Sablier MCP

Sablier MCP服务器

  

一 MCP（模型上下文协议） 该服务器允许AI助手在2分钟内分析投资组合、压力测试场景、生成合成市场路径并扫描SEC文件。

这有什么作用

将Sablier连接到Claude、ChatGPT或任何兼容MCP的AI助手。代理人将获得约70个工具，用于：

扫描SEC文件和财报电话 -人工智能读取每家公司的10-K、10-Q文件和电话财报会议记录，然后评分每一次持股对你询问的任何主题的暴露程度（0-100分制，有证据）。 _“我的投资组合对中国供应链风险的敞口有多大？”_ --以秒为单位进行评分、证明和排名。

计算因子敞口 --衡量每只股票对市场驱动因素（利率、波动率指数、美元指数、石油、信贷息差等）的反应。因子贝塔系数是根据最近数据的滚动窗口估算的，因此它们反映了当前的市场状况。支持线性和非线性（GAM）因子模型。

情景压力测试 — _“如果VIX达到40怎么办？”_ 或 _“如果美联储将利率提高到6%怎么办？”_ 运行蒙特卡洛模拟，以获得每项资产的预期回报、风险价值、预期缺口和全部回报分布。

生成合成市场路径 --训练一个关于资产和要素联合分配的生成流模型。生成数百个现实的未来轨迹，可选择约束(_“黄金保持在3000美元以上的路径”_).跨多种场景的前瞻性测试策略。

实时市场情报 --一次通话即可获得彭博终端级简报，其中包含50多个指标、z评分、制度信号和跨资产分析。

管理投资组合 --使用实时价格、绩效分析（夏普比率、最大提款、波动率）、优化和高效前沿计算创建和跟踪投资组合。

速度

不到2分钟，端到端。 投资组合创建->模型训练->因子贝塔->压力情景->SEC备案分析。所有这些都在一次谈话中。 同样的工作流程——收集文件、构建因子模型、运行模拟、撰写风险备忘录——需要一个由分析师和定量分析师组成的团队 从几天到几周.Sabier将其压缩为一次聊天。

快速开始

选项A:Claude Desktop/Claude.ai（建议无需安装）

添加到您的 claude_desktop_config.json:

{
  "mcpServers": {
    "sablier": {
      "type": "url",
      "url": "https://sablier-mcp-215397666394.us-central1.run.app/mcp/"
    }
  }
}

就是这样。第一次使用时，Claude会打开一个浏览器窗口——注册或使用您的Sablier帐户登录。不需要API密钥。

选项B:ChatGPT（开发人员模式）

1. 首选 设置->开发者模式 并启用它
2. 首选 连接器->添加连接器
3. 输入：

- 名称: Sablier - 服务器URL: https://sablier-mcp-215397666394.us-central1.run.app/mcp/

1. 在新聊天中，通过激活 “+”->更多->开发者模式

选项C：克劳德代码（本地，标准输入）

# Clone and install
git clone https://github.com/sablier-it/sablier-mcp.git
cd sablier-mcp
uv sync

# Register with Claude Code
claude mcp add sablier -- uv --directory /path/to/sablier-mcp run sablier-mcp

# Set your API key (get one from sablier-ai.com)
export SABLIER_API_KEY=sk_live_your_key_here

工具（~70）

市场情报

投资组合管理

定性分析（美国证券交易委员会文件和收益电话）

定量分析（因子模型）

压力测试和场景

生成模拟（流）

功能目录

交易规则

衍生品

市场数据

账户和账单

对话示例

1.在一次对话中进行全面的风险分析

You:   Create a portfolio with AAPL 40%, MSFT 30%, NVDA 30%.
       Then stress-test it for a recession — VIX at 35, 10Y at 5.5%, SPY at 380.

Agent: 1. create_portfolio("Tech Portfolio", ["AAPL", "MSFT", "NVDA"], [0.4, 0.3, 0.3])
       2. list_feature_set_templates()  →  picks "Macro + Volatility" set
       3. analyze_quantitative(portfolio_id, conditioning_set_id)
          →  trains models, computes factor betas per asset
       4. compute_returns(sim_batch_id, {"VIX": 35, "US 10Y": 5.5, "SPY": 380})
          →  per-asset expected returns, VaR (95%), Expected Shortfall

       Result: Portfolio expected return = -8.2%, VaR(95%) = -14.5%
       NVDA most exposed (-12.1%), MSFT most defensive (-4.8%)

2.SEC专题风险备案分析

You:   How exposed are the Magnificent 7 to AI regulation risk?

