量化引擎 MCP 服务器 (mcp-quant-engine)

基于 Model Context Protocol (MCP) 的量化金融计算服务器，使用 FastMCP 框架，为 AI 客户端（如 Claude）提供专业的金融数学计算工具。

功能概览

本服务器提供 24 个 MCP 工具，覆盖量化金融四大核心领域：

模块	工具数量	功能
pricing.py	6	期权定价（BS模型、隐含波动率、蒙特卡洛、Greeks、二叉树）
portfolio.py	5	组合优化（均值方差、有效前沿、Black-Litterman、HRP、绩效指标）
risk.py	5	风险度量（历史VaR、参数法VaR、MC VaR、CVaR、最大回撤）
fixed_income.py	4	固定收益（债券定价、久期、凸性、Nelson-Siegel曲线）
utils.py	4	工具函数（收益解析、矩阵解析、格式化、输入验证）

安装

# 克隆项目
git clone https://github.com/yourusername/mcp-quant-engine.git
cd mcp-quant-engine

# 安装依赖
pip install -r requirements.txt

使用

直接运行

python server.py

配置 MCP 客户端

在 Claude Desktop 配置文件中添加：

{
    "mcpServers": {
        "quant-engine": {
            "command": "python",
            "args": ["path/to/mcp-quant-engine/server.py"]
        }
    }
}

工具列表

期权定价工具 (pricing.py)

工具	描述	参数
`black_scholes_call`	BS看涨期权定价	S, K, T, r, sigma
`black_scholes_put`	BS看跌期权定价	S, K, T, r, sigma
`implied_vol`	隐含波动率（牛顿迭代法）	price, S, K, T, r, option_type
`monte_carlo_option`	蒙特卡洛期权定价	S, K, T, r, sigma, n_sims, option_type
`option_greeks`	全部Greeks计算	S, K, T, r, sigma, option_type
`binomial_tree`	二叉树定价（美式期权）	S, K, T, r, sigma, steps, option_type

组合优化工具 (portfolio.py)

工具	描述	参数
`mean_variance_optimize`	均值方差优化	returns_str, cov_matrix_str, target_return
`efficient_frontier`	有效前沿计算	returns_str, cov_matrix_str, n_points
`black_litterman`	Black-Litterman模型	P_str, Q_str, cov_matrix_str, market_weights_str, tau
`hrp_clustering`	层次风险平价	returns_str
`portfolio_metrics`	组合绩效指标	weights_str, returns_str, cov_matrix_str, rf

风险度量工具 (risk.py)

工具	描述	参数
`var_historical`	历史模拟法VaR	returns_str, confidence
`var_parametric`	参数法VaR	mean, std, confidence
`var_monte_carlo`	蒙特卡洛VaR	returns_str, confidence, n_sims
`cvar`	条件VaR (CVaR/ES)	returns_str, confidence
`max_drawdown`	最大回撤	prices_str

固定收益工具 (fixed_income.py)

工具	描述	参数
`bond_price`	债券定价	face, coupon_rate, ytm, maturity, freq
`bond_duration`	久期计算	face, coupon_rate, ytm, maturity, freq
`bond_convexity`	凸性计算	face, coupon_rate, ytm, maturity, freq
`nelson_siegel`	NS收益率曲线拟合	beta0, beta1, beta2, tau, maturities_str

工具函数 (utils.py)

工具	描述	参数
`parse_returns`	解析收益序列	input_str
`parse_matrix`	解析矩阵	input_str
`format_result`	格式化数值	value, precision
`validate_inputs`	输入验证	args_str

输入格式说明

收益序列：逗号分隔的数值字符串，如 "0.01,0.02,-0.01"
矩阵：分号分隔行、逗号分隔列，如 "0.04,0.01;0.01,0.09"
权重向量：逗号分隔的数值，如 "0.3,0.4,0.3"

技术栈

MCP SDK: mcp.server.fastmcp.FastMCP
数值计算: NumPy, SciPy
数据处理: Pandas
优化求解: scipy.optimize.minimize (SLSQP)
层次聚类: scipy.cluster.hierarchy
统计分布: scipy.stats.norm

理论参考

Black, F. & Scholes, M. (1973). The Pricing of Options and Corporate Liabilities.
Cox, J., Ross, S. & Rubinstein, M. (1979). Option Pricing: A Simplified Approach.
Markowitz, H. (1952). Portfolio Selection.
Black, F. & Litterman, R. (1991). Global Portfolio Optimization.
Lopez de Prado, M. (2016). Building Diversified Portfolios that Outperform Out-of-Sample.
Nelson, C. & Siegel, A. (1987). Parsimonious Modeling of Yield Curves.
Jorion, P. (2007). Value at Risk: The New Benchmark for Managing Financial Risk.
Rockafellar, R. & Uryasev, S. (2002). Conditional Value-at-Risk.

项目结构

mcp-quant-engine/
├── server.py                # MCP Server 入口
├── mcp_quant_engine/
│   ├── __init__.py           # FastMCP 实例创建
│   ├── pricing.py            # 期权定价工具（6个）
│   ├── portfolio.py          # 组合优化工具（5个）
│   ├── risk.py               # 风险度量工具（5个）
│   ├── fixed_income.py       # 固定收益工具（4个）
│   └── utils.py              # 数学工具函数（4个）
├── README.md
├── SKILL.md
└── requirements.txt

测试

运行单元测试：

pip install pytest flake8
pytest tests/ -v --tb=short

代码质量检查：

flake8 . --count --max-line-length=120 --statistics

许可证

MIT License