Позволяет ИИ-агентам выполнять детерминированный скрининг акций, историческое бэктестирование и факторный анализ Фама — Френча, используя реальные рыночные данные.
Также известен как zomma-dev/quantcontext-mcp-server, quantcontext-mcp-server, quantcontext-mcp
- Звёзды
- 10
- Инструменты
- 3
- Загрузки, 30 дней
- 268
- Последняя версия
- 0.1.2
- Последний коммит
- 21 окт. 2026 г.
- Лицензия
- MIT
Что такое QuantContext MCP?
Позволяет ИИ-агентам выполнять детерминированный скрининг акций, историческое бэктестирование и факторный анализ Фама — Френча, используя реальные рыночные данные. Он предоставляет 3 инструмента, например screen_stocks, backtest_strategy, factor_analysis.
Сводка сгенерирована из README проекта
О QuantContext MCP server
QuantContext позволяет разработчикам, использующим Claude, Codex или OpenCode, проводить количественные исследования и скрининг акций с помощью естественного языка. Он дает возможность пользователям преобразовывать описания стратегий на обычном английском языке в исполняемые исследовательские рабочие процессы, используя реальные рыночные данные вместо сгенерированных чисел. Сервер работает локально, не требуя API-ключей или сложной настройки, подтягивая данные из таких источников, как Yahoo Finance и Kenneth French Data Library.
Пользователям доступны три основных инструмента для построения полноценного исследовательского конвейера. Инструмент screen_stocks фильтрует такие выборки, как S&P 500 или Nasdaq 100, используя фундаментальные, моментумные или технические сигналы. Инструмент backtest_strategy оценивает эти выборки на исторических периодах для расчета таких метрик, как CAGR, коэффициент Шарпа и максимальная просадка. Наконец, инструмент factor_analysis раскладывает доходность на факторы Фама — Френча, чтобы определить, генерирует ли стратегия истинную альфу или просто отражает рыночную экспозицию. Такая конфигурация идеально подходит для трейдеров и исследователей, которым нужны воспроизводимые детерминированные результаты непосредственно в среде их кодинг-агента.
Что вы можете с ним делать
- 1Фильтрация акций по конкретным метрикамПопросите агента найти компании из S&P 500 с низким коэффициентом P/E и высокой рентабельностью собственного капитала (ROE).
- 2Историческая проверка торговых стратегийПроверьте, как стратегия на основе моментума в Nasdaq 100 показала бы себя за последние два года с ежемесячной ребалансировкой.
- 3Анализ драйверов доходностиОпределите, обусловлена ли доходность стратегии подлинной альфой или воздействием конкретных факторов Фама — Френча.
Взято из README проекта. Каждый вариант использования проверен на соответствие цитате из него.
Как установить QuantContext MCP
Форматы проверены 10 ноя 2026Добавить в CursorДобавить в GooseУстановка QuantContext MCP в Claude Code
$ claude mcp add quantcontext-mcp-server -- uvx quantcontext-mcpУстановка QuantContext MCP в Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"quantcontext-mcp-server": {
"command": "uvx",
"args": [
"quantcontext-mcp"
]
}
}
}Установка QuantContext MCP в VS Code
.vscode/mcp.json
{
"servers": {
"quantcontext-mcp-server": {
"type": "stdio",
"command": "uvx",
"args": [
"quantcontext-mcp"
]
}
}
}Установка QuantContext MCP в VS Code CLI
$ code --add-mcp '{"name":"quantcontext-mcp-server","type":"stdio","command":"uvx","args":["quantcontext-mcp"]}'Установка QuantContext MCP в Claude Desktop
claude_desktop_config.json
{
"mcpServers": {
"quantcontext-mcp-server": {
"command": "uvx",
"args": [
"quantcontext-mcp"
]
}
}
}Установка QuantContext MCP в Codex
$ codex mcp add quantcontext-mcp-server -- uvx quantcontext-mcpУстановка QuantContext MCP в Codex config.toml
~/.codex/config.toml
[mcp_servers.quantcontext-mcp-server] command = "uvx" args = ["quantcontext-mcp"]
Установка QuantContext MCP в Gemini CLI
$ gemini mcp add -s user quantcontext-mcp-server uvx -- quantcontext-mcpУстановка QuantContext MCP в Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"quantcontext-mcp-server": {
"command": "uvx",
"args": [
"quantcontext-mcp"
]
}
}
}Инструменты QuantContext MCP 3
Определено из READMEscreen_stocksbacktest_strategyfactor_analysis
| screen_stocks | — | |
| backtest_strategy | — | |
| factor_analysis | — |
Автоматические проверки
Запущено 13 нояб. 2026 г.Полный отчёт →Прошло наши автоматизированные проверки. Это не аудит безопасности: изучите код и предоставьте серверу минимально необходимый доступ. Как работают проверки
- Связанный и доступный исходный репозиторийПройдено
- Open source лицензия (OSI)Пройдено
- Коммит или релиз за последний годПройдено
- Имя пакета не похоже на популярный пакетПройдено
- Удаленная конечная точка использует HTTPSНе проверялось
- Деструктивные инструменты помеченыПройдено
- Нет скрытых инструкций для моделиПройдено
- Нет критических предупреждений в пакете или его зависимостяхПройдено
README
Открыть на 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
Вопросы о QuantContext MCP
Как добавить QuantContext MCP в Claude Code?
Выполните claude mcp add quantcontext-mcp-server -- uvx quantcontext-mcp в терминале. Добавьте --scope user, чтобы сервер был доступен во всех проектах.
Как добавить QuantContext MCP в Cursor?
Откройте ~/.cursor/mcp.json и добавьте сервер в mcpServers, используя конфигурацию Cursor из раздела установки выше.
Какие инструменты предоставляет QuantContext MCP?
Он предоставляет 3 инструмента, включая screen_stocks, backtest_strategy, factor_analysis.
Требуются ли для этого сервера API-ключи?
Нет, для работы сервера не требуются API-ключи или какая-либо конфигурация.
Могу ли я использовать эти инструменты в своих Python-скриптах?
Да, инструменты можно импортировать напрямую для использования в существующих Python-скриптах без необходимости использования ИИ-агента.
Сколько времени занимает получение данных?
Первый вызов инструмента загружает и кэширует данные, что занимает 10–30 секунд, но последующие вызовы используют локальный кэш для гораздо более быстрого получения результатов.