Maverick MCP

🚀 MaverickMCP - 个人股票分析MCP服务器

MaverickMCP是一款个人使用的FastMCP 2.0服务器，可直接在Claude Desktop界面中提供专业级的金融数据分析、技术指标和投资组合优化工具。它专为个人交易者和投资者设计，无需任何身份验证或复杂的计费流程，即可提供全面的股票分析功能。

该服务器预先加载了标准普尔500指数的全部520只股票，并提供跨多种策略的高级筛选建议。它支持本地运行，具备HTTP、SSE和STDIO传输选项，可与Claude Desktop和其他MCP客户端实现无缝集成。

🚀 快速开始

前提条件

• Python 3.12+：核心运行时环境
• uv：现代Python包管理器（推荐）
• TA-Lib：用于高级指标的技术分析库
• Redis（可选，用于增强缓存）
• PostgreSQL或SQLite（可选，用于数据持久化）

安装TA-Lib

TA-Lib是进行技术分析计算所必需的。

macOS和Linux（Homebrew）：

brew install ta-lib

Windows（多种选项）：

选项1：Conda/Anaconda（推荐 - 最简单）

conda install -c conda-forge ta-lib

选项2：预编译的Wheel文件

1. 从以下地址下载适合你Python版本的Wheel文件：
   • cgohlke/talib-build releases
   • 选择与你Python版本匹配的文件（例如，Python 3.12 64位系统选择TA_Lib-0.4.28-cp312-cp312-win_amd64.whl）
2. 使用pip进行安装：

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

选项3：替代预编译包

pip install TA-Lib-Precompiled

选项4：从源代码构建（高级） 如果其他方法失败，你可以从源代码进行构建：

1. 安装Microsoft C++ Build Tools
2. 下载并将ta-lib C库解压到C:\ta-lib
3. 使用Visual Studio工具进行构建
4. 运行pip install ta-lib

验证： 测试你的安装：

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

安装uv（推荐）

# 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：通过pip安装
pip install uv

安装

选项1：使用uv（推荐 - 最快）

# 克隆仓库
git clone https://github.com/wshobson/maverick-mcp.git
cd maverick-mcp

# 一键安装依赖并创建虚拟环境
uv sync

# 复制环境模板
cp .env.example .env
# 添加你的Tiingo API密钥（可在tiingo.com免费获取）

选项2：使用pip（传统方法）

# 克隆仓库
git clone https://github.com/wshobson/maverick-mcp.git
cd maverick-mcp

# 创建虚拟环境并安装
python -m venv .venv
source .venv/bin/activate  # 在Windows上使用：.venv\Scripts\activate
pip install -e .

# 复制环境模板
cp .env.example .env
# 添加你的Tiingo API密钥（可在tiingo.com免费获取）

启动服务器

# 一键启动所有服务（首次运行时会加载标准普尔500指数数据）
make dev

# 服务器启动后，可通过以下地址访问：
# - HTTP端点：http://localhost:8003/mcp/
# - SSE端点：http://localhost:8003/sse/
# - 服务器已预先加载520只标准普尔500指数股票的筛选数据

连接到Claude Desktop

推荐：SSE连接（稳定可靠） 此配置可提供稳定的工具注册功能，防止工具丢失：

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

⚠️ 重要提示

注意/sse/后面的斜杠，这是必需的，以防止重定向问题！

配置文件位置：

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

为何此配置最佳：

• 工具注册稳定 - 初始连接后工具不会消失
• 通过SSE传输实现可靠的连接管理
• 为长时间运行的分析任务提供适当的会话持久化
• 始终可使用全部29种以上的金融工具

替代方案：直接STDIO连接（仅用于开发）

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

⚠️ 重要提示

进行配置更改后，务必重启Claude Desktop。通过mcp-remote的SSE配置已经过测试，可确保稳定、持久的工具访问，不会出现连接中断的情况。

配置完成后，MaverickMCP工具将在你的Claude Desktop界面中可用。

Claude Desktop（最常用） - 推荐配置

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

选项1：STDIO（通过mcp-remote）

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

选项2：直接SSE

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

配置位置：Cursor → 设置 → MCP服务器

Claude Code CLI - 所有传输方式

HTTP传输（推荐）

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

SSE传输（替代方案）

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

STDIO传输（开发用）

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

Windsurf IDE - STDIO和SSE

选项1：STDIO（通过mcp-remote）

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

选项2：直接SSE

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

配置位置：Windsurf → 设置 → 高级设置 → MCP服务器

为何需要mcp-remote

mcp-remote工具用于弥合仅支持STDIO的客户端（如Claude Desktop）与HTTP/SSE服务器之间的差距。没有它，这些客户端将无法连接到远程MCP服务器：

