Permet aux agents IA d'effectuer du screening boursier déterministe, du backtesting historique et de l'analyse de facteurs Fama-French en utilisant des données de marché réelles.
Aussi connu sous zomma-dev/quantcontext-mcp-server, quantcontext-mcp-server, quantcontext-mcp
- Étoiles
- 10
- Outils
- 3
- Téléchargements, 30 jours
- 268
- Dernière version
- 0.1.2
- Dernier commit
- 21 oct. 2026
- Licence
- MIT
Qu'est-ce que QuantContext MCP ?
Permet aux agents IA d'effectuer du screening boursier déterministe, du backtesting historique et de l'analyse de facteurs Fama-French en utilisant des données de marché réelles. Il expose 3 outils, comme screen_stocks, backtest_strategy, factor_analysis.
Résumé généré à partir du README du projet
À propos du MCP server QuantContext
QuantContext permet aux développeurs utilisant Claude, Codex ou OpenCode d'effectuer de la recherche quantitative et du screening boursier via le langage naturel. Il permet aux utilisateurs de transformer des descriptions de stratégies en anglais courant en flux de travail de recherche exécutables, en utilisant des données de marché réelles plutôt que des chiffres générés. Le serveur fonctionne localement sans nécessiter de clés API ni de configuration complexe, en extrayant des données de sources telles que Yahoo Finance et la Kenneth French Data Library.
Les utilisateurs peuvent accéder à trois outils principaux pour construire un pipeline de recherche complet. L'outil screen_stocks filtre des univers comme le S&P 500 ou le Nasdaq 100 en utilisant des signaux fondamentaux, de momentum ou techniques. L'outil backtest_strategy évalue ces sélections sur des périodes historiques pour calculer des métriques telles que le CAGR, le ratio de Sharpe et le maximum drawdown. Enfin, l'outil factor_analysis décompose les rendements en facteurs Fama-French pour déterminer si une stratégie produit un véritable alpha ou reflète simplement une exposition au marché. Cette configuration est idéale pour les traders et les chercheurs qui ont besoin de résultats reproductibles et déterministes directement dans leur environnement d'agent de code.
Ce que vous pouvez faire avec
- 1Filtrer les actions par métriques spécifiquesDemandez à l'agent de trouver des entreprises du S&P 500 avec des ratios cours/bénéfice faibles et un rendement des capitaux propres élevé.
- 2Valider historiquement des stratégies de tradingTestez comment une stratégie basée sur le momentum sur le Nasdaq 100 aurait performé au cours des deux dernières années avec un rééquilibrage mensuel.
- 3Analyser les moteurs de rendementDéterminez si la performance d'une stratégie est due à un alpha authentique ou à une exposition à des facteurs Fama-French spécifiques.
Extrait du README du projet. Chaque cas d'utilisation est vérifié par rapport à une citation du document.
Comment installer QuantContext MCP
Formats vérifiés le 10 nov. 2026Ajouter à CursorAjouter à GooseInstaller QuantContext MCP dans Claude Code
$ claude mcp add quantcontext-mcp-server -- uvx quantcontext-mcpInstaller QuantContext MCP dans Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"quantcontext-mcp-server": {
"command": "uvx",
"args": [
"quantcontext-mcp"
]
}
}
}Installer QuantContext MCP dans VS Code
.vscode/mcp.json
{
"servers": {
"quantcontext-mcp-server": {
"type": "stdio",
"command": "uvx",
"args": [
"quantcontext-mcp"
]
}
}
}Installer QuantContext MCP dans VS Code CLI
$ code --add-mcp '{"name":"quantcontext-mcp-server","type":"stdio","command":"uvx","args":["quantcontext-mcp"]}'Installer QuantContext MCP dans Claude Desktop
claude_desktop_config.json
{
"mcpServers": {
"quantcontext-mcp-server": {
"command": "uvx",
"args": [
"quantcontext-mcp"
]
}
}
}Installer QuantContext MCP dans Codex
$ codex mcp add quantcontext-mcp-server -- uvx quantcontext-mcpInstaller QuantContext MCP dans Codex config.toml
~/.codex/config.toml
[mcp_servers.quantcontext-mcp-server] command = "uvx" args = ["quantcontext-mcp"]
Installer QuantContext MCP dans Gemini CLI
$ gemini mcp add -s user quantcontext-mcp-server uvx -- quantcontext-mcpInstaller QuantContext MCP dans Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"quantcontext-mcp-server": {
"command": "uvx",
"args": [
"quantcontext-mcp"
]
}
}
}Outils MCP QuantContext 3
Détectés depuis le READMEscreen_stocksbacktest_strategyfactor_analysis
| screen_stocks | — | |
| backtest_strategy | — | |
| factor_analysis | — |
Vérifications automatisées
Exécuté le 13 nov. 2026Rapport complet →A passé nos vérifications automatisées. Il ne s'agit pas d'un audit de sécurité : lisez le code et donnez au serveur l'accès le plus restreint dont il a besoin. Fonctionnement des vérifications
- Dépôt source lié et accessibleRéussi
- Licence open source (OSI)Réussi
- Commit ou version publiée au cours de l'année écouléeRéussi
- Nom du package non proche d'un package populaireRéussi
- L'endpoint distant utilise HTTPSNon vérifié
- Les outils destructifs sont étiquetésRéussi
- Aucune instruction cachée destinée au modèleRéussi
- Aucun avis critique dans le package ou ses dépendancesRéussi
README
Voir sur GitHubQuantContext
QuantContext is an MCP server that turns plain-English strategy descriptions into executable quant research: screen stocks by any criteria, backtest over historical data, and run factor analysis to see where the returns come from. Every number is computed from real market data, not generated by an LLM. Results are fully reproducible.
