一、背景：MCP 协议与「让 AI 真正懂投资」

如果你关注过 2024 年以来的 AI 工程领域，那一定对 MCP（Model Context Protocol） 不陌生。这是 Anthropic 提出的一个开放协议，核心思路很简单——让 LLM 能像调用函数一样调用外部工具。从最初的 Claude Desktop 一路演化到 Cursor、Cline 等 IDE，MCP 正在成为 LLM 与现实世界交互的事实标准。

但问题来了：现成的 MCP Server 多半停留在「查天气、读文件」这种玩具级 demo。真正面向金融场景的优质实现凤毛麟角。

stock-mcp-server 正是为了填补这个空白而生的：一个面向股票分析的 MCP Server，覆盖 A 股、美股、港股三大市场，把行情数据、技术指标、AI 决策、风险检测、策略回测——全塞进 12 个 MCP 工具里，让你的 AI 助手瞬间升级为「初级分析师」。

二、四大功能亮点

1. 🌟 AI 决策仪表盘：把数据喂给 LLM，让它「出报告」

这是整个项目最让我眼前一亮的工具。调用 analyze_stock_ai 工具，服务器会帮你把技术面 + 资金面 + 新闻面 + 风险面全部打包成结构化上下文，然后丢给 LLM 推理。返回的不是冷冰冰的数字，而是一份迷你投研报告：

  • 核心结论
  • 多空判断
  • 支撑压力位
  • 量能分析
  • 新闻情绪解读
  • 买卖计划 + 仓位建议

感觉就像有个 7×24 在线的研究员帮你做了第一遍筛选，你只需要做最终拍板。

2. 🚨 ST 风险检测：A 股韭菜的「保命符」

A 股最独特的玩法就是 ST 制度——财务异常或连续亏损的股票会被戴帽，连续跌到 1 元以下还会面值退市。很多新手栽跟头不是因为选错股，而是买到退市股。

check_st_risk 工具从 4 个维度做评分：

维度 检测内容
*ST/ST 状态 从股票名称自动识别
面值退市风险 股价 < 1 元触发警告，< 0.5 元高风险
放量下跌 量比 > 3 + 跌幅 > 5% 标记高风险
综合评估 无异常时标记「正常」

风险等级：正常 🟢 → 关注 🟡 → 警告 🟠 → 高风险 🔴

对于经常被各种「老师」忽悠的散户来说，这个工具比任何技术指标都实用。

3. 📈 零依赖策略回测：5 种策略任你选

回测模块完全自研，不依赖 backtrader、zipline 这些重型框架。内置 5 种策略：

策略 信号逻辑
MA 金叉/死叉 MA5 上穿/下穿 MA20
MACD DIF 上穿/下穿 DEA
RSI 均值回归 超卖区回升 / 超买区回落
布林带反弹 触下轨反弹 / 触上轨回落
组合信号 MA(40%) + MACD(30%) + RSI(30%) 加权

每笔交易都模拟了手续费和滑点（买入万 2.5 / 卖出万 2.5 + 印花税千 1，滑点 0.1%），出来的绩效指标包括总收益率、年化收益、最大回撤、夏普比率、胜率、盈亏比——相当全面了。

4. 🔌 多数据源自动容灾

A 股行情 API 不稳定是公开的秘密。stock-mcp-server 做了三层兜底：

数据源 用途
腾讯行情 A 股主源（HTTP API，覆盖最全）
mootdx 通达信 TCP 协议 fallback（零配置）
Yahoo Finance 美股 / 港股

还内置了数据源健康监控（每源成功率/失败率统计）和 TTL 内存缓存（30 秒~10 分钟分级），既能保证高可用，又不至于把 API 玩崩。

三、架构特色

整个项目跑在 Python 3.11+ + FastMCP 之上，设计上有几个「克制」的取舍：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
stock-mcp-server/
├── server.py                  # MCP 入口，12 个工具注册
├── core/
│   ├── cache.py               # TTL 内存缓存
│   ├── parallel.py            # 并行执行工具
│   └── health.py              # 数据源健康追踪
├── data_sources/
│   ├── tencent.py             # 腾讯行情（+ mootdx fallback）
│   ├── mootdx.py              # 通达信 TCP 直连
│   └── yahoo.py               # Yahoo Finance
└── tools/
    ├── technical.py           # 技术分析（9 项指标）
    ├── news.py                # 新闻搜索（新浪 + 百度）
    ├── analyzer.py            # AI 分析（LLM 决策仪表盘）
    ├── st_risk.py             # ST 风险检测
    └── backtest/              # 策略回测模块
        ├── __init__.py        # 入口
        ├── strategies.py      # 5 种策略信号生成
        ├── simulator.py       # 交易模拟引擎
        ├── metrics.py         # 绩效指标计算
        └── report.py          # 报告格式化
  • 零鉴权：定位是本地工具，部署在可信环境即可，避免过度设计
  • 零依赖回测：策略回测模块纯手写，pip install 一气呵成
  • TTL 分级缓存：行情类短缓存（30s），基本面类长缓存（10min），在「实时性 vs. 接口配额」之间找平衡
  • 健康度追踪：每个数据源都有命中率和延迟统计，问题数据源能快速发现

技术分析层支持 MA / MACD / RSI / 布林带 / Ichimoku 一目均衡表 / K 线形态识别 / 量比 / 乖离率 / 综合评分——基本上把主流指标都拉满了。

四、五分钟上手

1
2
3
4
5
6
7
8
# 1. 安装依赖
pip install "mcp[cli]" httpx yfinance

# 2. 可选：A 股备选数据源
pip install mootdx

# 3. 启动服务
python3 server.py

然后在 Claude Desktop 或 Cursor 的 MCP 配置里加上：

1
2
3
4
5
6
7
8
{
  "mcpServers": {
    "stock": {
      "command": "python3",
      "args": ["/path/to/stock-mcp-server/server.py"]
    }
  }
}

之后在对话里直接说「帮我分析一下贵州茅台」或者「回测一下茅台 2023 年的 MA 金叉策略」，AI 就会自动调用工具链给你输出结果。

配置 AI 分析

AI 分析自动使用 Hermes config 中的 LLM 配置，也可以用环境变量覆盖：

1
2
3
export STOCK_LLM_BASE_URL="https://api.openai.com/v1"
export STOCK_LLM_API_KEY="sk-xxx"
export STOCK_LLM_MODEL="gpt-4o-mini"

五、个人评价与展望

优点：

  • 场景选得好，金融 + MCP 是天然结合
  • A 股特色功能（ST 检测）做得很接地气
  • 零依赖回测很良心，部署成本极低
  • 代码结构清晰，12 个工具各司其职

可以更进一步：

  • 港股数据源目前依赖 Yahoo，腾讯也有港股行情，可以再补一个 fallback
  • 策略回测目前是单标的，如果加上多股票组合回测 + 相关性分析会更专业
  • AI 决策仪表盘如果能支持多 LLM provider（不只是 OpenAI）就更灵活
  • 加一个 screener 工具，按条件全市场筛选会非常实用

总的来说，stock-mcp-server 是一个实用主义的代表作——它没有追求大而全的平台化，而是在「MCP + 股票分析」这个交叉点上做深做透。对于想要把 AI 真正落地到投研场景的开发者来说，这是一个非常值得 fork 和二次开发的项目。

📌 投资有风险，本工具仅供学习和参考，不构成任何投资建议。亏了别找我 😅