Maverick MCP

🚀 MaverickMCP - 個人股票分析MCP服務器

MaverickMCP是一款個人使用的FastMCP 2.0服務器，可直接在Claude Desktop界面中提供專業級的金融數據分析、技術指標和投資組合優化工具。它專為個人交易者和投資者設計，無需任何身份驗證或複雜的計費流程，即可提供全面的股票分析功能。

該服務器預先加載了標準普爾500指數的全部520只股票，並提供跨多種策略的高級篩選建議。它支持本地運行，具備HTTP、SSE和STDIO傳輸選項，可與Claude Desktop和其他MCP客戶端實現無縫集成。

🚀 快速開始

前提條件

• Python 3.12+：核心運行時環境
• uv：現代Python包管理器（推薦）
• TA-Lib：用於高級指標的技術分析庫
• Redis（可選，用於增強緩存）
• PostgreSQL或SQLite（可選，用於數據持久化）

安裝TA-Lib

TA-Lib是進行技術分析計算所必需的。

macOS和Linux（Homebrew）：

brew install ta-lib

Windows（多種選項）：

選項1：Conda/Anaconda（推薦 - 最簡單）

conda install -c conda-forge ta-lib

選項2：預編譯的Wheel文件

1. 從以下地址下載適合你Python版本的Wheel文件：
   • cgohlke/talib-build releases
   • 選擇與你Python版本匹配的文件（例如，Python 3.12 64位系統選擇TA_Lib-0.4.28-cp312-cp312-win_amd64.whl）
2. 使用pip進行安裝：

pip install path/to/downloaded/TA_Lib-X.X.X-cpXXX-cpXXX-win_amd64.whl

選項3：替代預編譯包

pip install TA-Lib-Precompiled

選項4：從源代碼構建（高級） 如果其他方法失敗，你可以從源代碼進行構建：

1. 安裝Microsoft C++ Build Tools
2. 下載並將ta-lib C庫解壓到C:\ta-lib
3. 使用Visual Studio工具進行構建
4. 運行pip install ta-lib

驗證： 測試你的安裝：

python -c "import talib; print(talib.__version__)"

安裝uv（推薦）

# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# 替代方法：通過pip安裝
pip install uv

安裝

選項1：使用uv（推薦 - 最快）

# 克隆倉庫
git clone https://github.com/wshobson/maverick-mcp.git
cd maverick-mcp

# 一鍵安裝依賴並創建虛擬環境
uv sync

# 複製環境模板
cp .env.example .env
# 添加你的Tiingo API密鑰（可在tiingo.com免費獲取）

選項2：使用pip（傳統方法）

# 克隆倉庫
git clone https://github.com/wshobson/maverick-mcp.git
cd maverick-mcp

# 創建虛擬環境並安裝
python -m venv .venv
source .venv/bin/activate  # 在Windows上使用：.venv\Scripts\activate
pip install -e .

# 複製環境模板
cp .env.example .env
# 添加你的Tiingo API密鑰（可在tiingo.com免費獲取）

啟動服務器

# 一鍵啟動所有服務（首次運行時會加載標準普爾500指數數據）
make dev

# 服務器啟動後，可通過以下地址訪問：
# - HTTP端點：http://localhost:8003/mcp/
# - SSE端點：http://localhost:8003/sse/
# - 服務器已預先加載520只標準普爾500指數股票的篩選數據

連接到Claude Desktop

推薦：SSE連接（穩定可靠） 此配置可提供穩定的工具註冊功能，防止工具丟失：

{
  "mcpServers": {
    "maverick-mcp": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "http://localhost:8003/sse/"]
    }
  }
}

⚠️ 重要提示

注意/sse/後面的斜槓，這是必需的，以防止重定向問題！

配置文件位置：

• macOS：~/Library/Application Support/Claude/claude_desktop_config.json
• Windows：%APPDATA%\Claude\claude_desktop_config.json

為何此配置最佳：

• 工具註冊穩定 - 初始連接後工具不會消失
• 通過SSE傳輸實現可靠的連接管理
• 為長時間運行的分析任務提供適當的會話持久化
• 始終可使用全部29種以上的金融工具

替代方案：直接STDIO連接（僅用於開發）

{
  "mcpServers": {
    "maverick-mcp": {
      "command": "uv",
      "args": [
        "run",
        "python",
        "-m",
        "maverick_mcp.api.server",
        "--transport",
        "stdio"
      ],
      "cwd": "/path/to/maverick-mcp"
    }
  }
}

