Recursive Epistemic Market Microstructure MCP Server

再帰的認識論的マーケット・マイクロストラクチャー MCP サーバー

ApifyForge で見る | Apify Store で使う

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します：

{
  "mcpServers": {
    "recursive-epistemic-market-mcp": {
      "url": "https://ryanclinton--recursive-epistemic-market-mcp.apify.actor/mcp"
    }
  }
}

---

再帰的認識論的マーケット・マイクロストラクチャー分析を、AI エージェントが直接呼び出せる MCP サーバーとして利用できるようになりました。このサーバーは、ソロスの再帰性による不動点反復、ハルサニのタイプ空間における信念階層、マイノリティゲームのスピングラス相転移、粗いボラティリティ（H<0.5 の fBm）、エントロピー的最適輸送、規制影響を評価する回帰不連続デザイン、カイルの連続型インサイダー取引モデルという高度な数理ファイナンスモデルを適用する 8 つのツールを提供します。各モデルは、SEC 提出書類、FDIC の銀行記録、議会議員の株式取引、FRED のマクロ経済指標、為替レートの履歴にまたがる 16 の公開ライブデータソースから較正されます。

MCP プロトコル経由で一度接続するだけで、データパイプライン、API 統合、金融数学の実装を管理することなく、AI エージェントが構造化された定量的なマーケット・マイクロストラクチャー情報を利用できます。すべてのツールは呼び出しごとの従量課金制で、サブスクリプションは不要です。

どのようなデータにアクセスできますか？

データ項目	ソース	例
📊 SEC 10-K、10-Q、8-K 提出書類と分析	SEC EDGAR Analyzer	収益品質スコア、リスクフラグ数
📄 SEC 提出書類の全文とメタデータ	SEC EDGAR Filing Search	フォーム種別、提出日、CIK、アクセッション番号
👤 経営幹部によるインサイダー株式取引	SEC Insider Trading（Form 4）	CFO が 142.30 ドルで売却した 50,000 株
🏦 米国銀行の財務諸表	FDIC Bank Data	総資産、Tier 1 資本、貸倒引当金
🏛️ 議会議員による株式取引の開示	Congressional Stock Tracker	議員名、ティッカー、取引日、金額の範囲
📈 株価、気配値、財務情報	Finnhub	AAPL の終値：185.42 ドル、P/E：28.6、ベータ：1.24
🪙 暗号資産の価格と時価総額	CoinGecko	BTC：67,240 ドル、24 時間取引高：384 億ドル、時価総額：1.32 兆ドル
💱 現在の外国為替レート	Exchange Rate Tracker	USD/EUR：0.9214、USD/JPY：149.82
📉 過去の為替レート時系列	Exchange Rate History	USD/EUR の過去 365 日分の日次終値系列
🏛️ 米国の経済指標（GDP、CPI、金利）	FRED	FF 金利：5.33%、CPI 前年比：3.1%
👷 雇用とインフレの統計	BLS	失業率：3.7%、賃金上昇率：4.1%
📋 連邦政府の規則と規制	Federal Register	ドッド・フランク法の改正、施行日、CFR 引用
🏢 世界各国の企業登記情報	OpenCorporates	管轄区域、設立日、役員
⚠️ 消費者からの金融関連苦情	CFPB	商品種別、問題、企業の回答、解決内容
🇪🇺 ECB の参照為替レート	ECB Rates	EUR/USD の参照レート、日付、前日比
📜 議会法案の提出と状況	Congress Bill Tracker	法案番号、提出者、委員会、最新の動向

市場のマイクロストラクチャー分析にこの MCP サーバーを使う理由

定量的な市場マイクロストラクチャーの分析機能を一から構築するには、16 個の個別 API の統合、固定点反復アルゴリズムの実装、ハースト指数推定器のキャリブレーション、シンクホーンダイバージェンスソルバーのコーディングが必要です。専門的な分析コードを 1 行も書き始める前に、何週間もかかります。Bloomberg Terminal のような商用サービスは年間 24,000 ドル、Refinitiv や FactSet のような比較的手軽なツールでも月額 1,000 ドル以上かかり、AI ネイティブなインターフェースもありません。

この MCP サーバーは、Claude、Cursor、または MCP 互換の AI クライアントに直接接続できます。エージェントが単一のツール呼び出しを実行すると、16 のソースからのライブデータを並列処理して得られた、レジーム分類、固定点価格、情報に基づく取引の確率、ボラティリティの粗さスコアを含む構造化 JSON が返されます。

• 常時利用可能 — Apify Standby モードで稼働し、数ミリ秒以内にリクエストに対応できます
• データ取得の並列処理 — ツール呼び出し 1 回につき最大 16 のアクターを同時に呼び出し、レイテンシを短縮します
• 構造化 JSON 出力 — すべてのツールが、エージェントがそのまま推論に利用できる、型付きで一貫した形式の出力を返します
• 呼び出しごとの従量課金 — ツール呼び出し 1 回につき 0.10 ドル。サブスクリプションや最低利用期間はありません
• 利用上限の設定 — Apify で実行ごとの上限額を設定し、エージェントのループが暴走してコストが膨らむのを防げます
• API と Webhook によるアクセス — あらゆる HTTP クライアント、Zapier、Make、LLM オーケストレーションフレームワークから実行できます

