aigroup-quant-mcp 1.0.22

AI Group Quantitative Analysis MCP Service

aigroup-quant-mcp - Roo-Code量化分析MCP服务

🎯 专为Roo-Code设计的MCP量化分析服务 - 通过MCP协议提供强大的量化分析工具

---

🚀 快速开始（Roo-Code用户）

一键启动MCP服务

# 使用uvx快速启动（推荐，无需安装）
uvx aigroup-quant-mcp

就这么简单！ MCP服务会自动：

• ✅ 下载最新版本
• ✅ 配置轻量级依赖（仅~50MB）
• ✅ 启动并连接到Roo-Code
• ✅ 提供7个专业量化工具

配置Roo-Code

MCP服务已自动配置在Roo-Code中，您可以直接使用以下工具：

工具	功能	用途
preprocess_data	数据预处理	加载CSV数据并自动清洗
generate_alpha158	Alpha158因子生成	生成158个技术指标因子
calculate_factor	单因子计算	计算动量、波动率等6种基础因子
evaluate_factor_ic	因子评估	评估因子IC并生成报告
apply_processor_chain	数据标准化	智能标准化处理（单商品/多商品自动适配）
list_factors	查看因子	列出所有已加载的数据和因子
quick_start_lstm	一键LSTM	自动化LSTM工作流（数据→因子→训练）

---

🎯 典型工作流程

场景1：快速因子分析

// 1. 预处理数据
{
  "tool": "preprocess_data",
  "params": {
    "file_path": "./data/stock_data.csv",
    "data_id": "my_stock_data"
  }
}

// 2. 生成Alpha158因子
{
  "tool": "generate_alpha158",
  "params": {
    "data_id": "my_stock_data",
    "result_id": "alpha158_factors"
  }
}

// 3. 评估因子并生成报告
{
  "tool": "evaluate_factor_ic",
  "params": {
    "factor_name": "alpha158_factors",
    "data_id": "my_stock_data",
    "method": "spearman",
    "report_path": "./reports/factor_evaluation.md"
  }
}

场景2：一键LSTM建模

{
  "tool": "quick_start_lstm",
  "params": {
    "data_file": "./data/stock_data.csv",
    "project_name": "my_quant_project"
  }
}

这一个工具会自动完成：

1. ✅ 数据加载和清洗
2. ✅ Alpha158因子生成
3. ✅ 数据标准化
4. ✅ LSTM模型训练

---

📦 安装方式

方式1：uvx（推荐，无需安装）

# 直接运行最新版本
uvx aigroup-quant-mcp

# 或指定版本
uvx aigroup-quant-mcp@1.0.17

优点：

• ⚡ 快速启动（几秒钟）
• 🔄 自动获取最新版本
• 💾 无需本地安装
• 🎯 轻量级依赖（~50MB）

方式2：pip安装

# 基础安装（仅核心依赖）
pip install aigroup-quant-mcp

# 完整安装（包含深度学习）
pip install aigroup-quant-mcp[full]

# 运行
aigroup-quant-mcp

可选依赖说明

• 核心依赖（默认）：pandas, numpy, scipy, mcp
• [ml]：lightgbm, xgboost, scikit-learn（机器学习）
• [dl]：torch（深度学习，需要时再装）
• [full]：所有功能（适合完整开发）

---

✨ 核心特性

1️⃣ 智能数据预处理

• ✅ 自动清洗：自动处理缺失值和异常值
• ✅ 智能导出：清洗后数据自动保存
• ✅ 质量评估：自动生成数据质量报告

2️⃣ Alpha158因子库

• 📊 158个技术指标：Qlib级专业因子库
• 🎯 分类清晰：K线(9) + 价格(5) + 成交量(5) + 滚动统计(139)
• 🔧 灵活配置：支持自定义窗口和因子组合
• 💾 导出支持：可导出CSV/JSON便于查看

3️⃣ 因子评估

• 📈 IC分析：Spearman/Pearson相关性分析
• 📊 ICIR计算：信息比率评估因子稳定性
• 📝 报告生成：自动生成Markdown评估报告
• 🎯 质量评级：智能评估因子有效性

4️⃣ 智能标准化

• 🤖 自动识别：单商品/多商品自动适配
• 🔄 智能切换：CSZScoreNorm自动优化
• ✅ 避免NaN：单商品自动使用ZScoreNorm
• 📊 透明化：明确告知调整原因

---

📋 工具详细说明

preprocess_data

加载CSV数据并自动清洗

参数：

• file_path：CSV文件路径
• data_id：数据唯一标识
• auto_clean：是否自动清洗（默认true）
• export_path：导出路径（可选）

返回：

• 数据摘要（行数、列数、日期范围）
• 数据质量评估
• 清洗详情
• 导出信息

generate_alpha158

生成Alpha158因子集

参数：

• data_id：数据源ID
• result_id：结果ID
• kbar：是否生成K线因子（默认true）
• price：是否生成价格因子（默认true）
• volume：是否生成成交量因子（默认true）
• rolling：是否生成滚动统计因子（默认true）
• rolling_windows：窗口大小列表
• export_path：导出路径（可选）

