Skip to main content
Glama
comtechai

counterparty-credit

by comtechai

Counterparty Credit

Un servidor MCP abierto y transparente que puntúa la salud crediticia de empresas energéticas públicas a partir de datos públicos. Pregunte a un agente cuán sólida es una empresa de servicios públicos, un generador, un operador de midstream o un comercializador de energía/gas; Counterparty Credit responde con una puntuación de 0 a 100, un desglose factor por factor y la fuente pública detrás de cada número.

Es soporte para la toma de decisiones, no una calificación crediticia — cada resultado tiene fuente, es explicable y está pensado para revisión humana. La idea es una puntuación con la que se pueda discutir, no una caja negra.

Desarrollado por ComtechAI. Versión de metodología: ccr-ref-1.3.

Estado: v1, deliberadamente estable

Este repositorio es una implementación de referencia con alcance congelado. Permanece publicado y funcional; se aceptan correcciones de errores y parches por roturas aguas arriba, pero las nuevas capacidades están fuera de alcance aquí. Consulte DEVELOPMENT.md para configuración, pruebas y reglas de contribución.

Related MCP server: Pulse MCP Server

Cómo funciona

Una herramienta MCP, counterparty.health, toma un nombre de empresa o ticker. Resuelve el declarante de la SEC, obtiene datos financieros públicos y de mercado, puntúa cuatro factores y los combina en un compuesto con una banda descriptiva (Fuerte / Estable / Vigilancia / Estresado / En dificultades).

Factor

Qué lee

Fuente

F1 — Fortaleza del balance

Apalancamiento, cobertura de intereses, ratio corriente

SEC EDGAR (XBRL)

F3 — Riesgo implícito en el mercado

Distancia al incumplimiento (Merton ingenuo) + volatilidad del capital

Precios diarios de Tiingo + EDGAR

F4 — Mezcla de negocio / exposición a materias primas

Aislamiento estructural de los flujos de caja, por tipo de negocio

Universo de clasificación (27 nombres)

F5 — Eventos / noticias

Acciones de calificación, eventos de covenants/liquidez, cortes no planificados

Google News RSS

El compuesto es una mezcla ponderada renormalizada sobre los factores que realmente se calculan en esta ejecución. Los pesos de referencia son F1 0.20 · F3 0.15 · F4 0.25 · F5 0.15. Cuando faltan los insumos de un factor — sin feed de mercado para F3, un nombre no clasificado para F4 — ese factor se elimina y su peso se redistribuye entre el resto. Nada se imputa; un factor se calcula con datos reales o está ausente.

Cada resultado lleva una methodology_version y una fecha as_of, y cada factor nombra la declaración o el feed detrás de él. Cuando una cifra es un proxy (ver limitaciones), la línea de fuente lo indica.

Instalación

Requiere Python 3.10–3.14.

python3 -m venv venv && source venv/bin/activate   # Windows: venv\Scripts\activate
pip install -e .

Uso

Desde la línea de comandos

export SEC_USER_AGENT="Your Name you@example.com"   # SEC requires a contact User-Agent
export TIINGO_TOKEN="your_tiingo_key"               # optional; F3 is skipped without it
python3 -m counterparty_credit.cli "NextEra Energy"
python3 -m counterparty_credit.cli DUK

La SEC devuelve HTTP 403 sin un User-Agent descriptivo. Un token gratuito de Tiingo habilita F3; omítalo y la herramienta puntúa con F1/F4/F5 y lo indica. Las declaraciones y el mapa de tickers se almacenan en caché en ~/.cache/counterparty-credit durante 24 horas.

Desde Claude Desktop

Copie claude_desktop_config.example.json en la configuración de Claude Desktop, establezca el command al Python del venv de este repositorio (ruta absoluta) y sus claves en env, luego reinicie Claude y pregunte "¿Cuán sólida financieramente es NextEra como contraparte?" Claude llama a la herramienta y lee la puntuación, el desglose y las fuentes.

  • macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

  • Windows: %APPDATA%\Claude\claude_desktop_config.json

Si la empresa no se puede resolver o sus datos no se pueden recuperar, la herramienta devuelve un error en lugar de un número. Una puntuación solo se devuelve cuando realmente se calculó.

