quant.ai

Quantitative Research für US-Aktien, entwickelt für den Einsatz in Ihrem KI-Assistenten. Schließen Sie es an Claude oder Codex über MCP an und fragen Sie nach einem beliebigen Ticker – erhalten Sie erklärbare Bewertungen, Schlüsselniveaus und die Begründung, und diskutieren Sie dann im selben Chat darüber. Funktioniert auch als Ein-Befehl-CLI.

Englisch | 中文

quant.ai ist ein kommandozeilenbasiertes Quant-Research-Toolkit für US-Aktien, entwickelt für alltägliche Anleger. Geben Sie einen Befehl ein und erhalten Sie eine erklärbare Bewertung, wichtige Unterstützungs-/Stopp-Niveaus und die dahinterstehenden Gründe – alles abgeleitet aus historischen Kursen, vollständig offline-fähig und ohne Brokeranbindung.

⚠️ Nur für Forschungszwecke – keine Anlageberatung. Es werden niemals echte Aufträge platziert oder vorgeschlagen. Die Ausgabe erfolgt standardmäßig auf Englisch; fügen Sie --lang zh hinzu (oder wählen Sie bei quant-ai init) für Chinesisch (中文).

Schnellstart

pip install -e .          # or: pip install -r requirements.txt
quant-ai doctor           # environment self-check (deps + data connectivity)
quant-ai analyze AAPL     # rate one stock in seconds

Kein Einstiegspunkt? python -m quant_agent analyze AAPL funktioniert genauso.

Related MCP server: mcp-financex

Was Sie erhalten

Echte Ausgabe von quant-ai analyze AAPL – standardmäßig auf Englisch, --lang zh für Chinesisch. Die Bewertungen reichen von Strong Buy über Neutral bis Strong Sell. Fügen Sie --output-dir hinzu, um Markdown + JSON zu exportieren, oder --chart für ein PNG-Diagramm.

Nutzung in Claude oder Codex

Das Hauptfeature – stellen Sie quant.ai als MCP-Server bereit und lassen Sie Ihren KI-Assistenten darauf zugreifen:

claude mcp add quant-research -- python -m quant_agent.mcp_server

Fragen Sie dann einfach im selben Chat, in dem Sie arbeiten:

"Wie ist die Einschätzung zu NVDA?" · "Behalte TSLA für mich im Auge." · "Ich habe 15 AAPL zu 182,5 gekauft – verfolge es." · "Wie stehen meine Positionen?" · "Erstelle den heutigen Marktbericht."

Claude (oder Codex) greift auf echte Projektdaten zu, zeigt Ihnen die quantitative Analyse und Sie diskutieren sie direkt – keine separate Website, kein Kopieren und Einfügen. Der tägliche Bericht beginnt mit Ihren Positionen (Gewinn/Verlust) und wird als poliertes HTML-Artifact dargestellt. Siehe das Handbuch (Chinesisch) für die Konfiguration von Claude Desktop / Codex.

Lassen Sie Ihren KI-Assistenten es installieren – fügen Sie dies in Claude Code (oder eine beliebige KI-CLI) ein, und es kann alles einrichten:

Install https://github.com/TingdeLiu/quant.ai as an MCP server:
1. git clone https://github.com/TingdeLiu/quant.ai && cd quant.ai
2. pip install -e .
3. claude mcp add quant-research -- python -m quant_agent.mcp_server
4. Verify: `claude mcp list` should show quant-research ✓ connected

Highlights

• 🤖 Lebt in Ihrem KI-Assistenten – das Hauptfeature. Schließen Sie den integrierten MCP-Server an Claude oder Codex an und fragen Sie "Wie ist die Einschätzung zu NVDA?" Er zieht echte quantitative Analysen aus diesem Projekt, sodass Sie die Analyse sehen und in einem Gespräch diskutieren können. Die meisten Aktienanalyse-Tools sind eigenständige Websites – dieses hier ist in die KI eingebettet, mit der Sie bereits chatten.