特徴

• ソロスの再帰性の検出 — 価格を p(t+1) = f(p(t), E[p(t+1)|p(t)]) としてモデル化し、ピカール反復法で不動点 p* を求め、市場価格と合理的均衡の乖離を測る再帰性ギャップを計算します
• 3つの再帰性レジーム — 市場を CONVERGENT（ギャップが縮小）、DIVERGENT（バブル／暴落の動き）、OSCILLATING（循環的なフィードバック）に分類します
• ハーサニ型空間の構築 — 射影極限による切り詰めを用いて深さ K の信念階層を構築し、ベイズ・ナッシュ均衡戦略と、特定されたすべての市場参加者にわたる共通知識ギャップスコアを計算します
• マイノリティゲームのシミュレーション — N 人のエージェント（51～501 人、奇数）、各エージェントにつき S 個のランダム戦略を用いるエルファロ／マイノリティゲームを実行し、alpha = P/N（P = 2^M）での相転移を検出します。スピングラス秩序変数で戦略の集中度を測定します
• 2つのマイノリティゲームのレジーム — 市場が臨界 alpha 未満（群集行動、高ボラティリティ、非効率）か、それを上回るか（効率的、超過ボラティリティが低い、戦略の多様性が高い）を特定します
• Kyle（1985）の連続型インサイダーモデル — 価格インパクト lambda = sigma_v / (2sigma_u)、後ろ向き帰納法による情報開示率、インサイダーの期待利益、マーケットメーカーの損失、情報取引確率（PIN = alphadelta / (alphadelta + 2epsilon)）を計算します
• 3つの情報保有度レジーム — PIN と信号対雑音比に基づき、LOW_INFO、MODERATE_INFO、HIGH_INFO に分類します
• ラフボラティリティの推定 — 対数バリオグラム回帰からハースト指数を推定します。V(delta) ~ Cdelta^(2H)、ボラティリティモデルは sigma(t) = sigma_0exp(etaW_H(t) - eta^2t^(2H)/2) です
• 3つのラフネスレジーム — インプライドスキューはラフ・ベルゴミモデルから算出し、SMOOTH（H>0.5）、ROUGH（0.15<H<0.5）、ULTRA_ROUGH（H<0.15）に分類します
• エントロピー正則化最適輸送 — BULL、BEAR、VOLATILE、STABLE の各レジーム分布間のシンクホーン発散を計算します。ギブスカーネル K_ij = exp(-C_ij/epsilon) を構築し、u <- a/(Kv)、v <- b/(K^Tu) を収束まで反復します
• レジーム遷移確率 — シンクホーン発散 S_eps によりエントロピーバイアスを除去し、レジーム間の較正済み遷移確率推定値を算出します
• シャープな回帰不連続デザイン — 規制の影響について、局所線形回帰と Imbens-Kalyanaraman の最適バンド幅、および実行変数の操作を検定する McCrary 密度検定を用いて、tau = lim_{x->c+} E[Y|X=x] - lim_{x->c-} E[Y|X=x] を推定します
• 完全な再帰的認識論的予測 — forecast_fixed_point_price が4つの中核アルゴリズム（再帰性＋信念階層＋ラフボラティリティ＋Kyle モデル）すべてを単一の呼び出しで連携させ、16 のアクターを対象とした統合的な多要因価格予測を行います
• 16のライブデータソース — SEC EDGAR（分析＋提出書類）、SEC インサイダー取引、FDIC、議会議員の株式取引、Finnhub、CoinGecko、為替レート（現在＋過去）、FRED、BLS、Federal Register、OpenCorporates、CFPB、ECB 金利、議会法案

再帰的認識論に基づく市場ミクロ構造分析のユースケース

クオンツ・ヘッジファンドの調査

クオンツ研究者は detect_reflexive_dynamics を使って、期待が価格をファンダメンタル価値から乖離させている局面を特定し、assess_rough_volatility を使って、ブラック・ショールズではなくラフ・ベルゴミによるオプション価格評価に用いるハースト指数を取得します。どちらのツールも FRED のマクロ経済データ、Finnhub の気配値、SEC の提出書類を並行して取得するため、出力は過去のバックテストではなく、現在の市場状況に合わせて較正されます。

市場監視とコンプライアンス

規制当局やコンプライアンスチームは analyze_insider_topology を使って、SEC Form 4 の提出書類、議会議員の株式取引、EDGAR の提出書類を対象に、情報取引確率（PIN）の上昇や大きな価格インパクト lambda 値をスクリーニングします。HIGH_INFO レジームに分類された資産は、より詳細な審査が必要です。ツールが出力する Kyle モデルのインサイダー利益推定値とマーケットメーカーの損失は、執行機関への照会における定量的な根拠となります。

