Which integrations are available for this server?

Provides tools for managing watchlists and saving/retrieving research notes and analysis reports in a PostgreSQL-backed database (Lakebase).

How do I use Stock-Market Research Assistant MCP Server?

1. Click on "Install Server". 2. Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state. 3. In the chat, type @ followed by the MCP server name and your instructions, e.g., "@Stock-Market Research Assistant MCP Server Get the latest stock price and recent news for TSLA, then add it to my watchlist." 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.

Stock-Market Research Assistant MCP Server

by Roberton003

Overview Schema Related Servers Score Discussions

Python

Remote

🧠 Stock-Market Research Assistant

Databricks Python PostgreSQL Apache Spark FastMCP pgvector

Databricks AI Bootcamp Capstone — Stock-Market Research Assistant

Implementação profissional do projeto final do treinamento DataExpert.io

🎓 Conclusão do Treinamento

Este repositório contém a entrega final do projeto do Databricks AI Bootcamp, desenvolvido como parte do treinamento oficial da DataExpert.io.

🔗 Treinamento Original

Bootcamp: Rise of the AI Data Engineer
Repository: EcZachly/databricks-ai-bootcamp-capstone
NotebookLM: Databricks AI Boot Camp

Related MCP server: Financial Modeling Prep (FMP) MCP Server

📌 Project Highlights

Feature	Status	Description
Pipeline Spark	✅	Ingestão distribuída com Spark e Delta Lake
API Externa	✅	Massive API para preços e notícias de ações
Conteúdo Não Estruturado	✅	HTML → texto → chunks com trafilatura
Databricks App	✅	Main App + Dashboard separados
Agente Leitura/Escrita	✅	MCP Server com tools de pesquisa e persistência
RAG com pgvector	✅	Embeddings e busca semântica HNSW
Wiki Completa	✅	Documentação técnica e arquitetural

🏛️ Architecture & Tech Stack

Camadas da Arquitetura

┌─────────────────────────────────────────────────────────────────────────────────┐
│                              Databricks Workspace                               │
│                                                                                 │
│  ┌──────────────────────┐         ┌──────────────────────┐                      │
│  │   Databricks App     │         │   Databricks App     │                      │
│  │     (Main App)       │         │    (Dashboard)       │                      │
│  │                      │         │                      │                      │
│  │  - Massive API       │         │  - Read-only Flask   │                      │
│  │  - Lakebase (PG)     │         │  - Watchlist/Quotes  │                      │
│  │  - Sync endpoint     │         │  - News viewer       │                      │
│  └──────────┬───────────┘         └──────────────────────┘                      │
│             │                                                                   │
│             ▼                                                                   │
│  ┌──────────────────────────────────────────────────────────────────────┐      │
│  │                        Lakebase (Postgres)                            │      │
│  │  ┌──────────────────┐  ┌──────────────────┐  ┌──────────────────────┐ │      │
│  │  │  watchlists      │  │ ticker_news_     │  │ ticker_news_         │ │      │
│  │  │  (ticker lists)  │  │ documents        │  │ embeddings           │ │      │
│  │  └──────────────────┘  │ (news articles)  │  │ (title+description)  │ │      │
│  │                        └──────────────────┘  └──────────────────────┘ │      │
│  │                                                              │          │      │
│  │                                                              ▼          │      │
│  │                                                    ┌────────────────┐ │      │
│  │                                                    │ pgvector HNSW  │ │      │
│  │                                                    │ index (cosine) │ │      │
│  │                                                    └────────────────┘ │      │
│  │  ┌──────────────────┐  ┌──────────────────┐                          │      │
│  │  │  research_notes  │  │ analysis_        │                          │      │
│  │  │  (agent writes)  │  │ reports          │                          │      │
│  │  └──────────────────┘  └──────────────────┘                          │      │
│  └──────────────────────────────────────────────────────────────────────┘      │
│             │                                                                   │
│             ▼                                                                   │
│  ┌──────────────────────────────────────────────────────────────────────┐      │
│  │                      MCP Server App                                  │      │
│  │  ┌───────────────────────────────────────────────────────────────┐   │      │
│  │  │  Massive Broker (stock data)                                  │   │      │
│  │  └───────────────────────────────────────────────────────────────┘   │      │
│  │                                                                       │      │
│  │  ┌───────────────────────────────────────────────────────────────┐   │      │
│  │  │  FastMCP Server (tools exposed to Agent Bricks)               │   │      │
│  │  │  - get_quote(symbol)                                          │   │      │
│  │  │  - search_news(symbol, query, limit)                          │   │      │
│  │  │  - search_research_context(query, symbol)                     │   │      │
│  │  │  - get_watchlist()                                            │   │      │
│  │  │  - add_to_watchlist(symbol)                                   │   │      │
│  │  │  - remove_from_watchlist(symbol)                              │   │      │
│  │  │  - save_research_note(symbol, title, content)                 │   │      │
│  │  │  - save_analysis_report(symbol, report, sources)              │   │      │
│  │  └───────────────────────────────────────────────────────────────┘   │      │
│  └──────────────────────────────────────────────────────────────────────┘      │
└─────────────────────────────────────────────────────────────────────────────────┘