Metodología

La puntuación se lee de un objeto de configuración Methodology, no de constantes codificadas. Methodology.default() es la referencia abierta, fijada en ccr-ref-1.3. El registro confirmado:

  • src/counterparty_credit/methodology.py — fuente de verdad para todas las curvas, pesos y umbrales

  • docs/methodology-c0.md — metodología legible de registro

  • docs/methodology-c0.json — especificación de máquina (una prueba protege contra la deriva)

Una metodología personalizada solo indica sus anulaciones y hereda el resto de la referencia:

CCR_METHODOLOGY=/path/to/methodology.json python3 -m counterparty_credit.cli "NextEra Energy"

Debido a que cada resultado está sellado con su versión, una configuración personalizada es visiblemente no la referencia. Los números fijados son una hipótesis inicial, refinada contra nombres reales; una recalibración es una nueva versión, nunca una reescritura silenciosa.

Limitaciones

Estas son deliberadas y se declaran claramente. Un alcance honesto es el punto de una herramienta de referencia.

  • No es una calificación crediticia. Soporte para la toma de decisiones a partir de datos públicos. Sin participación del emisor, sin información no pública, sin metodología de agencia de calificación.

  • F2 (liquidez / garantía) se excluye de la mezcla en vivo. Su proxy de caja v0 devolvía puntuaciones casi idénticas independientemente de la calidad crediticia, por lo que no añade discriminación. Está definido en la metodología pero excluido hasta que un modelo real de estrés de garantías reemplace al proxy.

  • F3 necesita un feed de mercado. Sin un token de Tiingo, o para un nombre sin datos de precios limpios, F3 se elimina y su peso se redistribuye.

  • F4 cubre un universo fijo de 27 nombres de emisores energéticos de América del Norte. Los nombres fuera de él se puntúan sin el factor de mezcla de negocio en lugar de adivinarse.

  • F5 se basa en un vocabulario fijo. Detecta acciones de calificación expresadas como upgrade / downgrade (restringidas para requerir contexto de agencia de calificación) y un conjunto de eventos crediticios; pasará por alto acciones de calificación expresadas con otros verbos, y el sentimiento de los titulares es grueso.

  • La cobertura puede usar un proxy de caja pagada. Algunos grandes declarantes no etiquetan el concepto de gastos por intereses; para ellos, la cobertura se calcula a partir de intereses en efectivo pagados, lo que excluye los intereses capitalizados. La línea de fuente lo indica por nombre.

  • Datos públicos puntuales. Las cifras son al cierre de la última declaración; una declaración desactualizada se señala, no se usa silenciosamente.

Estructura

src/counterparty_credit/
  schema.py          # locked I/O contract (HealthResult)
  methodology.py     # config object — reference default + worksheet loader
  resolve.py         # name/ticker → CIK + ticker (SEC company_tickers.json)
  edgar.py           # XBRL companyfacts → financials (recency-aware tag selection)
  ratios.py          # leverage / coverage / liquidity
  market.py          # daily prices → price + annualized vol (Tiingo)
  dtd.py             # naive-Merton distance-to-default
  news.py            # recent headlines (Google News RSS)
  scoring.py         # F1, F3, F5 scorers
  f4_business_mix.py # F4 business-mix lookup over the universe
  universe.json      # 27-name classification universe
  score.py           # orchestration → weighted composite → HealthResult
  server.py          # MCP tool
  cli.py             # one-command live scoring
tests/

Counterparty Credit produce soporte para la toma de decisiones a partir de datos públicos. No es una calificación crediticia, no es asesoramiento de inversión y no está afiliado con ninguna agencia de calificación ni con los emisores que puntúa. Los resultados tienen fuente y están destinados a revisión humana.

Available Tools

1 tool
counterparty.healthA

Assess the credit health of a public energy company from public data.

Use this when asked how financially sound or risky an energy counterparty is — a regulated utility, merchant generator/IPP, midstream operator, or power/gas marketer. Accepts a company name or ticker.

Returns a 0-100 health score and descriptive band (Strong/Stable/Watch/Stressed/ Distressed), a factor-by-factor breakdown with the public source behind each factor, a plain-language summary, the methodology version, and an as-of date. This is transparent decision-support, not a credit rating.

Raises rather than guessing when the company cannot be resolved or its public data cannot be retrieved. A score is only ever returned when it was actually computed.