Works with Claude, Codex, OpenCode, or any other MCP-compatible coding agent.
Install
pip install quantcontext-mcp
Claude Code:
claude mcp add quantcontext -- quantcontext
Claude Desktop (~/Library/Application Support/Claude/claude_desktop_config.json):
{
"mcpServers": {
"quantcontext": {
"command": "quantcontext"
}
}
}
No API keys. No configuration.
Tools
Three tools that compose into a full research workflow:
screen_stocks -> backtest_strategy -> factor_analysis
| Tool | What it does |
|---|---|
screen_stocks |
Filter S&P 500, Nasdaq 100, or Russell 2000 by fundamentals, momentum, quality, technical signals, or a multi-factor blend. Returns ranked candidates. |
backtest_strategy |
Test a strategy over history with a rebalance-loop engine. Returns CAGR, Sharpe, max drawdown, equity curve, and trade log. |
factor_analysis |
Decompose strategy returns into Fama-French factors (market, size, value, momentum). Returns alpha with t-statistic, factor loadings, and R-squared. |
Sample Prompts
Stock screening:
Screen S&P 500 for value stocks: PE under 15, ROE above 12%
Find the top 20% momentum stocks in the Nasdaq 100 over the last 200 days
Rank S&P 500 stocks by a blend of value, momentum, and quality, equal weight each factor
Find S&P 500 stocks with RSI under 40 and price above the 200-day moving average
Backtesting:
Backtest a top-20% momentum strategy on Nasdaq 100, monthly rebalance, last 2 years
How would a value screen (PE under 15, ROE above 12%) have performed on S&P 500 over the last 3 years?
Test a momentum strategy with a 15% stop loss and 20% max portfolio drawdown circuit breaker
Full research workflow:
Screen S&P 500 for cheap, high-quality stocks. Backtest monthly over 3 years,
then run factor analysis. Is the return real alpha or just factor exposure?
Screen Types
| Screen | Description | Key parameters |
|---|---|---|
fundamental_screen |
Filter by PE, ROE, leverage, revenue growth | pe_lt, roe_gt, debt_equity_lt, revenue_growth_gt |
quality_screen |
Profitability and balance sheet health | roe_gt, debt_equity_lt, profit_margin_gt |
momentum_screen |
Rank by N-day price momentum | lookback_days, top_pct |
value_screen |
Cheapest stocks by valuation | pe_lt, top_n |
factor_model |
Multi-factor composite score | weights (value/momentum/quality/volatility), top_n |
technical_signal |
RSI and SMA crossover signals | rsi_period, sma_short, sma_long |
mean_reversion |
Stocks below z-score threshold | lookback_days, z_threshold |
Use from Python
The tools are also importable directly — no agent required. Useful if you have an existing script and want to plug in backtesting or factor analysis.
from quantcontext.server import screen_stocks, backtest_strategy, factor_analysis
import asyncio, json
# Screen
result = json.loads(asyncio.run(screen_stocks(
universe="sp500",
screen_type="fundamental_screen",
config={"pe_lt": 15, "roe_gt": 12},
)))
# Backtest
bt = json.loads(asyncio.run(backtest_strategy(
stages=[{"order": 1, "type": "screen", "skill": "fundamental_screen", "config": {"pe_lt": 15, "roe_gt": 12}}],
universe="sp500",
rebalance="monthly",
start_date="2022-01-01",
)))
print(bt["metrics"])
# Factor analysis — pipe the equity curve straight in
fa = json.loads(asyncio.run(factor_analysis(
equity_curve=bt["full_equity_curve"]
)))
print(fa["alpha_annualized"], fa["alpha_tstat"])
Strategies are expressed using the built-in screen types from the table above. All functions are async and return JSON strings.
Data
All public data, no API keys required.
| Data | Source | Cache |
|---|---|---|
| Daily OHLCV prices | Yahoo Finance (yfinance) |
~/.cache/quantcontext/prices.parquet |
| Fundamentals (PE, ROE, margins, etc.) | Yahoo Finance | ~/.cache/quantcontext/financials/, 24h TTL |
| Fama-French factors (Mkt-RF, SMB, HML, Mom) | Kenneth French Data Library | ~/.cache/quantcontext/ff_factors.parquet |
| Universe lists (S&P 500, Nasdaq 100) | Wikipedia | ~/.cache/quantcontext/sp500_tickers.json |
The first tool call downloads and caches data (10-30 seconds). All subsequent calls use the local cache: screening under 1s, backtesting 3-8s.
To skip the cold start, run once after install:
quantcontext-warmup --url https://quantcontext.ai/api/data
Links
License
MIT
Questions sur QuantContext MCP
Comment ajouter QuantContext MCP à Claude Code ?
Exécutez claude mcp add quantcontext-mcp-server -- uvx quantcontext-mcp dans votre terminal. Ajoutez --scope user pour le rendre disponible dans tous les projets.
Comment ajouter QuantContext MCP à Cursor ?
Ouvrez ~/.cursor/mcp.json et ajoutez le serveur sous mcpServers, avec la configuration Cursor indiquée dans la section d'installation ci-dessus.
Quels outils QuantContext MCP fournit-il ?
Il expose 3 outils, dont screen_stocks, backtest_strategy, factor_analysis.
Ce serveur nécessite-t-il des clés API ?
Non, le serveur ne nécessite aucune clé API ni configuration pour fonctionner.
Puis-je utiliser ces outils dans mes propres scripts Python ?
Oui, les outils sont importables directement pour être utilisés dans des scripts Python existants sans avoir besoin d'un agent IA.
Combien de temps faut-il pour obtenir les données ?
Le premier appel d'outil télécharge et met les données en cache, ce qui prend 10 à 30 secondes, mais les appels suivants utilisent le cache local pour des résultats beaucoup plus rapides.