⚠️ 重要提示

進行配置更改後，務必重啟Claude Desktop。通過mcp-remote的SSE配置已經過測試，可確保穩定、持久的工具訪問，不會出現連接中斷的情況。

配置完成後，MaverickMCP工具將在你的Claude Desktop界面中可用。

Claude Desktop（最常用） - 推薦配置

配置位置：

• macOS：~/Library/Application Support/Claude/claude_desktop_config.json
• Windows：%APPDATA%\Claude\claude_desktop_config.json

Cursor IDE - STDIO和SSE

選項1：STDIO（通過mcp-remote）

{
  "mcpServers": {
    "maverick-mcp": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "http://localhost:8003/sse/"]
    }
  }
}

選項2：直接SSE

{
  "mcpServers": {
    "maverick-mcp": {
      "url": "http://localhost:8003/sse/"
    }
  }
}

配置位置：Cursor → 設置 → MCP服務器

Claude Code CLI - 所有傳輸方式

HTTP傳輸（推薦）

claude mcp add --transport http maverick-mcp http://localhost:8003/mcp/

SSE傳輸（替代方案）

claude mcp add --transport sse maverick-mcp http://localhost:8003/sse/

STDIO傳輸（開發用）

claude mcp add maverick-mcp uv run python -m maverick_mcp.api.server --transport stdio

Windsurf IDE - STDIO和SSE

選項1：STDIO（通過mcp-remote）

{
  "mcpServers": {
    "maverick-mcp": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "http://localhost:8003/mcp/"]
    }
  }
}

選項2：直接SSE

{
  "mcpServers": {
    "maverick-mcp": {
      "serverUrl": "http://localhost:8003/sse/"
    }
  }
}

配置位置：Windsurf → 設置 → 高級設置 → MCP服務器

為何需要mcp-remote

mcp-remote工具用於彌合僅支持STDIO的客戶端（如Claude Desktop）與HTTP/SSE服務器之間的差距。沒有它，這些客戶端將無法連接到遠程MCP服務器：

• 沒有mcp-remote：客戶端嘗試使用STDIO → 服務器期望HTTP → 連接失敗
• 有mcp-remote：客戶端使用STDIO → mcp-remote轉換為HTTP → 服務器接收HTTP → 連接成功

✨ 主要特性

• 無需複雜設置：簡單的make dev命令即可啟動服務（或uv sync + make dev）
• 現代Python工具：使用uv實現閃電般快速的依賴管理
• Claude Desktop集成：原生支持MCP，實現無縫的人工智能分析
• 全面分析：29種以上的金融工具，涵蓋技術指標、篩選和投資組合優化
• 智能緩存：由Redis提供支持，具備優雅的回退機制
• 快速開發：支持熱重載、智能錯誤處理和並行處理
• 開源：採用MIT許可證，由社區驅動開發
• 教育導向：非常適合學習金融分析和MCP開發

📦 安裝指南

前提條件

• Python 3.12+：核心運行時環境
• uv：現代Python包管理器（推薦）
• TA-Lib：用於高級指標的技術分析庫
• Redis（可選，用於增強緩存）
• PostgreSQL或SQLite（可選，用於數據持久化）

安裝TA-Lib

TA-Lib是進行技術分析計算所必需的。

macOS和Linux（Homebrew）：

brew install ta-lib

Windows（多種選項）：

選項1：Conda/Anaconda（推薦 - 最簡單）

conda install -c conda-forge ta-lib

選項2：預編譯的Wheel文件

1. 從以下地址下載適合你Python版本的Wheel文件：
   • cgohlke/talib-build releases
   • 選擇與你Python版本匹配的文件（例如，Python 3.12 64位系統選擇TA_Lib-0.4.28-cp312-cp312-win_amd64.whl）
2. 使用pip進行安裝：

pip install path/to/downloaded/TA_Lib-X.X.X-cpXXX-cpXXX-win_amd64.whl

選項3：替代預編譯包

pip install TA-Lib-Precompiled

選項4：從源代碼構建（高級） 如果其他方法失敗，你可以從源代碼進行構建：

1. 安裝Microsoft C++ Build Tools
2. 下載並將ta-lib C庫解壓到C:\ta-lib
3. 使用Visual Studio工具進行構建
4. 運行pip install ta-lib