AI エージェントによる金融推論

Claude、GPT-4、またはオープンソースモデルで構築された AI エージェントは、MCP プロトコルを通じてこれらのツールを直接呼び出し、ライブデータと厳密なモデルに基づく金融分析を行えます。学習データから市場の動きを幻覚として生成する代わりに、エージェントは compute_belief_hierarchy を呼び出して、実際の参加者間の信念の乖離を示す構造化された型空間の出力を取得したり、simulate_minority_game を呼び出して、投資に関する解説を生成する前に、現在の群集行動／効率性の分類を取得したりできます。

マクロ経済調査と政策分析

経済学者や政策アナリストは、evaluate_regulatory_impact を使用して、特定の Federal Register 規制が市場の結果に及ぼす因果効果を推定します。Imbens-Kalyanaraman による最適帯域幅と、操作を検出する McCrary 密度検定を用いた鋭い RD 推定量により、独自の計量経済データセットの一部のコストで、公開データから方法論的に堅牢な因果推論を実現できます。

ボラティリティ取引とオプションデスク

オプショントレーダーは、assess_rough_volatility を使用して、株式および FX 資産を粗さレジーム別に分類します。ULTRA_ROUGH 領域（H < 0.15）の資産では、インプライド・ボラティリティ・サーフェスを正確にキャリブレーションするために、rough Bergomi または同様のモデルが必要です。このツールは、株式、暗号資産、FX を対象に、資産ごとのハースト指数、ボラティリティ・オブ・ボラティリティの推定値、rough Bergomi のインプライド・スキュー入力値を、単一の MCP ツール呼び出しで返します。

レジーム変化と危機の早期警告

リスクマネージャーは、compute_entropic_transport を使用して、現在の市場レジーム分布と代替状態（BULL、BEAR、VOLATILE、STABLE）間のシンクホーン・ダイバージェンスを監視します。VOLATILE または BEAR レジームへの遷移確率が急上昇すると、単純な閾値ルールではなく、最適輸送理論に基づく定量的な早期警告シグナルを提供します。

この MCP サーバーを AI クライアントに接続する方法

1. Apify API トークンを取得する — apify.com で登録し、Settings > Integrations に移動して、API トークンをコピーします。
2. サーバー URL を AI クライアントに追加する — MCP エンドポイントは https://recursive-epistemic-market-mcp.apify.actor/mcp です。これをクライアントの MCP サーバー設定に貼り付けます（以下の例を参照）。
3. 接続を認証する — Apify トークンを Authorization: Bearer YOUR_TOKEN ヘッダーとして渡すか、クライアントで必要な場合はトークンのクエリパラメーターを使用します。
4. ツールの呼び出しを開始する — AI アシスタントに「AAPL のテクノロジー株の再帰的なダイナミクスを検出して」や「現在の S&P 500 市場の少数派ゲームのシミュレーションを実行して」と頼むと、対応するツールが自動的に呼び出されます。

Claude Desktop

claude_desktop_config.json に追加します。

{
  "mcpServers": {
    "recursive-epistemic-market": {
      "url": "https://recursive-epistemic-market-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor

Cursor の MCP 設定（.cursor/mcp.json）に追加します。

{
  "mcpServers": {
    "recursive-epistemic-market": {
      "url": "https://recursive-epistemic-market-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

その他の MCP クライアント

MCP 仕様を実装する任意のクライアント（Windsurf、Cline、LangChain MCP adapter、LlamaIndex tool wrappers）は、上記の url 設定を使用して接続できます。このサーバーはステートレスな Streamable HTTP トランスポートを使用するため、セッション管理は不要です。

MCP ツールのリファレンス

ツール	料金	呼び出されるアクター数	説明
detect_reflexive_dynamics	$0.10	8	ソロスの再帰性の不動点反復です。市場を CONVERGENT、DIVERGENT、OSCILLATING に分類します。
compute_belief_hierarchy	$0.10	6	ハルサニのタイプ空間、K 段階の信念階層、ベイズ・ナッシュ均衡、共有知識のギャップを扱います。
simulate_minority_game	$0.10	4	エル・ファロルのマイノリティ・ゲームの相転移です。スピングラスの秩序変数、群集行動の検出、効率性のレジームを扱います。
analyze_insider_topology	$0.10	7	Kyle（1985）モデルです。価格インパクトのラムダ、PIN、情報開示率、インサイダー利益の推定値を扱います。
assess_rough_volatility	$0.10	6	分数ブラウン運動のハースト指数、ラフ・ベルガミのインプライド・スキュー、SMOOTH／ROUGH／ULTRA_ROUGH レジームを扱います。
compute_entropic_transport	$0.10	6	BULL／BEAR／VOLATILE／STABLE レジーム間のシンクホーン発散です。遷移確率行列を出力します。
evaluate_regulatory_impact	$0.10	7	IK 最適帯域幅と McCrary 密度検定を用いたシャープな回帰不連続デザインです。
forecast_fixed_point_price	$0.10	16	4 つの中核アルゴリズムをすべて組み合わせた、完全な再帰的認識論的予測です。最も包括的なツールです。