ParametersJSON Schema
NameRequiredDescriptionDefault
nameYes

Output Schema

ParametersJSON Schema
NameRequiredDescription
bandYesDescriptive band derived from the score
nameYesThe query as the caller sent it
as_ofYesAs-of date for the underlying data (YYYY-MM-DD)
scoreYesComposite 0–100 health score
tickerNoEquity ticker, if resolved
factorsYesFactor-by-factor breakdown, each independently sourced
summaryYesPlain-language read a desk could act on
disclaimerNoNon-negotiable framing — this is not a rating.
resolved_nameYesCanonical entity name after resolution
methodology_versionYesVersioned methodology id, e.g. 'tenor-0.1.0-stub'

TDQS

A4.7/5.0
Behavior5/5

Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?

With no annotations provided, the description carries the full burden of behavioral disclosure, and it does so thoroughly. It explains the return contents (health score, band, factor breakdown, sources, summary, methodology version, as-of date), frames the output as 'transparent decision-support, not a credit rating,' and explicitly states it 'raises rather than guessing' when resolution or data retrieval fails.

Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.

Conciseness5/5

Is the description appropriately sized, front-loaded, and free of redundancy?

The description is front-loaded with the main action, immediately followed by usage context, output details, and an explicit failure behavior. Every sentence contributes necessary information without redundancy, and the structure makes it easy for an agent to quickly determine purpose and call behavior.

Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.

Completeness5/5

Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?

Given the tool's single parameter, no annotations, no siblings, and an output schema that can carry return structure, the description covers all key contextual needs: input type, applicable domain, output semantics, methodological transparency, and error behavior. An agent has enough information to invoke the tool correctly and interpret its result.

Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.

Parameters4/5

Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?

The input schema only provides a required string property 'name' with 0% description coverage, so the description must compensate. It does by adding that the tool 'Accepts a company name or ticker.' This is meaningful semantic guidance for the single parameter, though slightly more detail about accepted formats would push it higher.

Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.

Purpose5/5

Does the description clearly state what the tool does and how it differs from similar tools?

The description starts with a specific verb and resource: 'Assess the credit health of a public energy company from public data.' It further clarifies the exact scope by listing company types (regulated utility, merchant generator/IPP, midstream operator, marketer) and the accepted inputs (company name or ticker). Even without siblings, the purpose is unambiguous.

Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.

Usage Guidelines4/5

Does the description explain when to use this tool, when not to, or what alternatives exist?

The description explicitly states when to use the tool: 'Use this when asked how financially sound or risky an energy counterparty is.' It gives clear context and enumerates the applicable counterparty types, but it does not explicitly state when not to use it or name alternatives. Since there are no sibling tools, this is a clear and sufficient usage guideline.

Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

  1. 1 tool updatev0.1.0
    • First observedcounterparty.health

TDQS

A4.6/5.0

Scored across 1 tool

Disambiguation5/5

With only one tool, there is no possibility of confusion or overlap with other tools. The tool's purpose is clearly defined and unique within this server.

Naming Consistency5/5

A single tool name naturally presents no inconsistencies. The dotted notation 'counterparty.health' is descriptive and suggests a clear action/domain pattern.

Tool Count3/5

One tool feels thin for a server, even when narrowly scoped. The functionality is focused, but a server with a single tool offers little flexibility or breadth for an agent.

Completeness4/5

The tool covers the core domain of assessing counterparty credit health thoroughly, returning scores, factors, sources, and methodology. It lacks supplementary operations like historical comparisons or bulk screening, but these are not essential for the stated purpose.

Maintenance

ActivityMaintained
ResponsivenessNo issues

Related MCP Connectors

Related MCP Servers

  • A
    license
    Not graded
    quality
    D
    maintenance
    MCP server for Axonn, enabling access to US energy regulatory filings, real-time ISO prices, and market data.
    MIT
  • F
    license
    Not graded
    quality
    C
    maintenance
    An MCP server that exposes Moody's Pulse (Cortera) trade-credit data with grounded knowledge-base context, enabling search, report retrieval, and explanation of metrics and use cases.
    -
  • F
    license
    Not graded
    quality
    B
    maintenance
    MCP server that exposes the credit scoring model's deterministic tools (probability of default, SHAP explanations, typicality check, financial ratios) to AI agents, enabling natural language credit risk assessment.
    -
  • A
    license
    Not graded
    quality
    C
    maintenance
    Provides complete credit dossiers for individuals or companies, including registration data, risk score, and pending issues, via a hosted MCP server with a single read-only tool.
    MIT