• 💼 Ihre Watchlist & Bestände, per Chat verwaltet. Sagen Sie Claude "beobachte NVDA" oder "Ich habe 15 AAPL zu 182,5 gekauft" – sie werden lokal in data/portfolio.json gespeichert, automatisch in jede Analyse einbezogen, und der tägliche Bericht beginnt mit Ihren Positionen und dem unrealisierten Gewinn/Verlust (Live-Kurse nach bestem Wissen, Rückfall auf den letzten Schlusskurs).

• 🖼️ Artifact-fähiger täglicher Bericht – die Marktübersicht wird als eigenständige HTML-Datei mit hellem/dunklem Design ausgeliefert, die Claude als Inline-Artifact rendert; Markdown und JSON werden für alles andere daneben geschrieben.

• 🎯 Null-Konfiguration Einzelaktienanalyse – analyze AAPL liefert Bewertung, Renditen, RSI, Volatilität, MA-Positionen, Unterstützungs-/Stopp-Niveaus und menschenlesbare Gründe.

• 🧩 Personalisierte Watchlist – quant-ai init erstellt ein Universum, das zu 2/3 aus Ihren eigenen Auswahlen (Unternehmen + Branchen, die Sie interessieren) und zu 1/3 von der Engine aus dem breiteren Markt entdeckt besteht.

• 🔬 Forschungs-Backtests – querschnittliche Signale (12-1 Momentum, 20/50 Trend, 1-Monats-Reversal, niedrige Volatilität), Signalgewichtssuche, Walk-Forward-Stabilitätsanalyse, plus SPY- und gleichgewichtete Baselines zur Trennung von Alpha und Beta.

• 📊 Lokale Konsole – eine Seite, vier Tabs (Bericht / Märkte / Backtest-Diagnose / Betrieb), lokal bereitgestellt, ohne API-Schlüssel im gesamten Stack.

• 🛡️ Sicher von Grund auf – deterministische Signale + Risikoschicht, freundliche Degradation bei Netzwerk-/Datenfehlern, nur Papierhandel – gibt niemals echte Aufträge auf.

Täglicher Marktbericht & lokale Konsole

quant-ai market-report erstellt eine tägliche US-Aktien-Forschungsübersicht im Anthropic-Design, in vier Formaten: eine vollständige HTML-Seite, ein eigenständiges Artifact-Fragment, Markdown und JSON. Es ist eine einzelne Seite mit vier Tabs – Bestände, Markt, Ideen, Nachrichten – umgeschaltet durch reines CSS, sodass sie auch in der abgesicherten Artifact-Ansicht eines KI-Clients funktionieren.

Bestände – Ihre Positionen zuerst

Die Übersicht beginnt mit Ihrem Gewinn/Verlust: Marktwert, unrealisierter Gewinn, Tages-G/V und ein Sparkline pro Position (Live-Kurse nach bestem Wissen, Rückfall auf den letzten Schlusskurs). Direkt darunter gibt Bestände auf einen Blick jeder Position eine eigene Karte – Portfoliogewicht, Trendzustand, 5T/1M/3M-Renditen, annualisierte Volatilität, maximaler Drawdown über 1 Jahr, Abstand zum 52-Wochen-Hoch, Stärke gegenüber dem Benchmark, die Spanne der Sell-Side-Analysten, wo sie in den Quant-Listen steht, aktuelle Schlagzeilen und ein aufklappbares 1W–5Y-Schlusskursdiagramm.

Dieser Abschnitt bleibt bewusst bei den Fakten. Er enthält keine Kauf-/Verkaufsempfehlung und keine Kursprognose – ein Test stellt sicher, dass die Formulierung nie abweicht. Dies ist ein Forschungswerkzeug, kein lizenzierter Berater: Es legt die Beweise dar und überlässt die Entscheidung Ihnen.

Die Nachrichtenkurztexte pro Bestand sind handgeschrieben und werden aus data/news_digest.json gelesen ({as_of, digests: {SYMBOL: "eine Zeile"}}) – das Projekt ruft niemals eine LLM-API dafür auf. Wenn das as_of dieser Datei älter ist als das Datum der Berichtsdaten, wird jede Karte mit "Zusammenfassung vom …" gestempelt, sodass eine veraltete Zusammenfassung nicht als aktuell ausgegeben werden kann.

