aigroup-quant-mcp - AI量化分析MCP服务
🎯 专业量化分析MCP服务 - 提供完整的量化分析工作流，支持15种机器学习算法和Alpha158因子库
✨ 核心特性
🚀 完整量化工作流
- 数据预处理: 智能中英文列名识别，自动数据清洗
- 因子计算: 支持单因子和Alpha158因子库（158个技术因子）
- 因子评估: IC评估和因子质量分析
- 机器学习建模: 15种传统机器学习算法
- 模型预测: 样本外预测和结果导出
🤖 丰富的机器学习算法
- 线性模型: linear, ridge, lasso, elasticnet, logistic
- 基于树的模型: lightgbm, xgboost, catboost, random_forest, gradient_boosting, decision_tree
- 支持向量机: svm, svr
- 其他算法: naive_bayes, knn
🧠 智能数据处理
- 智能标准化: 自动识别单商品/多商品数据，优化标准化方法
- 中英文列名识别: 自动识别和转换各种列名格式
- 数据质量检查: 自动检测和处理缺失值、异常值
🛠️ 快速开始
安装方式
方式1: 使用uvx（推荐）
uvx aigroup-quant-mcp方式2: 使用pip
# 基础安装（快速启动）
pip install aigroup-quant-mcp
# 安装机器学习支持
pip install aigroup-quant-mcp[full]
# 完整安装（所有功能）
pip install aigroup-quant-mcp[full,viz]MCP配置
在RooCode的设置中添加以下配置：
{
"mcpServers": {
"aigroup-quant-mcp": {
"command": "uvx",
"args": [
"aigroup-quant-mcp"
],
"env": {},
"alwaysAllow": [
"preprocess_data",
"calculate_factor",
"generate_alpha158",
"merge_factor_data",
"evaluate_factor_ic",
"apply_processor_chain",
"train_ml_model",
"predict_ml_model",
"list_factors"
]
}
}
}📊 完整工作流示例
步骤1: 数据预处理
preprocess_data(
file_path="./data/stock_data.csv",
data_id="stock_2023",
auto_clean=True,
export_path="./exports/cleaned_data.csv"
)步骤2: 生成Alpha158因子
generate_alpha158(
data_id="stock_2023",
export_path="./exports/alpha158_factors.csv"
)步骤3: 训练模型
train_ml_model(
data_id="stock_2023",
model_type="lightgbm",
train_start="2023-01-01",
train_end="2023-10-31",
test_start="2023-11-01",
test_end="2023-12-31",
export_path="./exports/trained_model.pkl"
)步骤4: 模型预测
predict_ml_model(
data_id="stock_2023",
model_path="./exports/trained_model.pkl",
predict_start="2023-12-01",
predict_end="2023-12-31",
export_path="./exports/predictions.csv"
)📚 文档
📃 许可证
本项目采用MIT许可证，详见LICENSE文件。