vivo, en lugar de una suposición de los datos de entrenamiento del modelo.

Estructura del proyecto

credit-risk-mcp/
├── server.py          # The MCP server — defines all 3 tools
├── train_model.py      # Generates synthetic credit data + trains the logistic regression model
├── requirements.txt    # Python dependencies
├── model.pkl            # Trained logistic regression model
├── scaler.pkl            # StandardScaler used to preprocess model inputs
└── .gitignore

Configuración

git clone https://github.com/Lipika118/credit-risk-mcp.git
cd credit-risk-mcp
python3 -m venv venv
source venv/bin/activate      # Windows: venv\Scripts\activate
pip install -r requirements.txt

El modelo entrenado (model.pkl, scaler.pkl) ya está incluido, así que puedes ir directamente a ejecutar el servidor. Si quieres reentrenarlo tú mismo:

python3 train_model.py

Esto genera un dataset de solicitantes sintético pero realista (ingresos, ratio de deuda, historial crediticio, pagos atrasados, monto del préstamo, edad), entrena un modelo de regresión logística y muestra el AUC de prueba.

Probar de forma independiente

Antes de conectar con Claude Desktop, prueba las herramientas directamente con el MCP Inspector:

pip install "mcp[cli]"
mcp dev server.py

Esto abre una interfaz en el navegador donde puedes llamar cada herramienta manualmente y ver la solicitud/respuesta JSON-RPC de cada una.

Conectar con Claude Desktop

Añade esto a tu claude_desktop_config.json:

{
  "mcpServers": {
    "credit-risk": {
      "command": "/full/path/to/venv/Scripts/python.exe",
      "args": ["/full/path/to/credit-risk-mcp/server.py"]
    }
  }
}

Sal completamente de Claude Desktop y vuelve a abrirlo. Luego revisa Connectors en el menú del input de chat: credit-risk debería aparecer listado y activado.

Ejemplos de uso

Riesgo de empresa:

"¿Cuál es el Altman Z-Score para TCS.NS?"

Ticker: TCS.NS
Altman Z-Score: 10.69
Risk Zone: Safe zone (low bankruptcy risk)

Component ratios:
  Working Capital / Total Assets: 0.410
  Retained Earnings / Total Assets: 0.548
  EBIT / Total Assets: 0.366
  Market Cap / Total Liabilities: 11.271
  Revenue / Total Assets: ...

Riesgo individual:

Un solicitante de préstamo tiene un ingreso mensual de 40000, un ratio de deuda-ingreso de 0.5, 3 años de historial crediticio, 2 pagos atrasados el año pasado, quiere un préstamo de 250000 y tiene 27 años: ¿cuál es su riesgo de incumplimiento?

Default probability: 78.0%
Risk band: High risk

Notas sobre el modelo

El modelo de impago de préstamos se entrena con datos sintéticos, no con registros reales de solicitantes. Esto evita problemas de privacidad y licencias, además de aprender relaciones reales y explicables (un mayor ratio deuda-ingreso y más pagos atrasados aumentan el riesgo de impago previsto). Su propósito es demostrar el patrón de integración de MCP, no ser usado para decisiones crediticias reales.

Seguridad

predict_loan_default_risk y calculate_altman_zscore son ambas de solo lectura: no modifican datos ni realizan llamadas externas más allá de obtener datos públicos de mercado.

Licencia

MIT