Stack Tecnológica

Camada	Tecnologia	Versão	Uso
Data Warehouse	Databricks Lakebase	Postgres	Banco transacional integrado
Processing	Apache Spark	3.5+	Pipelines distribuídos
Embeddings	sentence-transformers	all-MiniLM-L6-v2	Similaridade semântica
Vector Search	pgvector	0.5+	Índice HNSW cosine
APIs	Massive.com	v2	Preços e notícias de ações
Agent Framework	FastMCP	1.0+	Ferramentas para agente
Frontend	Flask	2.0+	API e Dashboard

🗺️ Architecture Diagram

Pipeline de Dados

flowchart LR
    subgraph "Ingestão"
        A[Watchlist Lakebase] -->|tickers| B[Massive API]
        B -->|notícias| C[ticker_news_documents]
    end

    subgraph "Processamento"
        C -->|HTML| D[trafilatura]
        D -->|texto| E[Chunking]
        E -->|chunks| F[Embeddings Spark]
    end

    subgraph "Armazenamento"
        F -->|embeddings| G[ticker_news_embeddings]
        E -->|chunks| H[ticker_news_chunk_embeddings]
        G & H -->|HNSW| I[pgvector Index]
    end

    subgraph "Consulta RAG"
        J[User Query] -->|embedding| I
        I -->|top-k| K[Context Retrieval]
        K -->|prompt| L[LLM Response]
    end

Fluxo de Consulta RAG

flowchart LR
    A[Query do Usuário] --> B[Embedding da Query]
    B --> C[Busca Vetorial pgvector]
    C --> D[Top-k Chunks]
    D --> E[Contexto Formatado]
    E --> F[Prompt com Citações]
    F --> G[Resposta Fundamentada]

📊 Resultados

Métrica	Resultado	Observação
Dimensionalidade Embeddings	384	all-MiniLM-L6-v2
Métrica Similaridade	Cosine	Otimizada com pgvector
Index Vector	HNSW	Busca O(log n) aproximada
Latência Query RAG	< 500ms	Com índice HNSW
Throughput Embeddings	Batch ~100	Parallel Spark

🚀 Quick Start & Setup

Pré-requisitos

Acesso ao Databricks Workspace
Massive API Key (grátis em https://www.massive.com)
Lakebase URL configurado no workspace

