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[ml]

# 完整安装（所有功能）
pip install aigroup-quant-mcp[full]

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",
    result_id="alpha158_factors",
    kbar=True,
    price=True,
    volume=True,
    rolling=True,
    rolling_windows=[5, 10, 20, 30, 60],
    export_path="./exports/alpha158_factors.csv"
)

步骤3: 智能标准化

apply_processor_chain(
    data_id="alpha158_factors",
    result_id="alpha158_normalized",
    processors=[{"name": "CSZScoreNorm"}],  # 智能标准化，自动适配单/多商品
    export_path="./exports/factors_normalized.csv"
)

步骤4: 合并因子和价格数据

merge_factor_data(
    factor_data_id="alpha158_normalized",
    price_data_id="stock_2023",
    result_id="merged_for_training",
    export_path="./exports/training_data.csv"
)

步骤5: 训练机器学习模型

train_ml_model(
    data_id="merged_for_training",  # 或使用原始数据ID
    model_id="lgb_model_v1",
    model_type="lightgbm",
    train_start="2023-01-01",
    train_end="2023-06-30",
    test_start="2023-07-01",
    test_end="2023-12-31",
    params={
        "learning_rate": 0.05,
        "num_leaves": 31
    }
)

步骤6: 模型预测

predict_ml_model(
    model_id="lgb_model_v1",
    data_id="alpha158_normalized",
    export_path="./exports/predictions.csv"
)

---

🔧 可用工具

数据预处理

• preprocess_data: 数据加载和智能清洗
  • 中英文列名自动识别
  • 自动处理缺失值和异常值
  • 支持数据导出

因子计算

• calculate_factor: 单因子计算
  • 支持动量、波动率、成交量比率、RSI、MACD、布林带等因子
• generate_alpha158: Alpha158因子库
  • 158个技术因子完整实现
  • 支持K线形态、价格特征、成交量特征、滚动统计

数据处理

• apply_processor_chain: 数据处理器链
  • 智能标准化（自动适配单/多商品）
  • 支持CSZScoreNorm、ZScoreNorm、CSZFillna、ProcessInf等处理器
• merge_factor_data: 合并因子和价格数据
  • 解决因子数据无法直接训练的问题

因子评估

• evaluate_factor_ic: 因子IC评估
  • 计算IC均值、IC标准差、ICIR
  • 生成详细的Markdown评估报告

机器学习

• train_ml_model: 训练机器学习模型
  • 支持15种传统机器学习算法
  • 完整的训练和评估指标
  • 特征重要性分析
• predict_ml_model: 使用模型预测
  • 样本外预测
  • 结果导出

辅助工具

• list_factors: 查看已加载的数据和因子
  • 内存状态管理
  • 数据ID列表

---

🎯 算法选择指南

首次使用（推荐）

• LightGBM: 速度快，效果好，内存占用小
• 随机森林: 稳定性好，参数简单

特征选择

• Lasso回归: 自动特征筛选
• 弹性网络: 平衡特征选择

高精度需求

• XGBoost: 性能强大，精度最高
• CatBoost: 处理类别特征

快速验证

• 线性回归: 速度极快，基线模型
• 决策树: 可解释性强

---

📈 性能指标

因子质量评估

IC绝对值	预测能力	推荐建议
> 0.10	非常强	强烈推荐使用
0.08-0.10	强	推荐使用
0.05-0.08	较强	可以使用
0.03-0.05	有效	谨慎使用，建议组合
< 0.03	无效	不推荐使用

模型性能评估

R²值	模型质量	IC值	预测能力
> 0.7	优秀	> 0.08	强
0.5-0.7	良好	0.05-0.08	较强
0.3-0.5	一般	0.03-0.05	有效
< 0.3	较差	< 0.03	无效

---

🧪 示例和测试

项目包含完整的示例代码：

# 运行完整工作流示例
python examples/complete_workflow.py

# 测试机器学习模型
python examples/test_ml_models.py

# 测试Alpha158因子
python examples/test_alpha158_and_dl.py

---

📚 文档资源

• ML模型使用指南: 详细的机器学习模型说明
• 因子合并指南: 因子数据合并说明
• 开发文档: 开发相关说明
• 更新日志: 版本更新历史

---

🐛 常见问题

Q1: 单商品数据标准化失败？

A: 系统自动识别单商品数据，将CSZScoreNorm切换为ZScoreNorm，避免NaN问题。

Q2: 因子数据无法训练模型？

A: 使用merge_factor_data工具合并因子和价格数据，确保包含close列。

Q3: 模型性能较差？

A:

1. 增加训练数据量
2. 调整模型参数
3. 检查因子质量（使用evaluate_factor_ic）
4. 尝试不同的模型类型

Q4: 数据列名不匹配？

A: 系统支持中英文智能列名识别，自动转换各种格式的列名。

---

🔄 版本更新

v1.0.34 最新特性

• ✨ 扩展机器学习算法支持：从6种扩展到15种
• 🐛 修复因子IC评估结果为NaN问题
• 🔧 移除深度学习工具，专注于传统机器学习
• 📊 优化因子计算准确性和数据对齐

主要版本历史

• v1.0.28: 中英文智能列名识别
• v1.0.27: 新增因子数据合并工具
• v1.0.24: 新增机器学习模型支持
• v1.0.14: 智能标准化功能

---

🤝 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

---

📞 支持

• 💬 提交 Issues
• 📧 邮件：jackdark425@gmail.com
• 📚 文档：查看项目文档和示例

---

立即开始: uvx aigroup-quant-mcp 🚀