• 没有mcp-remote：客户端尝试使用STDIO → 服务器期望HTTP → 连接失败
• 有mcp-remote：客户端使用STDIO → mcp-remote转换为HTTP → 服务器接收HTTP → 连接成功

✨ 主要特性

• 无需复杂设置：简单的make dev命令即可启动服务（或uv sync + make dev）
• 现代Python工具：使用uv实现闪电般快速的依赖管理
• Claude Desktop集成：原生支持MCP，实现无缝的人工智能分析
• 全面分析：29种以上的金融工具，涵盖技术指标、筛选和投资组合优化
• 智能缓存：由Redis提供支持，具备优雅的回退机制
• 快速开发：支持热重载、智能错误处理和并行处理
• 开源：采用MIT许可证，由社区驱动开发
• 教育导向：非常适合学习金融分析和MCP开发

📦 安装指南

前提条件

• Python 3.12+：核心运行时环境
• uv：现代Python包管理器（推荐）
• TA-Lib：用于高级指标的技术分析库
• Redis（可选，用于增强缓存）
• PostgreSQL或SQLite（可选，用于数据持久化）

安装TA-Lib

TA-Lib是进行技术分析计算所必需的。

macOS和Linux（Homebrew）：

brew install ta-lib

Windows（多种选项）：

选项1：Conda/Anaconda（推荐 - 最简单）

conda install -c conda-forge ta-lib

选项2：预编译的Wheel文件

1. 从以下地址下载适合你Python版本的Wheel文件：
   • cgohlke/talib-build releases
   • 选择与你Python版本匹配的文件（例如，Python 3.12 64位系统选择TA_Lib-0.4.28-cp312-cp312-win_amd64.whl）
2. 使用pip进行安装：

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

选项3：替代预编译包

pip install TA-Lib-Precompiled

选项4：从源代码构建（高级） 如果其他方法失败，你可以从源代码进行构建：

1. 安装Microsoft C++ Build Tools
2. 下载并将ta-lib C库解压到C:\ta-lib
3. 使用Visual Studio工具进行构建
4. 运行pip install ta-lib

验证： 测试你的安装：

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

安装uv（推荐）

# 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：通过pip安装
pip install uv

安装

选项1：使用uv（推荐 - 最快）

# 克隆仓库
git clone https://github.com/wshobson/maverick-mcp.git
cd maverick-mcp

# 一键安装依赖并创建虚拟环境
uv sync

# 复制环境模板
cp .env.example .env
# 添加你的Tiingo API密钥（可在tiingo.com免费获取）

选项2：使用pip（传统方法）

# 克隆仓库
git clone https://github.com/wshobson/maverick-mcp.git
cd maverick-mcp

# 创建虚拟环境并安装
python -m venv .venv
source .venv/bin/activate  # 在Windows上使用：.venv\Scripts\activate
pip install -e .

# 复制环境模板
cp .env.example .env
# 添加你的Tiingo API密钥（可在tiingo.com免费获取）

启动服务器

# 一键启动所有服务（首次运行时会加载标准普尔500指数数据）
make dev

# 服务器启动后，可通过以下地址访问：
# - HTTP端点：http://localhost:8003/mcp/
# - SSE端点：http://localhost:8003/sse/
# - 服务器已预先加载520只标准普尔500指数股票的筛选数据

💻 使用示例

基础用法

# 以下是一些基础的使用示例，代码和注释保持不变
# 启动服务器
make dev

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

高级用法

# 高级场景说明：在高级用法中，你可以使用MaverickMCP提供的更多功能，如自定义工具和资源
# 添加自定义金融分析工具
@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}"

📚 详细文档

可用工具

MaverickMCP提供39种以上的金融分析工具，按类别组织，包括高级的人工智能研究代理：

开发命令

# 启动服务器（一键启动！）
make dev

# 替代启动方法
./scripts/start-backend.sh --dev    # 基于脚本的启动方式
./tools/fast_dev.sh                 # 超快速启动（< 3秒）
uv run python tools/hot_reload.py   # 文件更改时自动重启