返回：

• 因子数量和分类统计
• 数据质量评估
• 导出信息

evaluate_factor_ic

评估因子IC并生成报告

参数：

• factor_name：因子名称
• data_id：数据源ID
• method：计算方法（spearman/pearson）
• report_path：报告保存路径（可选，新增于v1.0.16）

返回：

• IC指标（IC均值、IC标准差、ICIR、IC正值占比）
• 因子质量评级
• 预测方向和预测能力分析
• 使用建议

新增功能（v1.0.16）：

• ✨ 自动生成Markdown格式评估报告
• 📊 包含详细的指标解读
• 💡 提供后续步骤指引

apply_processor_chain

智能数据标准化

参数：

• data_id：数据源ID
• result_id：结果ID
• processors：处理器配置列表

特点：

• 🤖 自动识别单商品/多商品
• 🔄 CSZScoreNorm自动优化
• ✅ 避免单商品100% NaN问题

推荐用法：

{
  "processors": [
    {"name": "CSZScoreNorm"}
  ]
}

系统会自动判断并选择最佳标准化方法。

list_factors

列出所有已加载的数据和因子

参数：无

返回：

• 数据列表
• 因子列表
• 每个因子的类型和形状

quick_start_lstm

一键LSTM工作流

参数：

• data_file：CSV文件路径
• project_name：项目名称

自动完成：

1. 数据预处理
2. Alpha158因子生成
3. 数据标准化
4. LSTM模型训练

---

🆕 版本更新

v1.0.17 (2024-10-24) - 性能优化

⚡ 解决uvx安装卡住问题

• 将torch等重量级依赖移到可选依赖
• 基础安装仅需~50MB（原2GB）
• uvx启动从几分钟降至几秒

v1.0.16 (2024-10-24) - Bug修复与功能增强

🐛 Critical Bug Fix

• 修复evaluate_factor_ic返回NoneType错误
• 函数定义与实现分离问题已解决

✨ 新增功能

• 因子评估报告生成（Markdown格式）
• 支持report_path参数

v1.0.15 及更早版本

查看 CHANGELOG.md 了解完整更新历史。

---

📚 高级使用（Python API）

如果您需要在Python脚本中使用，可以直接导入：

from quantanalyzer.data import DataLoader
from quantanalyzer.factor import Alpha158Generator, FactorEvaluator

# 加载数据
loader = DataLoader()
data = loader.load_from_csv("stock_data.csv")

# 生成因子
generator = Alpha158Generator(data)
factors = generator.generate_all(rolling_windows=[5, 10, 20])

# 评估因子
returns = data['close'].groupby(level=1).pct_change().shift(-1)
evaluator = FactorEvaluator(factors, returns)
ic_metrics = evaluator.calculate_ic(method='spearman')

print(f"IC均值: {ic_metrics['ic_mean']:.4f}")
print(f"ICIR: {ic_metrics['icir']:.4f}")

更多Python API示例请查看 examples/ 目录。

---

📂 项目结构

aigroup-quant-mcp/
├── quantanalyzer/              # 核心包
│   ├── mcp/                    # MCP服务
│   │   ├── server.py          # MCP服务器
│   │   ├── handlers.py        # 工具处理函数
│   │   ├── schemas.py         # 工具Schema定义
│   │   └── ...
│   ├── data/                   # 数据层
│   ├── factor/                 # 因子层
│   │   ├── alpha158.py        # Alpha158因子
│   │   ├── evaluator.py       # 因子评估
│   │   └── library.py         # 基础因子
│   ├── model/                  # 模型层
│   └── backtest/               # 回测层
├── examples/                   # 示例脚本
├── exports/                    # 导出数据目录
├── reports/                    # 评估报告目录
├── pyproject.toml             # 项目配置
├── CHANGELOG.md               # 更新日志
└── README.md                  # 本文档

---

🔧 故障排除

uvx安装卡住

问题：uvx aigroup-quant-mcp 卡住不动

解决：

1. 确保使用v1.0.17或更高版本
2. 检查网络连接
3. 尝试清除缓存：uvx --no-cache aigroup-quant-mcp

因子评估返回错误

问题：evaluate_factor_ic返回NoneType

解决：

1. 升级到v1.0.16或更高版本
2. 确保因子已正确生成
3. 使用list_factors查看可用因子

单商品数据标准化后全是NaN

问题：使用CSZScoreNorm后数据全是NaN

解决：

1. 升级到v1.0.14或更高版本
2. 系统会自动切换为ZScoreNorm
3. 或手动使用ZScoreNorm处理器

---

📖 文档

• CHANGELOG.md - 完整更新日志
• RELEASE_v1.0.16.md - v1.0.16发布说明
• QLIB_WORKFLOW_GUIDE.md - Qlib工作流程指南
• examples/ - 示例代码

---

🤝 贡献

欢迎提交Issue和Pull Request！

1. Fork项目
2. 创建功能分支
3. 提交更改
4. 开启Pull Request

---

📄 许可证

MIT License - 查看 LICENSE 了解详情

---

🙏 鸣谢

• Qlib - 量化分析框架
• MCP - 模型上下文协议
• Roo-Code - AI编程助手

---

📞 支持

• 💬 提交 GitHub Issue
• 📧 邮件：[e-mail]
• 📚 文档：查看项目文档和示例

---

立即开始: uvx aigroup-quant-mcp 🚀