ツールの入力パラメーター

パラメーター	型	ツール	デフォルト	説明
query	string	すべてのツール	—	市場のクエリ、企業、ティッカー、またはセクター（例：「AAPL MSFT technology stocks」）
sector	string	detect_reflexive_dynamics、evaluate_regulatory_impact	—	分析対象を絞り込むセクター（例：「technology」、「finance」）
hierarchy_depth	number	compute_belief_hierarchy	5	ハルサニの信念階層の深さ（1～10）
num_agents	number	simulate_minority_game	101	マイノリティ・ゲームのエージェント数（奇数、51～501）
memory_length	number	simulate_minority_game	6	記憶長 M。P = 2^M 個の可能な履歴を生成します（3～10）
num_rounds	number	simulate_minority_game	200	シミュレーションのラウンド数（50～1000）
epsilon	number	compute_entropic_transport	0.1	シンクホーンのエントロピー正則化パラメーター（0.01～1.0。低いほど高精度ですが、処理が遅くなります）

入力例

銀行セクターの再帰的ダイナミクスを検出する：

{
  "query": "JPMorgan Goldman Sachs banking",
  "sector": "finance"
}

カスタムパラメーターでマイノリティ・ゲームをシミュレーションする：

{
  "query": "S&P 500 US equities",
  "num_agents": 201,
  "memory_length": 8,
  "num_rounds": 500
}

完全な再帰的認識論的予測（すべてのアルゴリズム、16 アクター）：

{
  "query": "NVDA AMD semiconductor AI chips"
}

銀行に対するドッド＝フランク法の規制上の影響：

{
  "query": "Dodd-Frank capital requirements",
  "sector": "banking"
}

入力のヒント

• より明確な結果を得るには、具体的なクエリを使います — 「AAPL MSFT technology stocks」は「stocks」よりも較正された出力を生成します。Finnhub によるマッチングの精度を高めるため、企業名と併せてティッカーを含めてください。
• まず detect_reflexive_dynamics または assess_rough_volatility を使います — これらは結果の解釈が最も速く、より複雑な複数アルゴリズムの出力を確認する前に、レジームを明確に分類できます。
• 包括的な分析には forecast_fixed_point_price を使います — 1 回の呼び出しで 16 アクターを通じて 4 つの中核アルゴリズムをすべて実行するため、料金は個々のツールと同じ $0.10 です。
• シンクホーンの収束に合わせて epsilon を調整します — 0.05～0.2 の値であれば、精度と安定性のバランスが取れます。非常に低いイプシロン（0.01）は数値的不安定性を引き起こすことがあり、非常に高い値（1.0）はレジームの境界を曖昧にします。
• マイノリティ・ゲームではエージェント数を奇数にします — 同数になるのを防ぐため、マイノリティ・ゲームでは奇数のエージェント数が必要です。デフォルトの 101 はほとんどの分析に適しています。相転移をより滑らかに検出するには 501 に増やしてください。

出力例

detect_reflexive_dynamics — NVDA 半導体のクエリ：

{
  "systemReflexivity": 0.73,
  "dominantRegime": "DIVERGENT",
  "assetCount": 6,
  "states": [
    {
      "ticker": "NVDA",
      "fixedPoint": 892.40,
      "reflexivityGap": 0.18,
      "feedbackStrength": 0.81,
      "regime": "DIVERGENT",
      "convergenceIterations": 47
    },
    {
      "ticker": "AMD",
      "fixedPoint": 168.30,
      "reflexivityGap": 0.09,
      "feedbackStrength": 0.54,
      "regime": "CONVERGENT",
      "convergenceIterations": 12
    },
    {
      "ticker": "INTC",
      "fixedPoint": 34.10,
      "reflexivityGap": 0.04,
      "feedbackStrength": 0.29,
      "regime": "CONVERGENT",
      "convergenceIterations": 8
    }
  ]
}

analyze_insider_topology — 銀行のクエリ：

{
  "systemInformedness": 0.62,
  "averageLambda": 0.041,
  "dominantRegime": "MODERATE_INFO",
  "assetCount": 4,
  "assets": [
    {
      "ticker": "JPM",
      "lambda": 0.058,
      "informedTradingProbability": 0.71,
      "insiderProfit": 184200,
      "priceEfficiency": 0.44,
      "signalToNoise": 2.31,
      "regime": "HIGH_INFO"
    },
    {
      "ticker": "GS",
      "lambda": 0.033,
      "informedTradingProbability": 0.48,
      "insiderProfit": 92800,
      "priceEfficiency": 0.67,
      "signalToNoise": 1.12,
      "regime": "MODERATE_INFO"
    }
  ]
}