# 服务器将在以下地址可用：
# - HTTP端点：http://localhost:8003/mcp/（可流式传输的HTTP - 与mcp-remote一起使用）
# - SSE端点：http://localhost:8003/sse/（SSE - 仅支持直接连接，不支持mcp-remote）
# - 健康检查：http://localhost:8003/health

测试

# 快速测试命令
make test              # 运行单元测试（5 - 10秒）
make test-specific TEST=test_name  # 运行特定测试
make test-watch        # 文件更改时自动运行测试

# 使用uv（推荐）
uv run pytest                 # 仅运行单元测试
uv run pytest --cov=maverick_mcp  # 运行带覆盖率的测试
uv run pytest -m ""           # 运行所有测试（需要PostgreSQL/Redis）

# 替代方法：直接使用pytest（如果在虚拟环境中激活）
pytest                 # 仅运行单元测试
pytest --cov=maverick_mcp  # 运行带覆盖率的测试
pytest -m ""           # 运行所有测试（需要PostgreSQL/Redis）

代码质量

# 快速质量检查命令
make lint              # 检查代码质量（ruff）
make format            # 自动格式化代码（ruff）
make typecheck         # 运行类型检查（ty）

# 使用uv（推荐）
uv run ruff check .    # 代码检查
uv run ruff format .   # 代码格式化
uv run ty check .      # 类型检查（Astral的现代类型检查器）

# 替代方法：直接使用命令（如果在虚拟环境中激活）
ruff check .           # 代码检查
ruff format .          # 代码格式化
ty check .             # 类型检查

# 超快速单行命令（无需安装）
uvx ty check .         # 直接运行ty，无需安装

配置

通过.env文件或环境变量配置MaverickMCP：

基本设置：

• REDIS_HOST, REDIS_PORT - Redis缓存（可选，默认为localhost:6379）
• DATABASE_URL - PostgreSQL连接或sqlite:///maverick_mcp.db（SQLite默认）
• LOG_LEVEL - 日志详细程度（INFO, DEBUG, ERROR）
• 首次启动时自动加载标准普尔500指数数据

必需的API密钥：

• TIINGO_API_KEY - 股票数据提供商（可在tiingo.com免费获取）

可选的API密钥：

• OPENROUTER_API_KEY - 强烈建议用于研究：可访问400多种人工智能模型，实现智能成本优化（节省40 - 60%的成本）
• EXA_API_KEY - 建议用于研究：具备网页搜索功能，可进行全面研究
• OPENAI_API_KEY - 直接访问OpenAI（备用）
• ANTHROPIC_API_KEY - 直接访问Anthropic（备用）
• FRED_API_KEY - 联邦储备经济数据
• TAVILY_API_KEY - 替代网页搜索提供商

性能设置：

• CACHE_ENABLED=true - 启用Redis缓存
• CACHE_TTL_SECONDS=3600 - 缓存持续时间

工具分类

股票数据工具

• fetch_stock_data - 获取历史股票数据，具备智能缓存功能
• fetch_stock_data_batch - 同时获取多只股票的数据
• get_news_sentiment - 分析任何股票的新闻情绪
• clear_cache / get_cache_info - 缓存管理实用工具

技术分析工具

• get_rsi_analysis - 计算RSI指标，并给出买卖信号
• get_macd_analysis - 进行MACD分析，识别趋势
• get_support_resistance - 识别关键价格水平
• get_full_technical_analysis - 全面的技术分析
• get_stock_chart_analysis - 生成可视化图表

投资组合管理工具（新增） - 个人投资组合跟踪

• portfolio_add_position - 添加或更新持仓，自动计算成本基础平均值
• portfolio_get_my_portfolio - 查看投资组合，实时计算盈亏
• portfolio_remove_position - 部分或全部移除持仓
• portfolio_clear_portfolio - 清空所有持仓，需安全确认