驗證： 測試你的安裝：

python -c "import talib; print(talib.__version__)"

安裝uv（推薦）

# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# 替代方法：通過pip安裝
pip install uv

安裝

選項1：使用uv（推薦 - 最快）

# 克隆倉庫
git clone https://github.com/wshobson/maverick-mcp.git
cd maverick-mcp

# 一鍵安裝依賴並創建虛擬環境
uv sync

# 複製環境模板
cp .env.example .env
# 添加你的Tiingo API密鑰（可在tiingo.com免費獲取）

選項2：使用pip（傳統方法）

# 克隆倉庫
git clone https://github.com/wshobson/maverick-mcp.git
cd maverick-mcp

# 創建虛擬環境並安裝
python -m venv .venv
source .venv/bin/activate  # 在Windows上使用：.venv\Scripts\activate
pip install -e .

# 複製環境模板
cp .env.example .env
# 添加你的Tiingo API密鑰（可在tiingo.com免費獲取）

啟動服務器

# 一鍵啟動所有服務（首次運行時會加載標準普爾500指數數據）
make dev

# 服務器啟動後，可通過以下地址訪問：
# - HTTP端點：http://localhost:8003/mcp/
# - SSE端點：http://localhost:8003/sse/
# - 服務器已預先加載520只標準普爾500指數股票的篩選數據

💻 使用示例

基礎用法

# 以下是一些基礎的使用示例，代碼和註釋保持不變
# 啟動服務器
make dev

# 連接到Claude Desktop
# 推薦使用SSE連接
{
  "mcpServers": {
    "maverick-mcp": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "http://localhost:8003/sse/"]
    }
  }
}

高級用法

# 高級場景說明：在高級用法中，你可以使用MaverickMCP提供的更多功能，如自定義工具和資源
# 添加自定義金融分析工具
@mcp.tool()
def my_custom_indicator(ticker: str, period: int = 14):
    """Calculate custom technical indicator."""
    # Your analysis logic here
    return {"ticker": ticker, "signal": "buy", "confidence": 0.85}

@mcp.resource("custom://analysis/{ticker}")
def custom_analysis(ticker: str):
    """Custom analysis resource."""
    # Your resource logic here
    return f"Custom analysis for {ticker}"

📚 詳細文檔

可用工具

MaverickMCP提供39種以上的金融分析工具，按類別組織，包括高級的人工智能研究代理：

開發命令

# 啟動服務器（一鍵啟動！）
make dev

# 替代啟動方法
./scripts/start-backend.sh --dev    # 基於腳本的啟動方式
./tools/fast_dev.sh                 # 超快速啟動（< 3秒）
uv run python tools/hot_reload.py   # 文件更改時自動重啟

# 服務器將在以下地址可用：
# - HTTP端點：http://localhost:8003/mcp/（可流式傳輸的HTTP - 與mcp-remote一起使用）
# - SSE端點：http://localhost:8003/sse/（SSE - 僅支持直接連接，不支持mcp-remote）
# - 健康檢查：http://localhost:8003/health

測試

# 快速測試命令
make test              # 運行單元測試（5 - 10秒）
make test-specific TEST=test_name  # 運行特定測試
make test-watch        # 文件更改時自動運行測試

# 使用uv（推薦）
uv run pytest                 # 僅運行單元測試
uv run pytest --cov=maverick_mcp  # 運行帶覆蓋率的測試
uv run pytest -m ""           # 運行所有測試（需要PostgreSQL/Redis）

# 替代方法：直接使用pytest（如果在虛擬環境中激活）
pytest                 # 僅運行單元測試
pytest --cov=maverick_mcp  # 運行帶覆蓋率的測試
pytest -m ""           # 運行所有測試（需要PostgreSQL/Redis）

代碼質量

# 快速質量檢查命令
make lint              # 檢查代碼質量（ruff）
make format            # 自動格式化代碼（ruff）
make typecheck         # 運行類型檢查（ty）