simulate_minority_game — S&P 500 のクエリ：

{
  "alpha": 0.64,
  "phaseTransitionPoint": 0.34,
  "regime": "ASYMMETRIC",
  "volatilityRatio": 0.82,
  "informationContent": 0.71,
  "crowdingMeasure": 0.29,
  "topAgents": [
    { "agentId": 42, "strategy": 1, "score": 147 },
    { "agentId": 78, "strategy": 0, "score": 139 }
  ],
  "recentAttendance": [48, 53, 45, 51, 49, 55, 47, 52, 50, 48]
}

forecast_fixed_point_price — 完全な再帰的認識論的予測：

{
  "systemForecast": {
    "forecastHorizon": "30d",
    "consensusDirection": "BULLISH",
    "confidenceScore": 0.61,
    "epistemicUncertainty": 0.38
  },
  "reflexivitySummary": {
    "systemReflexivity": 0.68,
    "dominantRegime": "DIVERGENT"
  },
  "beliefSummary": {
    "commonKnowledgeGap": 0.44,
    "agentCount": 12,
    "hierarchyDepth": 5
  },
  "volatilitySummary": {
    "systemRoughness": 0.19,
    "dominantRegime": "ROUGH"
  },
  "insiderSummary": {
    "systemInformedness": 0.57,
    "averageLambda": 0.036,
    "dominantRegime": "MODERATE_INFO"
  },
  "forecasts": [
    {
      "ticker": "NVDA",
      "fixedPointPrice": 892.40,
      "beliefAdjustedPrice": 871.20,
      "volAdjustedRange": [834.10, 910.50],
      "insiderAdjustment": -0.023,
      "compositeConfidence": 0.58
    }
  ]
}

出力フィールド

フィールド	型	説明
systemReflexivity	number	システム全体の再帰性スコア（0～1）。値が高いほどフィードバックループが強いことを示します
dominantRegime	string	分析対象資産全体で最も多いレジーム
states[].ticker	string	資産識別子
states[].fixedPoint	number	p = f(p, E[p|p]) を満たす固定点価格 p*
states[].reflexivityGap	number	市場価格と合理的均衡の正規化された距離
states[].feedbackStrength	number	価格と期待のフィードバックの大きさ（0～1）
states[].regime	string	CONVERGENT、DIVERGENT、または OSCILLATING
states[].convergenceIterations	number	固定点に到達するまでのピカール反復回数（収束しない場合は最大 100）
commonKnowledgeGap	number	エージェントのタイプ間における高次信念の平均乖離
bayesianNashEquilibrium[].strategy	number	BNE における各エージェントタイプの最適戦略
types[].privateValue	number	エージェント固有のファンダメンタル価値の推定値
types[].rationalityBound	number	レベル k の合理性の上限（0＝非合理、1＝完全合理）
alpha	number	マイノリティゲームの複雑度比 P/N
phaseTransitionPoint	number	群集行動が優勢になる臨界値 alpha_c
crowdingMeasure	number	スピングラスの秩序パラメーター。値が高いほど戦略が集中していることを示します
volatilityRatio	number	効率的市場のベンチマークに対する過剰ボラティリティ
assets[].hurstExponent	number	ハースト指数 H。0.5 未満＝粗い、0.5＝標準的な BM、0.5 超＝トレンド性あり
assets[].roughnessIndex	number	正規化された粗さスコア（0～1）
assets[].volOfVol	number	ボラティリティのボラティリティ（ボラティリティ・クラスタリングの指標）
assets[].skewImplied	number	Rough Bergomi モデルによるインプライド・スキュー
assets[].lambda	number	Kyle の価格インパクト係数（注文フロー単位あたりの $/株）
assets[].informedTradingProbability	number	PIN — 情報に基づく取引の確率（0～1）
assets[].insiderProfit	number	取引ウィンドウあたりのインサイダー利益の期待値の推定（$）
assets[].priceEfficiency	number	価格効率スコア（0～1）。値が低いほど価格の誤りが大きいことを示します
comparisons[].sinkhornDivergence	number	2 つのレジーム分布間のシンクホーン発散 S_eps
comparisons[].transitionProbability	number	2 つのレジーム間を遷移する推定確率
estimates[].treatmentEffect	number	規制の影響に関する RD 因果推定値 tau
estimates[].tStatistic	number	処置効果の有意性検定における t 統計量
estimates[].significant	boolean
estimates[].mcCraryDensityTest	number	実行変数の操作に関する McCrary 検定統計量
forecasts[].fixedPointPrice	number	再帰性を調整した固定点価格の予測
forecasts[].compositeConfidence	number	4 つすべてのアルゴリズムから得られた統合信頼度スコア（0～1）

この MCP サーバーの利用料金はいくらですか？

この MCP サーバーはイベントごとの従量課金制です。ツール呼び出し1回につき $0.10がかかります。プラットフォームのコンピューティング料金も含まれています。バックグラウンドで呼び出すアクターの数にかかわらず、8つのツールすべての料金は同じ $0.10 です。

