findata-mcp
findata-mcp
Eine vereinheitlichte Finanzdaten-Bibliothek mit einem MCP-Server für code-schreibende Agenten.
Wenn ein Agent den MCP abfragt (z. B. "equity daily prices"), erhält er:
Die findata-Wrapper-Funktionssignatur
Vollständige Dokumentation von Parametern und Rückgabetypen
Ein fertig zum Einfügen vorbereitetes Codebeispiel, das unsere API aufruft
Der MCP ruft niemals Live-Daten ab – er ist ein Dokumentationsserver, damit Agenten korrekte Aufrufe an die findata-Bibliothek schreiben können.
Projektstruktur
data-mcp/
├── findata/ Data library
│ ├── equity_prices.py get_equity_prices() yfinance wrapper
│ ├── sp500_composition.py get_sp500_composition() fja05680/sp500 (local git clone)
│ ├── fama_french.py get_fama_french_factors() Ken French Data Library
│ ├── fred.py get_fred_series() FRED macroeconomic series
│ ├── cboe_volatility.py get_cboe_volatility_indices() VIX / VVIX
│ ├── coingecko.py get_coingecko_ohlcv() CoinGecko public API
│ ├── file_reader.py get_file_data() CSV / Parquet / Excel
│ └── bloomberg.py get_bloomberg_ticks() blpapi — tick-by-tick
│ get_bloomberg_bars() blpapi — intraday OHLCV
│ get_bloomberg_data() blpapi — historical / reference
├── findata_mcp/
│ └── server.py Tool registry + MCP handlers
├── Dockerfile
├── docker-compose.yml
├── .github/workflows/docker.yml GHCR build + push on every push to main
├── pyproject.toml
└── README.mdRelated MCP server: FinData MCP
Installation
Die empfohlene Methode, findata-mcp auszuführen, ist Docker. Das Image wird bei jedem Push auf main auf GHCR veröffentlicht und enthält die Codex CLI bereits eingebaut.
Voraussetzungen
Docker
Codex, auf Ihrem Host-Rechner authentifiziert
1. Codex authentifizieren (einmalig)
codex auth login # opens browser → saves to ~/.codex/auth.json2. Pull und Ausführen
curl -O https://raw.githubusercontent.com/lakshya-aga/data-mcp/main/docker-compose.yml
docker compose up -ddocker-compose.yml mountet ~/.codex schreibgeschützt, sodass der Container Ihre Codex-Sitzung ohne interaktive Eingabeaufforderungen übernimmt. Benannte Volumes behalten generierte Dateien und Daten über Neustarts hinweg.
3. Überprüfen
docker logs data-mcp-findata-mcp-1
# should show: findata-mcp starting on :8000Verbindung zum Server herstellen
Claude Desktop
Fügen Sie zu ~/Library/Application Support/Claude/claude_desktop_config.json hinzu:
{
"mcpServers": {
"findata": {
"url": "http://localhost:8000/sse"
}
}
}Python (roher MCP-Client)
import asyncio
from mcp.client.sse import sse_client
from mcp.client.session import ClientSession
async def main():
async with sse_client("http://localhost:8000/sse") as (r, w):
async with ClientSession(r, w) as s:
await s.initialize()
res = await s.call_tool("search_tools", {"query": "equity daily prices", "top_k": 3})
print(res.content[0].text)
asyncio.run(main())OpenAI Agents SDK
from agents.mcp import MCPServerSse
mcp = MCPServerSse(url="http://localhost:8000/sse")MCP-Tools
Tool | Beschreibung |
| Natürlichsprachliche Abfrage → passende Funktionsdokumente + Codebeispiele |
| Vollständige Referenz für eine Funktion mit exaktem Namen |
| Alle Wrapper-Funktionen mit Zusammenfassungen und Tags |
| Codex bitten, einen neuen Daten-Wrapper zu implementieren und zu registrieren |
search_tools
res = await s.call_tool("search_tools", {"query": "fama french factors", "top_k": 2})get_tool_doc
res = await s.call_tool("get_tool_doc", {"tool_name": "get_equity_prices"})request_data_source
res = await s.call_tool("request_data_source", {
"description": "get World Bank GDP per capita using the wbdata library"
})Codex schreibt findata/<module>.py, aktualisiert server.py und lädt die neue Funktion heiß in das Live-Registry nach – kein Neustart erforderlich.
