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

• 开发指南
• 性能优化指南
• API参考

---

📃 许可证

本项目采用MIT许可证，详见LICENSE文件。