シナリオ	ツール呼び出し回数	1回あたりの料金	合計料金
簡易テスト — 単一の再帰性チェック	1	$0.10	$0.10
個別銘柄の詳細分析（全8ツール）	8	$0.10	$0.80
毎日のセクタースキャン（1日あたり10クエリ）	10	$0.10	$1.00/日
週次のリサーチワークフロー（50回の呼び出し）	50	$0.10	$5.00
頻繁なクオンツリサーチ（月500回の呼び出し）	500	$0.10	$50.00/月

コストを管理するため、実行ごとに最大支出額を設定できます。予算に達すると、サーバーは課金を停止します。

Apify の無料枠には、月額 $5 分のプラットフォームクレジットが含まれており、月50回のツール呼び出しを無料で利用できます。Bloomberg Terminal の月額 $2,000 や Refinitiv Eikon の月額 $1,200 と比べてみてください。毎日のリサーチワークフローを実行するユーザーの多くは、サブスクリプション契約なしで月額 $5〜50 を費やしています。

API 経由で MCP サーバーを利用する

Python

from apify_client import ApifyClient

client = ApifyClient("YOUR_API_TOKEN")

# Start the MCP server actor in standby mode, then call via MCP protocol
# Or trigger a direct run for testing
run = client.actor("ryanclinton/recursive-epistemic-market-mcp").call(run_input={})

# For programmatic MCP tool calls, use an HTTP client against the standby URL
import requests

response = requests.post(
    "https://recursive-epistemic-market-mcp.apify.actor/mcp",
    headers={
        "Authorization": "Bearer YOUR_API_TOKEN",
        "Content-Type": "application/json",
    },
    json={
        "jsonrpc": "2.0",
        "method": "tools/call",
        "id": 1,
        "params": {
            "name": "detect_reflexive_dynamics",
            "arguments": {
                "query": "AAPL MSFT technology stocks",
                "sector": "technology"
            }
        }
    }
)

result = response.json()
data = result["result"]["content"][0]["text"]
import json
parsed = json.loads(data)
print(f"System reflexivity: {parsed['systemReflexivity']:.2f}")
print(f"Dominant regime: {parsed['dominantRegime']}")
for state in parsed["states"]:
    print(f"  {state['ticker']}: fixed point {state['fixedPoint']:.2f}, gap {state['reflexivityGap']:.3f}, regime {state['regime']}")

JavaScript

import fetch from "node-fetch";

const MCP_URL = "https://recursive-epistemic-market-mcp.apify.actor/mcp";
const TOKEN = "YOUR_API_TOKEN";

async function callTool(toolName, args) {
    const response = await fetch(MCP_URL, {
        method: "POST",
        headers: {
            "Authorization": `Bearer ${TOKEN}`,
            "Content-Type": "application/json",
        },
        body: JSON.stringify({
            jsonrpc: "2.0",
            method: "tools/call",
            id: 1,
            params: { name: toolName, arguments: args }
        }),
    });
    const result = await response.json();
    return JSON.parse(result.result.content[0].text);
}

// Detect reflexive dynamics for semiconductor stocks
const reflexive = await callTool("detect_reflexive_dynamics", {
    query: "NVDA AMD Intel semiconductor",
    sector: "technology"
});
console.log(`System reflexivity: ${reflexive.systemReflexivity.toFixed(2)}`);
console.log(`Dominant regime: ${reflexive.dominantRegime}`);
for (const state of reflexive.states) {
    console.log(`  ${state.ticker}: p*=${state.fixedPoint.toFixed(2)}, gap=${state.reflexivityGap.toFixed(3)}, ${state.regime}`);
}

// Run full forecast
const forecast = await callTool("forecast_fixed_point_price", {
    query: "NVDA AMD Intel semiconductor"
});
console.log(`Consensus direction: ${forecast.systemForecast.consensusDirection}`);
console.log(`Epistemic uncertainty: ${forecast.systemForecast.epistemicUncertainty.toFixed(2)}`);

cURL

# Call detect_reflexive_dynamics
curl -X POST "https://recursive-epistemic-market-mcp.apify.actor/mcp" \
  -H "Authorization: Bearer YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "id": 1,
    "params": {
      "name": "detect_reflexive_dynamics",
      "arguments": {
        "query": "JPMorgan Goldman Sachs banking",
        "sector": "finance"
      }
    }
  }'

# List all available tools
curl -X POST "https://recursive-epistemic-market-mcp.apify.actor/mcp" \
  -H "Authorization: Bearer YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/list",
    "id": 1,
    "params": {}
  }'

この MCP サーバーの仕組み

フェーズ1：16のアクターによる並列データ収集

各ツール呼び出しでは、runActorsParallel を介して4〜16個の Apify アクターに同時に HTTP リクエストを送信します。runActorsParallel は apify-client SDK の Promise.all をラップしています。下流の各アクターは、180秒のタイムアウトと256MBのメモリ割り当てで実行されます。アクタークライアント（actor-client.ts）がエラーを分離して処理します。単一のデータソースに障害が発生した場合、呼び出し全体を中断する代わりに空の配列を返すため、部分的な結果も常に分析レイヤーに渡されます。