Umgebungsvariablen
Variable | Beschreibung |
| Codex-Authentifizierung – überspringt OAuth, falls gesetzt (Alternative zum Host-Auth-Mount) |
| Erforderlich für |
| Überschreibt den Codex-Binärpfad (Standard: |
| Bloomberg-API-Host für die |
| Bloomberg-API-Port (Standard: |
| Wartezeit pro Ereignis, bevor eine Bloomberg-Anfrage abgebrochen wird (Standard: |
|
|
findata-Kurzreferenz
get_equity_prices
from findata.equity_prices import get_equity_prices
df = get_equity_prices(
tickers=["AAPL", "MSFT"],
start_date="2024-01-01",
end_date="2024-12-31",
fields=["Close"],
frequency="1d", # 1d 5d 1wk 1mo 3mo
)get_fama_french_factors
from findata.fama_french import get_fama_french_factors
df = get_fama_french_factors(factor_model="5", start_date="2010-01-01", end_date="2020-12-31")
# columns: Mkt-RF, SMB, HML, RMW, CMA, RFget_fred_series
from findata.fred import get_fred_series
df = get_fred_series(["CPIAUCSL", "UNRATE"], start_date="2015-01-01", end_date="2024-12-31")get_coingecko_ohlcv
from findata.coingecko import get_coingecko_ohlcv
df = get_coingecko_ohlcv("bitcoin", vs_currency="usd", days=90)
# columns: open, high, low, close, volumeget_cboe_volatility_indices
from findata.cboe_volatility import get_cboe_volatility_indices
df = get_cboe_volatility_indices(symbols=["^VIX", "^VVIX"], start_date="2020-01-01", end_date="2024-12-31")get_sp500_composition
from findata.sp500_composition import get_sp500_composition
members = get_sp500_composition("2024-12-31") # list[str], ~503 tickersget_bloomberg_ticks – Tick-Daten für jedes Wertpapier
Erfordert ein Bloomberg-Terminal, SAPI- oder B-PIPE-Berechtigung und das SDK:
pip install blpapi --index-url https://bcms.bloomberg.com/pip/simple/from findata.bloomberg import get_bloomberg_ticks
# Every trade print in one US cash session, in New York time
ticks = get_bloomberg_ticks(
"AAPL US Equity",
"2024-06-03 09:30:00",
"2024-06-03 16:00:00",
tz="America/New_York",
)
# index = time (tz-aware)
# columns: security, type, value, size, conditionCodes, exchangeCode
# Trades AND top-of-book quotes, one hour per sub-request
book = get_bloomberg_ticks(
"ESZ5 Index",
"2024-06-03 13:30:00",
"2024-06-03 20:00:00",
event_types=["TRADE", "BID", "ASK"],
chunk="1h",
)
# VWAP straight from the prints
trades = ticks[ticks["type"] == "TRADE"]
vwap = (trades["value"] * trades["size"]).sum() / trades["size"].sum()Die Wertpapierzeichenfolge wird unverändert an Bloomberg übergeben, sodass alles
funktioniert, was das Terminal notiert – "AAPL US Equity", "ESZ5 Index",
"EURUSD Curncy", "TY1 Comdty", "US912810TW33 Govt".
Lange Zeitfenster werden in chunk-große Unteranfragen aufgeteilt (Standard: ein Tag)
und verkettet, da Bloomberg eine übermäßig große Intraday-Antwort stillschweigend
abschneidet, anstatt einen Fehler zu melden. Die eigenen Grenzen von Bloomberg
gelten weiterhin: Die Intraday-Tick-Historie reicht etwa 140 Tage zurück, und
tägliche Volumenobergrenzen hängen von Ihrer Berechtigung ab.
Wiederverwenden Sie eine Sitzung, wenn Sie über ein Universum schleifen – das vermeidet einen Verbindungs-Handshake pro Name:
from findata.bloomberg import BloombergSession, get_bloomberg_ticks
with BloombergSession() as bbg:
frames = {
sym: get_bloomberg_ticks(sym, start, end, session=bbg)
for sym in universe
}Aggregieren Sie Ticks lokal zu Balken, mit jedem pandas-Offset:
from findata.bloomberg import ticks_to_bars
bars = ticks_to_bars(ticks, rule="5min")
# columns: open, high, low, close, ticks, volume, vwapget_bloomberg_bars
from findata.bloomberg import get_bloomberg_bars
# 5-minute bars, aggregated server-side (much lighter than raw ticks)
bars = get_bloomberg_bars(
"AAPL US Equity",
"2024-06-03 09:30:00",
"2024-06-03 16:00:00",
interval=5, # minutes, 1-1440
tz="America/New_York",
)
# columns: security, open, high, low, close, volume, numEvents, valueget_bloomberg_data
from findata.bloomberg import get_bloomberg_data
# Historical daily series -> MultiIndex columns (field, security)
df = get_bloomberg_data(
tickers=["AAPL US Equity", "MSFT US Equity"],
fields=["PX_LAST", "VOLUME"],
start_date="2024-01-01",
end_date="2024-12-31",
)
close = df["PX_LAST"]
# Reference data -> rows=securities, cols=fields
ref = get_bloomberg_data(
tickers=["AAPL US Equity"],
fields=["CUR_MKT_CAP", "GICS_SECTOR_NAME"],
request_type="ReferenceDataRequest",
overrides={"BEST_FPERIOD_OVERRIDE": "1BF"},
)get_file_data
from findata.file_reader import get_file_data
df = get_file_data("data/prices.parquet", tickers=["AAPL"], start_date="2023-01-01", end_date="2023-12-31")Tests
pytest tests/ -vTool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
MCP server for Financial Modeling Prep API with 250+ financial data tools
Official Intrinio MCP server. US stock prices, options and fundamentals for AI agents.
One API and MCP server for financial and economic data: markets, economics, companies and more.
MCP server for stocksense-ai documentation, generated by doc2mcp.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceA specialized MCP server that provides institutional-grade financial data and market research via the Finnhub API. It enables AI agents to function as equity researchers, generating professional market reports and high-fidelity analysis for stock tickers.ISC
- AlicenseAqualityDmaintenanceFinData MCP gives AI agents access to market data, company fundamentals, and macroeconomic indicators via MCP. It covers stocks, ETFs, crypto, forex, commodities, and economic time series.51MIT
- AlicenseNot gradedqualityDmaintenanceMCP server that provides AI agents with financial tools including real-time quotes, backtesting, technical analysis, and multi-exchange data via a simple CLI interface.2MIT
- AlicenseNot gradedqualityDmaintenanceAn MCP server that enables AI agents to query real-time financial data including stock quotes, market indices, company fundamentals, and portfolio tracking.MIT