# 使用uv（推薦）
uv run ruff check .    # 代碼檢查
uv run ruff format .   # 代碼格式化
uv run ty check .      # 類型檢查（Astral的現代類型檢查器）

# 替代方法：直接使用命令（如果在虛擬環境中激活）
ruff check .           # 代碼檢查
ruff format .          # 代碼格式化
ty check .             # 類型檢查

# 超快速單行命令（無需安裝）
uvx ty check .         # 直接運行ty，無需安裝

配置

通過.env文件或環境變量配置MaverickMCP：

基本設置：

• REDIS_HOST, REDIS_PORT - Redis緩存（可選，默認為localhost:6379）
• DATABASE_URL - PostgreSQL連接或sqlite:///maverick_mcp.db（SQLite默認）
• LOG_LEVEL - 日誌詳細程度（INFO, DEBUG, ERROR）
• 首次啟動時自動加載標準普爾500指數數據

必需的API密鑰：

• TIINGO_API_KEY - 股票數據提供商（可在tiingo.com免費獲取）

可選的API密鑰：

• OPENROUTER_API_KEY - 強烈建議用於研究：可訪問400多種人工智能模型，實現智能成本優化（節省40 - 60%的成本）
• EXA_API_KEY - 建議用於研究：具備網頁搜索功能，可進行全面研究
• OPENAI_API_KEY - 直接訪問OpenAI（備用）
• ANTHROPIC_API_KEY - 直接訪問Anthropic（備用）
• FRED_API_KEY - 聯邦儲備經濟數據
• TAVILY_API_KEY - 替代網頁搜索提供商

性能設置：

• CACHE_ENABLED=true - 啟用Redis緩存
• CACHE_TTL_SECONDS=3600 - 緩存持續時間

工具分類

股票數據工具

• fetch_stock_data - 獲取歷史股票數據，具備智能緩存功能
• fetch_stock_data_batch - 同時獲取多隻股票的數據
• get_news_sentiment - 分析任何股票的新聞情緒
• clear_cache / get_cache_info - 緩存管理實用工具

技術分析工具

• get_rsi_analysis - 計算RSI指標，並給出買賣信號
• get_macd_analysis - 進行MACD分析，識別趨勢
• get_support_resistance - 識別關鍵價格水平
• get_full_technical_analysis - 全面的技術分析
• get_stock_chart_analysis - 生成可視化圖表

投資組合管理工具（新增） - 個人投資組合跟蹤

• portfolio_add_position - 添加或更新持倉，自動計算成本基礎平均值
• portfolio_get_my_portfolio - 查看投資組合，即時計算盈虧
• portfolio_remove_position - 部分或全部移除持倉
• portfolio_clear_portfolio - 清空所有持倉，需安全確認

投資組合功能：

• 持久存儲：跟蹤你的實際持倉和成本基礎
• 自動平均：重複購買時自動更新成本基礎
• 即時盈虧：即時顯示所有持倉的未實現盈虧
• 投資組合資源：portfolio://my-holdings自動提供人工智能上下文
• 多投資組合支持：跟蹤多個投資組合（IRA、401k、應稅等）
• ** fractional shares**：完全支持部分股份持倉

投資組合分析工具

• risk_adjusted_analysis - 基於風險的倉位調整，具備持倉感知功能
• compare_tickers - 並排比較股票（自動使用你的投資組合）
• portfolio_correlation_analysis - 相關矩陣分析（自動分析你的持倉）

智能集成：

• 所有分析工具自動檢測你的投資組合持倉
• 無需手動輸入已持有的股票代碼
• 提供基於持倉的建議（加倉/減倉、獲利了結）

股票篩選工具（預加載標準普爾500指數）

• get_maverick_stocks - 從520只標準普爾500指數股票中篩選出看漲動量股票
• get_maverick_bear_stocks - 從預分析數據中識別看跌股票
• get_trending_breakout_stocks - 篩選出處於強勁上升階段的股票，進行供需分析
• get_all_screening_recommendations - 綜合所有策略的篩選結果
• 數據庫包含定期更新的全面篩選數據

高級研究工具（新增） - 人工智能深度分析

• research_comprehensive - 使用多個人工智能代理進行全面並行研究（速度提升7 - 256倍）
• research_company - 針對特定公司進行深度研究，包括財務分析
• analyze_market_sentiment - 多源情緒分析，跟蹤信心度
• coordinate_agents - 多代理監督器，用於複雜研究編排