16のデータソースは、4つのデータカテゴリをカバーしています。市場価格（Finnhub、CoinGecko、Exchange Rates、ECB Rates）、企業および規制関連の提出書類（SEC EDGAR Analyzer、SEC EDGAR Filing Search、SEC Insider Trading、FDIC、Congressional Stock、OpenCorporates）、マクロ経済指標の時系列データ（FRED、BLS、Exchange Rate History）、規制および立法に関するイベント（Federal Register、CFPB、Congress Bills）です。

フェーズ 2：scoring.ts でのアルゴリズム実行

スコアリングエンジン（scoring.ts）は、8 つのアルゴリズムを実装しています。すべて、シード値付きの Mulberry32 疑似乱数生成器を使用し、同一の入力に対して決定的な結果を生成します。

再帰性の検出では、集計済み市場データから資産ごとの価格系列を抽出し、自己相関を用いて初期期待値をシードし、Picard 反復 p_{n+1} = (1-feedback)p_n + feedbackE[p_n+1|p_n] を実行します。|p_{n+1} - p_n| < 1e-8 になるか、100 回の反復を使い切るまで続けます。再帰性ギャップは |p* - p_fundamental| / p_fundamental として正規化されます。

信念階層の構築では、インサイダー取引記録（SEC Form 4、議会議員の取引）からハルサニ型オブジェクトを構築し、各取引を明らかになった私的価値シグナルとして扱います。射影極限の打ち切りでは、連続する信念層の L2 ノルムを計算することで、無限階層を深さ K で近似します。ベイズ・ナッシュ均衡は、反復最適反応によって求めます。

マイノリティゲームのシミュレーションでは、各エージェントの S=2 個の戦略を、長さ M の二値履歴を対象とするランダムな二値関数として生成し、P=2^M 個の履歴パターンを作成します。シミュレーションは num_rounds 回のラウンドで実行されます。各ラウンドで、すべてのエージェントが過去のスコアが最も高い戦略を選び、少数派の行動が勝利し、スコアが更新され、参加人数が記録されます。スピングラス秩序パラメーター（戦略の集中度）は、エージェント間における戦略スコア分布の分散として計算されます。

ラフボラティリティでは、為替レートと価格リターンの系列から得られる複数のラグスケールを用い、対数対数空間での OLS 回帰によって、対数バリオグラム V(delta) = E[(log(sigma(t+delta)) - log(sigma(t)))^2] ~ Cdelta^(2H) を当てはめます。ラフ・ベルゴミのインプライド・スキューは、リターンと分散の増分の相関として推定される rho を用いて、skew ~ -etaH*sqrt(T)*rho と近似されます。

カイルのインサイダーモデルでは、FDIC の貸借対照表のボラティリティと取引量の代理指標から sigma_v（ファンダメンタル価値のノイズ）と sigma_u（情報を持たない注文フローのノイズ）を較正し、次に lambda = sigma_v / (2sigma_u)、離散時間の後ろ向き帰納法による情報の明らかになる速度、および EKOP モデルのパラメーター化 alphadelta / (alphadelta + 2epsilon) を用いた PIN を計算します。

シンクホーン発散では、市場データとマクロデータから特徴量行列を構築し、リターンとボラティリティのしきい値に基づいて各観測値にレジームラベル（BULL/BEAR/VOLATILE/STABLE）を割り当てた後、ギブスカーネル K_ij = exp(-||x_i - x_j||^2 / epsilon) に対してシンクホーンスケーリングを 50 回反復します。バイアス補正済みのシンクホーン発散 S_eps では、自己輸送項を除去します。

回帰不連続デザインでは、Federal Register データから規制イベントをカットオフ日として特定し、実行変数（イベントからの日数）を作成して、Imbens-Kalyanaraman の最適帯域幅を用い、カットオフの両側で局所線形回帰を当てはめます。McCrary 密度検定では、カットオフ付近の実行変数分布における数値の偏りを確認します。

フェーズ 3：出力の組み立てと MCP レスポンス

各ツールは、型付きの結果を JSON オブジェクトに組み立て、MCP の CallToolResult 形式でラップして返します：{ content: [{ type: 'text', text: JSON.stringify(data, null, 2) }] }。forecast_fixed_point_price ツールはさらに forecastFixedPointPrice(reflexive, beliefs, roughVol, insider) を呼び出します。この関数は、再帰性の不動点価格に (1 - commonKnowledgeGap) を乗じて資産ごとの複合価格予測を計算し、PIN 値が高い場合は価格を下方修正し、roughnessIndex に応じて信頼区間の幅を広げます。