Markt – was das Band tatsächlich tut

Statt nur den Index zu zitieren: die Tages-/5T-/1M-/3M-Renditen des Benchmarks neben seinem Abstand zum 52-Wochen-Hoch, Drawdown und Volatilität; eine VIX-Risikomessung mit seinem Perzentil im letzten Jahr; Breitenmesser – Anteil der Namen, die über 5T/1M steigen, und Anteil, der über ihren 20T/50T gleitenden Durchschnitten liegt, gezählt nur über Ihre Einzelaktien, sodass ein Dutzend Index-ETFs die Messung nicht schönreden können; Sektorrotation über die elf SPDR-Sektor-ETFs, sortiert nach 1-Monats-Bewegung mit ihrem Überschuss gegenüber dem Benchmark; und ein Fonds-Tracker, gruppiert in breite Indizes, Themen (Halbleiter, KI) und Vermögenswerte (VIX, langfristige Staatsanleihen, Gold, Dollar, Rohöl) für die Frage, wohin das Geld außerhalb von Aktien fließt.

Ideen – Quant-Auswahlen, potenzielle und hohe Risiken

Forschungsauswahlen aufgeteilt nach Haltedauer (lang / mittel / kurz), jeweils mit dem Analysten-Bewertungsspannen-Balken, Tagesänderung, Risiko- und Vertrauens-Tags – Positionen, die Sie bereits halten, werden oben angeheftet und hervorgehoben. Darunter zeigen die Tabellen potenzielle Auswahlen und hohes Risiko den statistischen Grund, warum jeder Name qualifiziert ist. Index- und Sektor-ETFs werden aus beiden Listen ausgeschlossen.

Lokale Konsole

quant-ai serve-dashboard stellt eine lokale Seite mit vier Tabs bereit – Bericht, Märkte, Backtest-Diagnose und Betrieb – und verwendet dabei das gleiche Styling wie der Bericht anstelle eines zweiten Designs. write-dashboard schreibt die Backtest-Diagnose-Seite eigenständig neben die Ausgaben eines Laufs. Die Seitensprache folgt language: in Ihrer Konfiguration.

Häufige Befehle

So funktioniert es

1. Daten – tägliche OHLCV von Yahoo Finance (yfinance) standardmäßig oder lokales CSV/Parquet. Zwischengespeichert und validiert.

2. Signale – querschnittliche, zeitpunktverzögerte Faktoren, pro Tag z-transformiert.

3. Portfolio & Risiko – deterministische Zielgewichte unter Positions-/Umschlag-/Liquiditätsgrenzen.

4. Bewertung – Aufteilung in Training / Validierung / Test, Walk-Forward-Fenster und benchmarkrelative Metriken (Sharpe, Sortino, Calmar, maximaler Drawdown, Alpha/Beta).

5. KI – das Projekt ruft keine eigene LLM-API auf. Es liefert Fakten, die Sie überprüfen können: quantitative Statistiken, regelbasierte Bewertungen und Konsens Dritter. Synthese und Diskussion finden in dem KI-Client statt, in dem der MCP-Server eingebunden ist, sodass es keinen API-Schlüssel, keine zusätzlichen Kosten und kein zweites Modell zwischen Ihnen und den Daten gibt.

Dokumentation

• Vollständiges Handbuch (Chinesisch): docs/manual_zh.md – detaillierte Konfiguration, Backtest/Walk-Forward, Dashboard-API, MCP-Integration, Ausgabedateien.

• Changelog: CHANGELOG.md · Mitwirken: CONTRIBUTING.md · Fahrplan: roadmap.md

Tests

python -m pytest      # 106 tests, network-free
python -m ruff check quant_agent tests conftest.py

Haftungsausschluss

Dieses Projekt dient ausschließlich quantitativen Forschungs- und Bildungszwecken. Es analysiert historische Kurse und erzeugt Forschungssignale – keine Anlageberatung und keine Autorisierung zum Handel. Märkte bergen Risiken; Sie sind für Ihre eigenen Entscheidungen verantwortlich.

Lizenz

MIT