研究功能：

• 並行執行：通過智能代理編排，速度提升7 - 256倍
• 自適應超時：根據研究深度和複雜度，設置120 - 600秒的超時時間
• 智能模型選擇：通過OpenRouter自動從400多種模型中選擇
• 成本優化：通過智能模型路由，降低40 - 60%的成本
• 提前終止：基於信心度提前停止，節省時間和成本
• 內容過濾：優先選擇高可信度的來源
• 錯誤恢復：具備斷路器和全面的錯誤處理機制

回測工具（新增） - 生產就緒的策略測試

• run_backtest - 使用VectorBT引擎執行任何策略的回測
• compare_strategies - 策略比較的A/B測試框架
• optimize_strategy - 進行參數調整的前向優化
• analyze_backtest_results - 全面的性能指標和風險分析
• get_backtest_report - 生成詳細的HTML報告

回測功能：

• 15種以上的內置策略：包括基於機器學習的自適應、集成和制度感知算法
• VectorBT集成：高性能向量回測引擎
• 並行處理：多策略評估速度提升7 - 256倍
• 高級指標：夏普比率、索提諾比率、卡爾瑪比率、最大回撤、勝率
• 前向優化：樣本外測試和驗證
• 蒙特卡羅模擬：進行魯棒性測試，提供置信區間
• 多時間框架支持：從1分鐘到月度數據
• 自定義策略開發：易於使用的模板，用於自定義策略

資源

• stock://{ticker} - 獲取某隻股票最近一年的數據
• stock://{ticker}/{start_date}/{end_date} - 獲取某隻股票在指定日期範圍內的數據
• stock_info://{ticker} - 獲取某隻股票的基本信息

提示

• stock_analysis(ticker) - 全面的股票分析提示
• market_comparison(tickers) - 比較多隻股票
• portfolio_optimization(tickers, risk_profile) - 投資組合優化指導

測試示例 - 驗證所有功能

通過以下示例測試MaverickMCP的綜合研究能力和並行處理改進：

核心研究功能

1. 帶超時保護的基本研究

"Research the current state of the AI semiconductor industry and identify the top 3 investment opportunities"

• 測試內容：基本研究、自適應超時、行業分析

2. 使用並行代理的全面公司研究

"Provide comprehensive research on NVDA including fundamental analysis, technical indicators, competitive positioning, and market sentiment using multiple research approaches"

• 測試內容：並行編排、多代理協調、公司研究

3. 成本優化的快速研究

"Give me a quick overview of AAPL's recent earnings and stock performance"

• 測試內容：智能模型選擇、成本優化、快速分析

性能測試

4. 並行性能基準測試

"Research and compare MSFT, GOOGL, and AMZN simultaneously focusing on cloud computing revenue growth"

• 測試內容：並行執行速度提升（7 - 256倍）、多公司分析

5. 帶提前終止的深度研究

"Conduct exhaustive research on Tesla's autonomous driving technology and its impact on the stock valuation"

• 測試內容：深度研究深度、信心跟蹤、提前終止（0.85閾值）

錯誤處理與恢復

6. 錯誤恢復和斷路器測試

"Research 10 penny stocks with unusual options activity and provide risk assessments for each"

• 測試內容：斷路器激活、錯誤處理、回退機制

7. 監督代理協調

"Analyze the renewable energy sector using both technical and fundamental analysis approaches, then synthesize the findings into actionable investment recommendations"

• 測試內容：監督路由、代理協調、結果綜合

高級功能

8. 帶內容過濾的情緒分析

"Analyze market sentiment for Bitcoin and cryptocurrency stocks over the past week, filtering for high-credibility sources only"

• 測試內容：情緒分析、內容過濾、來源可信度

9. 超時壓力測試

"Research the entire S&P 500 technology sector companies and rank them by growth potential"

• 測試內容：超時管理、大規模分析、負載下的性能

10. 多模式研究集成

"Research AMD using technical analysis, then find recent news about their AI chips, analyze competitor Intel's position, and provide a comprehensive investment thesis with risk assessment"

• 測試內容：所有研究模式、集成、綜合、風險評估

額外邊緣情況測試

11. 空/無效查詢處理

"Research [intentionally leave blank or use symbol that doesn't exist like XYZABC]"

• 測試內容：錯誤消息、有用的修復建議

12. 令牌預算優化

"Provide the most comprehensive possible analysis of the entire semiconductor industry including all major players, supply chain dynamics, geopolitical factors, and 5-year projections"