投资组合功能：

• 持久存储：跟踪你的实际持仓和成本基础
• 自动平均：重复购买时自动更新成本基础
• 实时盈亏：实时显示所有持仓的未实现盈亏
• 投资组合资源：portfolio://my-holdings自动提供人工智能上下文
• 多投资组合支持：跟踪多个投资组合（IRA、401k、应税等）
• ** fractional shares**：完全支持部分股份持仓

投资组合分析工具

• risk_adjusted_analysis - 基于风险的仓位调整，具备持仓感知功能
• compare_tickers - 并排比较股票（自动使用你的投资组合）
• portfolio_correlation_analysis - 相关矩阵分析（自动分析你的持仓）

智能集成：

• 所有分析工具自动检测你的投资组合持仓
• 无需手动输入已持有的股票代码
• 提供基于持仓的建议（加仓/减仓、获利了结）

股票筛选工具（预加载标准普尔500指数）

• get_maverick_stocks - 从520只标准普尔500指数股票中筛选出看涨动量股票
• get_maverick_bear_stocks - 从预分析数据中识别看跌股票
• get_trending_breakout_stocks - 筛选出处于强劲上升阶段的股票，进行供需分析
• get_all_screening_recommendations - 综合所有策略的筛选结果
• 数据库包含定期更新的全面筛选数据

高级研究工具（新增） - 人工智能深度分析

• research_comprehensive - 使用多个人工智能代理进行全面并行研究（速度提升7 - 256倍）
• research_company - 针对特定公司进行深度研究，包括财务分析
• analyze_market_sentiment - 多源情绪分析，跟踪信心度
• coordinate_agents - 多代理监督器，用于复杂研究编排

研究功能：

• 并行执行：通过智能代理编排，速度提升7 - 256倍
• 自适应超时：根据研究深度和复杂度，设置120 - 600秒的超时时间
• 智能模型选择：通过OpenRouter自动从400多种模型中选择
• 成本优化：通过智能模型路由，降低40 - 60%的成本
• 提前终止：基于信心度提前停止，节省时间和成本
• 内容过滤：优先选择高可信度的来源
• 错误恢复：具备断路器和全面的错误处理机制

回测工具（新增） - 生产就绪的策略测试

• run_backtest - 使用VectorBT引擎执行任何策略的回测
• compare_strategies - 策略比较的A/B测试框架
• optimize_strategy - 进行参数调整的前向优化
• analyze_backtest_results - 全面的性能指标和风险分析
• get_backtest_report - 生成详细的HTML报告

回测功能：

• 15种以上的内置策略：包括基于机器学习的自适应、集成和制度感知算法
• VectorBT集成：高性能向量回测引擎
• 并行处理：多策略评估速度提升7 - 256倍
• 高级指标：夏普比率、索提诺比率、卡尔玛比率、最大回撤、胜率
• 前向优化：样本外测试和验证
• 蒙特卡罗模拟：进行鲁棒性测试，提供置信区间
• 多时间框架支持：从1分钟到月度数据
• 自定义策略开发：易于使用的模板，用于自定义策略

资源

• stock://{ticker} - 获取某只股票最近一年的数据
• stock://{ticker}/{start_date}/{end_date} - 获取某只股票在指定日期范围内的数据
• stock_info://{ticker} - 获取某只股票的基本信息

提示

• stock_analysis(ticker) - 全面的股票分析提示
• market_comparison(tickers) - 比较多只股票
• portfolio_optimization(tickers, risk_profile) - 投资组合优化指导

测试示例 - 验证所有功能

通过以下示例测试MaverickMCP的综合研究能力和并行处理改进：

核心研究功能

1. 带超时保护的基本研究

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

• 测试内容：基本研究、自适应超时、行业分析

2. 使用并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"

• 测试内容：并行编排、多代理协调、公司研究

3. 成本优化的快速研究

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

• 测试内容：智能模型选择、成本优化、快速分析

性能测试

4. 并行性能基准测试

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

• 测试内容：并行执行速度提升（7 - 256倍）、多公司分析

5. 带提前终止的深度研究

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

• 测试内容：深度研究深度、信心跟踪、提前终止（0.85阈值）

错误处理与恢复

6. 错误恢复和断路器测试

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

• 测试内容：断路器激活、错误处理、回退机制

7. 监督代理协调

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

• 测试内容：监督路由、代理协调、结果综合

高级功能

8. 带内容过滤的情绪分析

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

• 测试内容：情绪分析、内容过滤、来源可信度

9. 超时压力测试

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

• 测试内容：超时管理、大规模分析、负载下的性能

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"

