Credit Risk Analytics MCP Server

A Python MCP (Model Context Protocol) server that exposes credit-risk analytics as callable tools for Claude Desktop — turning natural-language questions into real financial risk calculations.

功能

该服务器为 Claude 提供三个工具：

向 Claude Desktop 提问，例如 “TCS.NS 的 Altman Z-Score 是多少？” 或者提供贷款申请人的收入、债务比率和信用历史，它会调用正确的工具，执行真实计算，并解释结果。

Related MCP server: Finance MCP Server

为什么选择 MCP

没有 MCP，这些只是你需要自己运行的 Python 函数。MCP 将它们变成 AI 客户端可以直接调用的工具：Claude Desktop 向此服务器发送结构化的 JSON-RPC 请求，服务器执行实际计算，并将结果返回——这样你得到的是实时、可验证的答案，而不是模型训练数据中的猜测。

项目结构

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

设置

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

已包含训练好的模型（model.pkl、scaler.pkl），因此你可以直接运行服务器。如果你想自己重新训练：

python3 train_model.py

这会生成一个合成但逼真的申请人数据集（收入、债务比率、信用历史、逾期付款、贷款金额、年龄），训练一个逻辑回归模型，并打印测试 AUC。

独立测试

在连接 Claude Desktop 之前，使用 MCP Inspector 直接测试工具：

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

这会打开一个浏览器界面，你可以在其中手动调用每个工具，并查看每个工具的 JSON-RPC 请求/响应。

连接到 Claude Desktop

将此添加到你的 claude_desktop_config.json（Windows 上为 %APPDATA%\Claude\claude_desktop_config.json，Mac 上为 ~/Library/Application Support/Claude/claude_desktop_config.json）：

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

完全退出并重新打开 Claude Desktop，然后在聊天输入菜单中检查 连接器——credit-risk 应列出并已开启。

示例用法

公司风险：

“TCS.NS 的 Altman Z-Score 是多少？”

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: ...

个人风险：

“一位贷款申请人月收入 40000，债务收入比 0.5，信用历史 3 年，去年逾期付款 2 次，希望贷款 250000，年龄 27——他们的违约风险是多少？”

Default probability: 78.0%
Risk band: High risk

关于模型的说明

贷款违约模型基于合成数据训练，而非真实申请人记录——这避免了隐私/许可问题，同时仍能学习真实、可解释的关系（较高的债务收入比和较多的逾期付款都会增加预测的违约风险）。它旨在演示 MCP 集成模式，而非用于实际贷款决策。

安全性

predict_loan_default_risk 和 calculate_altman_zscore 都是只读的——它们不修改任何数据，也不进行除获取公开市场数据之外的外部调用。

许可证

MIT