• 測試內容：漸進式令牌分配、預算管理、深度與廣度

預期性能指標

運行這些測試時，你應該觀察到：

• 並行加速：多實體查詢速度提升7 - 256倍
• 響應時間：簡單查詢約10秒，複雜研究30 - 120秒
• 成本效率：與僅使用高級模型相比，成本降低60 - 80%
• 信心分數：當信心度 > 0.85時提前終止
• 錯誤恢復：優雅降級，無崩潰
• 模型選擇：根據任務自動路由到最佳模型

Docker（可選）

對於容器化部署：

# 複製並配置環境
cp .env.example .env

# 在Docker中使用uv（推薦，以實現更快的構建）
docker build -t maverick_mcp .
docker run -p 8003:8003 --env-file .env maverick_mcp

# 或者使用docker-compose啟動
docker-compose up -d

注意：Dockerfile使用uv實現快速依賴安裝和更小的鏡像大小。

故障排除

常見問題

Claude Desktop中工具消失：

• 解決方案：確保SSE端點有尾隨斜槓：http://localhost:8003/sse/
• 從/sse到/sse/的307重定向會導致工具註冊失敗
• 始終使用上述帶有尾隨斜槓的精確配置

研究工具超時：

• 研究工具具有自適應超時（120 - 600秒）
• 深度研究可能需要2 - 10分鐘，具體取決於複雜度
• 使用make tail-log在服務器日誌中監控進度

OpenRouter無法工作：

• 確保在.env中設置了OPENROUTER_API_KEY
• 在openrouter.ai檢查API密鑰的有效性
• 如果OpenRouter不可用，系統會回退到直接提供商

# 常見開發問題
make tail-log          # 查看服務器日誌
make stop              # 如果端口被佔用，停止服務
make clean             # 清理緩存文件

# 快速修復：
# 端口8003被佔用 → make stop
# Redis連接被拒絕 → brew services start redis
# 測試失敗 → make test（僅運行單元測試）
# 啟動緩慢 → ./tools/fast_dev.sh
# 缺少標準普爾500指數數據 → uv run python scripts/seed_sp500.py
# 研究超時 → 檢查日誌，增加超時設置

擴展MaverickMCP

使用簡單的裝飾器添加自定義金融分析工具：

@mcp.tool()
def my_custom_indicator(ticker: str, period: int = 14):
    """Calculate custom technical indicator."""
    # Your analysis logic here
    return {"ticker": ticker, "signal": "buy", "confidence": 0.85}

@mcp.resource("custom://analysis/{ticker}")
def custom_analysis(ticker: str):
    """Custom analysis resource."""
    # Your resource logic here
    return f"Custom analysis for {ticker}"

開發工具

快速開發工作流程

make dev               # 啟動所有服務
make stop              # 停止服務
make tail-log          # 跟蹤服務器日誌
make test              # 快速運行測試
make experiment        # 測試自定義分析腳本

智能錯誤處理

MaverickMCP包含有用的錯誤診斷信息：

• 數據框列大小寫敏感 → 顯示正確的列名
• 連接失敗 → 提供具體的修復命令
• 導入錯誤 → 顯示確切的安裝命令
• 數據庫問題 → 建議使用SQLite回退

快速開發選項

• 熱重載：uv run python tools/hot_reload.py - 文件更改時自動重啟
• 快速啟動：./tools/fast_dev.sh - 啟動時間小於3秒
• 快速測試：uv run python tools/quick_test.py --test stock - 測試特定功能
• 實驗框架：將.py文件放入tools/experiments/目錄，自動執行

性能特性

• 並行篩選：使用ProcessPoolExecutor，股票分析速度提高4倍
• 智能緩存：@quick_cache裝飾器，實現即時重新運行
• 優化測試：單元測試在5 - 10秒內完成

🔧 技術細節

近期更新

生產就緒的回測框架（新增）

• VectorBT集成：高性能向量回測引擎，提供機構級性能
• 15種以上的內置策略：包括基於機器學習的自適應、集成和制度感知算法
• 並行處理：多策略評估和優化速度提升7 - 256倍
• 高級分析：全面的指標，包括夏普比率、索提諾比率、卡爾瑪比率和回撤分析
• 前向優化：樣本外測試，自動調整參數
• 蒙特卡羅模擬：進行魯棒性測試，提供置信區間
• LangGraph工作流：多代理編排，實現智能策略選擇和驗證
• 生產特性：數據庫持久化、批處理和HTML報告