• 测试内容：所有研究模式、集成、综合、风险评估

额外边缘情况测试

11. 空/无效查询处理

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

• 测试内容：错误消息、有用的修复建议

12. 令牌预算优化

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

• 测试内容：渐进式令牌分配、预算管理、深度与广度

预期性能指标

运行这些测试时，你应该观察到：

• 并行加速：多实体查询速度提升7 - 256倍
• 响应时间：简单查询约10秒，复杂研究30 - 120秒
• 成本效率：与仅使用高级模型相比，成本降低60 - 80%
• 信心分数：当信心度 > 0.85时提前终止
• 错误恢复：优雅降级，无崩溃
• 模型选择：根据任务自动路由到最佳模型

Docker（可选）

对于容器化部署：

# 复制并配置环境
cp .env.example .env

# 在Docker中使用uv（推荐，以实现更快的构建）
docker build -t maverick_mcp .
docker run -p 8003:8003 --env-file .env maverick_mcp

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

注意：Dockerfile使用uv实现快速依赖安装和更小的镜像大小。

故障排除

常见问题

Claude Desktop中工具消失：

• 解决方案：确保SSE端点有尾随斜杠：http://localhost:8003/sse/
• 从/sse到/sse/的307重定向会导致工具注册失败
• 始终使用上述带有尾随斜杠的精确配置

研究工具超时：

• 研究工具具有自适应超时（120 - 600秒）
• 深度研究可能需要2 - 10分钟，具体取决于复杂度
• 使用make tail-log在服务器日志中监控进度

OpenRouter无法工作：

• 确保在.env中设置了OPENROUTER_API_KEY
• 在openrouter.ai检查API密钥的有效性
• 如果OpenRouter不可用，系统会回退到直接提供商

# 常见开发问题
make tail-log          # 查看服务器日志
make stop              # 如果端口被占用，停止服务
make clean             # 清理缓存文件

# 快速修复：
# 端口8003被占用 → make stop
# Redis连接被拒绝 → brew services start redis
# 测试失败 → make test（仅运行单元测试）
# 启动缓慢 → ./tools/fast_dev.sh
# 缺少标准普尔500指数数据 → uv run python scripts/seed_sp500.py
# 研究超时 → 检查日志，增加超时设置

扩展MaverickMCP

使用简单的装饰器添加自定义金融分析工具：

@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}"

开发工具

快速开发工作流程

make dev               # 启动所有服务
make stop              # 停止服务
make tail-log          # 跟踪服务器日志
make test              # 快速运行测试
make experiment        # 测试自定义分析脚本

智能错误处理

MaverickMCP包含有用的错误诊断信息：

• 数据框列大小写敏感 → 显示正确的列名
• 连接失败 → 提供具体的修复命令
• 导入错误 → 显示确切的安装命令
• 数据库问题 → 建议使用SQLite回退

快速开发选项

• 热重载：uv run python tools/hot_reload.py - 文件更改时自动重启
• 快速启动：./tools/fast_dev.sh - 启动时间小于3秒
• 快速测试：uv run python tools/quick_test.py --test stock - 测试特定功能
• 实验框架：将.py文件放入tools/experiments/目录，自动执行

性能特性

• 并行筛选：使用ProcessPoolExecutor，股票分析速度提高4倍
• 智能缓存：@quick_cache装饰器，实现即时重新运行
• 优化测试：单元测试在5 - 10秒内完成

🔧 技术细节

近期更新

生产就绪的回测框架（新增）

• VectorBT集成：高性能向量回测引擎，提供机构级性能
• 15种以上的内置策略：包括基于机器学习的自适应、集成和制度感知算法
• 并行处理：多策略评估和优化速度提升7 - 256倍
• 高级分析：全面的指标，包括夏普比率、索提诺比率、卡尔玛比率和回撤分析
• 前向优化：样本外测试，自动调整参数
• 蒙特卡罗模拟：进行鲁棒性测试，提供置信区间
• LangGraph工作流：多代理编排，实现智能策略选择和验证
• 生产特性：数据库持久化、批处理和HTML报告