Agent: 1. analyze_qualitative(
            tickers=["AAPL", "MSFT", "GOOGL", "AMZN", "NVDA", "META", "TSLA"],
            themes=["AI regulation risk"]
       )
       2. Returns per-ticker scores (0-100) with evidence from 10-K filings:
          - META: 82/100 (HIGH) — "government regulation of AI... could limit our ability
            to deploy AI features across our family of apps"
          - GOOGL: 78/100 — "new AI regulations could require us to restrict or modify
            products and services"
          - NVDA: 71/100 — "export controls... restrictions on AI chip sales to China"
          - TSLA: 31/100 (LOW) — limited AI regulation mentions in filings

3.生成性情景分析

You:   I want to see how a gold + bonds portfolio performs over the next quarter
       in scenarios where inflation stays high.

Agent: 1. create_portfolio("Inflation Hedge", ["GLD", "TLT", "IAU"], [0.4, 0.4, 0.2])
       2. train_flow_model(model_group_id, horizon=60)
          →  dispatches GPU training job (~5-15 min async)
       3. check_flow_job(job_id) until completed; flow_validate(model_group_id)
          →  confirms model quality before generating paths
       4. generate_flow_paths(model_group_id, n_paths=500)
          →  generates 500 joint baseline price paths
       5. simulate_flow_scenario(model_group_id, constraints=[
            {"feature_name": "CPI", "type": "level", "lower": 3.5, "t_start": 0, "t_end": 60}
          ])
          →  generates paths conditioned on CPI > 3.5%
       6. test_flow_risk(portfolio_id, job_id)
          →  distribution of Sharpe, max drawdown, total return across constrained paths

       Result: Median return = +4.2%, 5th percentile = -6.8%
       Gold outperforms bonds in 72% of high-inflation paths

4.市场简报和投资组合检查

You:   What's happening in markets today and how is my portfolio positioned?

Agent: 1. market_radar()
          →  50+ indicators: equities, rates, credit, FX, commodities, volatility
          →  regime signals: Risk-Off score = 0.7, yield curve inverted, VIX elevated
       2. list_portfolios()  →  finds your "Tech Portfolio"
       3. get_portfolio_value(portfolio_id)
          →  current value, daily P&L, per-position breakdown
       4. get_portfolio_analytics(portfolio_id, timeframe="1M")
          →  1-month Sharpe, volatility, max drawdown

       Result: Markets are risk-off (VIX +15% this week, credit spreads widening).
       Your tech portfolio is down -2.3% today, concentrated in high-beta names.
       Consider: stress-test with compute_returns to quantify downside risk.

认证

• 远程模式 （ClaudeDesktop，Claude.ai，ChatGPT）：基于OAuth 2.0浏览器的登录-无需管理API密钥。Sablier通过Google OAuth进行身份验证，然后为MCP会话颁发API密钥。
• 本地模式 （克劳德代码，stdio）：设置 SABLIER_API_KEY 环境变量。

定价

项目组合管理、读取操作和场景管理始终是免费的。 超出所含限额的每次通话超额计费。

建筑

sablier-mcp/
├── src/sablier_mcp/
│   ├── server.py      # 53 MCP tool definitions (FastMCP)
│   ├── client.py      # Async HTTP client for Sablier API
│   ├── auth.py        # OAuth 2.0 provider (remote mode)
│   └── widgets.py     # Rich HTML cards for Claude Desktop
├── pyproject.toml
├── Dockerfile
└── README.md

• 远程模式 （ClaudeDesktop、Claude.ai、ChatGPT）：OAuth 2.0浏览器登录-无需管理API密钥
• 本地模式 （Claude Code，stdio）：来自环境变量的API键
• 小部件：工具返回丰富的HTML卡片（测试版热图、记分卡、投资组合概述）以及文本，以便在Claude Desktop中进行可视化输出

发展

# Run the server locally (stdio transport)
uv run sablier-mcp

# Test with MCP inspector
npx @modelcontextprotocol/inspector uv --directory . run sablier-mcp

# Run as remote server (streamable-http with OAuth)
MCP_TRANSPORT=streamable-http uv run sablier-mcp

隐私政策

Sablier处理投资组合数据和市场查询以提供分析。详细信息：

• 收集的数据：投资组合持有量、因子模型参数和用于分析计算的查询元数据
• 使用和储存：数据在Sablier的服务器（美国GCP）上处理，并存储为您的帐户分析历史记录。投资组合和模型将一直存在，直到您删除它们。
• 第三方共享Sablier不会出售或分享您的数据。市场数据来源于公共信息流。美国证券交易委员会的文件是公共记录。
• 保留：当您的帐户处于活动状态时，帐户数据将被保留。删除的投资组合和模型将在30天内清除。
• 联系: team@sablier.it

完整隐私政策： sablier-ai.com/privacy |服务条款： sablier-ai.com/terms

支持

• 电子邮件: team@sablier.it
• 问题:

链接

• Sablier平台: sablier-ai.com
• MCP协议: 模型上下文协议.io