高級研究代理

• 並行研究執行：通過智能代理編排，速度提升7 - 256倍（超過2倍目標）
• 自適應超時保護：根據研究深度和複雜度，動態設置120 - 600秒的超時時間
• 智能模型選擇：與OpenRouter集成，可訪問400多種模型，成本降低40 - 60%
• 全面的錯誤處理：斷路器、重試邏輯和優雅降級
• 提前終止：基於信心度停止，優化時間和成本
• 內容過濾：優先選擇高可信度的來源，確保結果質量
• 多代理編排：使用監督器模式，協調複雜研究

性能改進

• 並行代理執行：併發代理數量從4增加到6
• 優化信號量：使用BoundedSemaphore，實現更好的資源管理
• 減少速率限制：延遲從0.5秒降低到0.05秒
• 批處理：提高多個研究任務的吞吐量
• 智能緩存：由Redis提供支持，具備內存回退機制

測試與質量

• 84%的測試覆蓋率：93個測試用例，全面覆蓋
• 零代碼檢查錯誤：修復947個問題，確保代碼庫乾淨
• 完整的類型註釋：研究組件實現完整的類型覆蓋
• 錯誤恢復測試：全面覆蓋故障場景

個人使用優化

• 無需身份驗證：去除所有身份驗證/計費複雜性，適合個人使用
• 預加載標準普爾500指數數據庫：520只股票，提供全面的篩選建議
• 簡化架構：簡潔、專注的代碼庫，實現核心股票分析功能
• 多傳輸支持：HTTP、SSE和STDIO，適用於所有MCP客戶端

開發體驗改進

• 全面的Makefile：一個命令（make dev）即可啟動所有服務，包括數據庫加載
• 智能錯誤處理：自動提供常見問題的修復建議
• 快速開發：使用./tools/fast_dev.sh啟動時間小於3秒
• 並行處理：股票篩選操作速度提高4倍
• 增強工具：支持熱重載、實驗框架和快速測試

技術改進

• 現代工具：遷移到uv和ty，實現更快的依賴管理和類型檢查
• 市場數據：改進回退邏輯和異步支持
• 緩存：智能Redis緩存，具備優雅的內存回退機制
• 數據庫：默認使用SQLite，可選擇PostgreSQL以提高性能

致謝

MaverickMCP基於以下優秀的開源項目構建：

• FastMCP - 為服務器提供支持的MCP框架
• yfinance - 市場數據訪問
• TA-Lib - 技術分析指標
• pandas & NumPy - 數據分析
• FastAPI - 現代Web框架
• 整個Python開源社區

📄 許可證

本項目採用MIT許可證，詳情請參閱LICENSE文件。可免費用於個人和商業用途。

支持

如果你覺得MaverickMCP有用，請：

• 給倉庫加星
• 通過GitHub問題報告錯誤
• 提出功能建議
• 改進文檔

---

專為交易者和投資者打造。交易愉快！

閱讀完整構建指南：How to Build an MCP Stock Analysis Server

免責聲明

_{本軟件僅用於教育和信息目的，不構成金融建議。}

_{投資風險警告：過去的表現並不保證未來的結果。所有投資都有損失的風險，包括全部本金損失。技術分析和篩選結果不能預測未來表現。市場數據可能存在延遲、不準確或不完整的情況。}

_{無專業建議：本工具僅提供數據分析，不提供投資建議。在做出投資決策之前，請始終諮詢合格的金融顧問。開發者不是持牌金融顧問或投資專業人士。本軟件中的任何內容均不構成專業的金融、投資、法律或稅務建議。}

_{數據和準確性：市場數據由第三方來源（Tiingo、Yahoo Finance、FRED）提供。數據可能包含錯誤、延遲或遺漏。技術指標是基於歷史數據的數學計算。不保證數據的準確性或完整性。}

_{監管合規：美國用戶 - 本軟件未在SEC、CFTC或其他監管機構註冊。國際用戶 - 在使用前請檢查當地金融軟件法規。用戶有責任遵守所有適用的法律法規。某些功能可能在某些司法管轄區不可用。}

_{責任限制：開發者對投資損失或損害不承擔任何責任。請自行承擔使用本軟件的風險。不保證軟件的可用性或功能。}

_{使用MaverickMCP即表示你承認這些風險，並同意僅將本軟件用於教育目的。}