高级研究代理

• 并行研究执行：通过智能代理编排，速度提升7 - 256倍（超过2倍目标）
• 自适应超时保护：根据研究深度和复杂度，动态设置120 - 600秒的超时时间
• 智能模型选择：与OpenRouter集成，可访问400多种模型，成本降低40 - 60%
• 全面的错误处理：断路器、重试逻辑和优雅降级
• 提前终止：基于信心度停止，优化时间和成本
• 内容过滤：优先选择高可信度的来源，确保结果质量
• 多代理编排：使用监督器模式，协调复杂研究

性能改进

• 并行代理执行：并发代理数量从4增加到6
• 优化信号量：使用BoundedSemaphore，实现更好的资源管理
• 减少速率限制：延迟从0.5秒降低到0.05秒
• 批处理：提高多个研究任务的吞吐量
• 智能缓存：由Redis提供支持，具备内存回退机制

测试与质量

• 84%的测试覆盖率：93个测试用例，全面覆盖
• 零代码检查错误：修复947个问题，确保代码库干净
• 完整的类型注释：研究组件实现完整的类型覆盖
• 错误恢复测试：全面覆盖故障场景

个人使用优化

• 无需身份验证：去除所有身份验证/计费复杂性，适合个人使用
• 预加载标准普尔500指数数据库：520只股票，提供全面的筛选建议
• 简化架构：简洁、专注的代码库，实现核心股票分析功能
• 多传输支持：HTTP、SSE和STDIO，适用于所有MCP客户端

开发体验改进

• 全面的Makefile：一个命令（make dev）即可启动所有服务，包括数据库加载
• 智能错误处理：自动提供常见问题的修复建议
• 快速开发：使用./tools/fast_dev.sh启动时间小于3秒
• 并行处理：股票筛选操作速度提高4倍
• 增强工具：支持热重载、实验框架和快速测试

技术改进

• 现代工具：迁移到uv和ty，实现更快的依赖管理和类型检查
• 市场数据：改进回退逻辑和异步支持
• 缓存：智能Redis缓存，具备优雅的内存回退机制
• 数据库：默认使用SQLite，可选择PostgreSQL以提高性能

致谢

MaverickMCP基于以下优秀的开源项目构建：

• FastMCP - 为服务器提供支持的MCP框架
• yfinance - 市场数据访问
• TA-Lib - 技术分析指标
• pandas & NumPy - 数据分析
• FastAPI - 现代Web框架
• 整个Python开源社区

📄 许可证

本项目采用MIT许可证，详情请参阅LICENSE文件。可免费用于个人和商业用途。

支持

如果你觉得MaverickMCP有用，请：

• 给仓库加星
• 通过GitHub问题报告错误
• 提出功能建议
• 改进文档

---

专为交易者和投资者打造。交易愉快！

阅读完整构建指南：How to Build an MCP Stock Analysis Server

免责声明

_{本软件仅用于教育和信息目的，不构成金融建议。}

_{投资风险警告：过去的表现并不保证未来的结果。所有投资都有损失的风险，包括全部本金损失。技术分析和筛选结果不能预测未来表现。市场数据可能存在延迟、不准确或不完整的情况。}

_{无专业建议：本工具仅提供数据分析，不提供投资建议。在做出投资决策之前，请始终咨询合格的金融顾问。开发者不是持牌金融顾问或投资专业人士。本软件中的任何内容均不构成专业的金融、投资、法律或税务建议。}

_{数据和准确性：市场数据由第三方来源（Tiingo、Yahoo Finance、FRED）提供。数据可能包含错误、延迟或遗漏。技术指标是基于历史数据的数学计算。不保证数据的准确性或完整性。}

_{监管合规：美国用户 - 本软件未在SEC、CFTC或其他监管机构注册。国际用户 - 在使用前请检查当地金融软件法规。用户有责任遵守所有适用的法律法规。某些功能可能在某些司法管辖区不可用。}

_{责任限制：开发者对投资损失或损害不承担任何责任。请自行承担使用本软件的风险。不保证软件的可用性或功能。}

_{使用MaverickMCP即表示你承认这些风险，并同意仅将本软件用于教育目的。}