Configuração

# 1. Criar secret scopes
python setup_secrets.py

# 2. Executar SQLs no Lakebase
psql $LAKEBASE_URL -f sql/01_setup_news_table.sql
psql $LAKEBASE_URL -f sql/02_setup_embeddings_table.sql
psql $LAKEBASE_URL -f sql/03_setup_chunk_embeddings_table.sql
psql $LAKEBASE_URL -f sql/04_cast_arrays_to_vectors.sql
psql $LAKEBASE_URL -f sql/05_setup_research_tables.sql

# 3. Executar notebook de ingestão
# (via Databricks UI: importar notebooks/ingest_ticker_news_embeddings.py)

# 4. Testar RAG
python3 test_rag.py --ticker AAPL --limit 5

# 5. Deploy dos Apps
databricks bundle deploy -t dev

Endpoints da API

Método	Endpoint	Descrição
GET	`/watchlist`	Lista tickers
GET	`/price/<symbol>`	Preço atual
GET	`/news/<symbol>`	Notícias recentes
POST	`/news/sync`	Sincronizar notícias
POST	`/search/context`	Busca semântica (RAG)

Tools do MCP Server

Leitura:

get_quote(symbol) - Preço atual
search_news(symbol, query, limit) - Busca notícias
search_research_context(query, symbol) - Busca contexto
get_watchlist() - Lista tickers
add_to_watchlist(symbol) - Adicionar ticker
remove_from_watchlist(symbol) - Remover ticker

Escrita (Agente):

save_research_note(symbol, title, content) - Salvar nota
save_analysis_report(symbol, report, sources) - Salvar relatório

🌳 Estrutura do Projeto

databricks-capstone-delivery/
├── app.py                      # Main Flask API (Day 1/2)
├── lakebase.py                 # Lakebase connection helper
├── massive_client.py           # Massive API client
├── setup_secrets.py            # Secret scope setup
├── requirements.txt            # Python dependencies
├── pyproject.toml              # Project metadata
├── test_rag.py                 # Script de validação RAG
│
├── dashboard/
│   ├── app.py                  # Dashboard Flask
│   └── templates/index.html    # Dashboard UI
│
├── mcp_server/
│   ├── alpaca_mcp_server.py    # FastMCP server (com writing tools)
│   ├── lakebase.py             # Lakebase helper (novas funções)
│   └── massive_broker.py       # Massive broker
│
├── notebooks/
│   └── ingest_ticker_news_embeddings.py  # Spark pipeline
│
├── sql/
│   ├── 01_setup_news_table.sql
│   ├── 02_setup_embeddings_table.sql
│   ├── 03_setup_chunk_embeddings_table.sql
│   ├── 04_cast_arrays_to_vectors.sql
│   └── 05_setup_research_tables.sql
│
└── resources/
    ├── dashboard.yml
    ├── ingest_ticker_news_embeddings_job.yml
    └── mcp_server.yml

🧠 Methodology & Quality Gates

Este projeto incorpora um sistema heurístico robusto para garantir qualidade e evitar erros comuns de engenharia de dados:

Data Contract Gate

Valida tabelas Silver/Gold antes da execução:

Verificação	Implementada	Estado
Schema esperado (colunas, tipos, nullability)	✅	Documentado em SQLs
Regras de qualidade (cardinalidade, unicidade)	✅	Tabelas com constraints
SLA de volume e latência	✅	Documentado no schema
Contrato versionado	✅	`sql/*.sql` com versionamento

Idempotency Gate

Garante reexecução segura do pipeline:

Verificação	Implementada	Estado
UPSERT ou FULL REFRESH definido	✅	Tabelas com ON CONFLICT
Nenhum append cego sem verificação	✅	Chaves primárias definidas
Custo de reprocessamento estimado	✅	Log de contagem de linhas

Heurísticas Aplicadas

Heurística	Descrição	Aplicação
Check antes de escrita	Validação de entrada antes de persistência	`lakebase.py` + `alpaca_broker.py`
Rastreabilidade de evidência	Toda conclusão indica SOURCE/INFERENCE/IMPLEMENTED/VALIDATED	PRD_E_PLANO_EXECUCAO.md
Gates antes de deploy	Dois checklists obrigatórios antes de considerar pronto	Este README
Falsos positivos vs falsos negativos	Avaliação balanceada de RAG	Teste RAG com `test_rag.py`

📚 Documentation Resources

PRD_E_PLANO_EXECUCAO.md - Requisitos e plano completo
TECHNICAL.md - Documentação técnica para tech leads
CHANGELOG.md - Histórico de versões
CONTRIBUTING.md - Guia de contribuição

📄 License

Este projeto foi desenvolvido como parte do treinamento do Databricks AI Bootcamp.

Este código pode ser utilizado como portfolio para demonstrar competências técnicas em Engenharia de Dados, RAG e Agentes de IA.

⚠️ Notas Importantes

Este não é um sistema de trading em produção. Não deve ser usado para decisões financeiras reais.
A API do Massive tem limites de rate. O pipeline respeita esses limites.
Secrets nunca devem ser commitados. O setup_secrets.py garante isso.

Este projeto foi desenvolvido para demonstrar as habilidades técnicas adquiridas durante o Databricks AI Bootcamp.

Author: Roberto
LinkedIn: https://www.linkedin.com/in/roberton003/
GitHub: https://github.com/Roberton003

This server cannot be installed

license - not found

quality - not tested

maintenance

How are these scores calculated?

Maintenance

–Maintainers

–Response time

–Release cycle

–Releases (12mo)

Commit activity

Resources

GitHub Repository

Need Help?

Related Servers

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Servers

Financial Datasets MCP Serverofficial
Finance Search
financial-datasets
A
license
B
quality
C
maintenance
MCP server that provides AI assistants access to stock market data including financial statements, stock prices, and market news through a Model Context Protocol interface.
Updated a year ago (2025-06-05 19:50 UTC)
11
2,275
MIT
Financial Modeling Prep (FMP)
Finance Search Data Platforms
jackdark425
A
license
B
quality
C
maintenance
An MCP server that provides comprehensive access to real-time stock quotes, financial statements, analyst estimates, and technical indicators via the Financial Modeling Prep API. It enables users to conduct in-depth financial analysis and track market performance through specialized tools, resources, and prompt templates.
Updated 4 months ago (2026-04-24 05:51 UTC)
26
17
1
MIT
Trading MCP Server
Finance Search Web Scraping
netanelavr
A
license
A
quality
F
maintenance
A comprehensive MCP server for stock analysis and trading insights, including stock screening, fundamental analysis, insider trading, options analysis, social media research, and news analysis.
Updated a year ago (2025-07-30 16:39 UTC)
10
74
MIT
financial-research-agent
Finance AI & Machine Learning
rahul-jajala
F
license
-
quality
C
maintenance
MCP server that exposes stock research tools (fundamentals, news, technicals, analyst ratings) to AI clients, enabling autonomous generation of structured investment briefs.
Updated 2 months ago (2026-06-09 22:20 UTC)

View all related MCP servers

Related MCP Connectors

atlas-mcp-server
Hosted MCP for stocks, options, Greeks, brokers, order previews, alerts, and workflows.
Backtest360
MCP server exposing the Backtest360 engine API as tools for AI agents.
ko-mcp
Real SEC, 13F, insider, congress & macro data your AI agent can cite. Hosted MCP, 24 tools.

View all MCP Connectors

Latest Blog Posts

Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)
By Om-Shree-0709 on July 25, 2026.
mcp
Agent Identity
OAuth 2.1
Your AI Chatbot Just Exposed Your CEO's Salary to an Intern
By Om-Shree-0709 on July 2, 2026.
Agent Identity
MCP Security
OAuth Delegation
Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)
By Om-Shree-0709 on June 30, 2026.
Agentic Ai
Prompt Injection
WebAssembly

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/Roberton003/databricks-capstone-delivery'

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