サーバーアーキテクチャ

サーバーは Apify の Standby モードで Express を実行し、呼び出しの間も HTTP サーバーを継続して稼働させます。POST /mcp への各 MCP リクエストでは、StreamableHTTPServerTransport（ステートレス、セッション ID なし）を使って新しい McpServer インスタンスを作成し、リクエストを処理した後、トランスポートとサーバーの両方を終了します。これにより、呼び出しの間で状態が漏洩しないようにします。サーバーは GET / に対する Apify のコンテナ準備状況プローブに、x-apify-container-server-readiness-probe ヘッダーを確認して応答します。

最良の結果を得るためのヒント

1. Finnhub とのマッチングではクエリにティッカーを含めてください。 Finnhub アクターは、標準的なティッカーシンボルとのマッチングで最も高い信頼性を発揮します。「Apple technology」だけよりも、「AAPL Apple technology」のようなクエリのほうが、適切に調整された出力が得られます。

2. まずスクリーニングツールとして detect_reflexive_dynamics を使ってください。 反射性レジーム（CONVERGENT／DIVERGENT／OSCILLATING）により、forecast_fixed_point_price を実行する前に、市場がフィードバック主導の状態にあるかどうかが分かります。

3. 完全な予測の料金は、どの単一ツールとも同じです。 forecast_fixed_point_price は1回の呼び出しで4つのアルゴリズムすべてを実行し、料金は0.10ドルです。これは単一ツールを呼び出す場合と同じ料金です。4つのツールを個別に呼び出すよりも包括的な見解が必要な場合は、いつでもこのツールを使ってください。

4. Sinkhorn の安定性に合わせて epsilon を調整してください。 価格の値が大きい金融データには、epsilon = 0.05-0.1 を使ってください。正規化されたリターンデータには、epsilon = 0.1-0.2 が適しています。sinkhornDivergence に NaN が表示された場合は、epsilon を 0.05 引き上げてください。

5. マイノリティゲームのメモリ長は感度に影響します。 M=6（履歴数 P=64）にすると、感度と計算コストのバランスが取れます。より細かな相転移の検出には、M=8 または M=10 に増やしてください。特に高頻度取引や日中の状況で有用です。

6. インサイダーのトポロジーと反射性を相互参照してください。 DIVERGENT な反射性と HIGH_INFO のインサイダーレジームが同時に見られる資産は、最も対応の優先度が高いものです。期待に起因する価格の乖離に情報を持つ取引が重なることは、強い誤価格形成の動態を示唆します。

7. 規制に関するクエリでは、規制名とセクターを具体的に指定してください。 「financial regulation」よりも「Dodd-Frank banking capital requirements」のほうが効果的です。Federal Register と CFPB のアクターが、RD カットオフの特定に向けて、より対象を絞ったイベントデータを返せるためです。

8. エージェントのワークフローには、実行ごとの支出上限を設定してください。 ループ内でツールを呼び出す AI エージェントは、すぐにコストが積み上がる場合があります。探索的なセッションでは、Apify の実行単位の支出上限を使って、支出を1～5ドルに抑えてください。

他の Apify アクターとの組み合わせ

アクター	組み合わせ方
SEC EDGAR Filing Analyzer	EDGAR の生データを直接、再帰性検出に入力します。ファンダメンタルズに基づく収益シグナルと、固定点価格予測を比較できます
Waterfall Contact Enrichment	HIGH_INFO のインサイダー・トポロジー資産を特定した後、インサイダー取引の相手方に連絡先情報や組織データを付加して、さらなる調査に活用します
Company Deep Research	粗視化ボラティリティと再帰性レジームの出力を使って、より詳細な定性的調査が必要な資産にフラグを付けます。ティッカーとレジーム分類をコンテキストとして渡します
B2B Lead Qualifier	フィンテックや金融サービスの市場開拓ワークフローでは、規制の影響推定値とリード評価スコアを組み合わせ、新しい規則の影響を最も受ける企業へのアプローチを優先できます
Website Tech Stack Detector	特定のテクノロジースタックを採用しているフィンテック企業を特定し、少数派ゲームの混雑度指標や規制 RD 推定値と照合できます
Trustpilot Review Analyzer	Trustpilot の消費者センチメントシグナルを、規制影響分析に使用する CFPB の苦情データと組み合わせることで、規制対象事業体のパフォーマンスをより包括的に把握できます
WHOIS Domain Lookup	信念階層の構築に使用する OpenCorporates の企業データを WHOIS のドメイン登録記録と照合し、事業体を検証できます

制限事項

• 公開データのみ — 16 のデータソースはすべて公開データベースです。このサーバーは、独自の注文フロー、レベル 2 市場データ、非公開の機関投資家ポジションにはアクセスしません。PIN と lambda の推定値は調整済みの代理指標であり、直接測定した値ではありません。
• 再帰性の固定点反復は収束しない場合があります — 不安定性が非常に高い市場や流動性の低い市場では、ピカール反復が p* に到達せず振動する可能性があります。収束しない資産も、convergenceIterations: 100 および OSCILLATING のレジーム分類とともに返されます。
• 粗視化ボラティリティには十分な価格履歴が必要です — 対数バリオグラム回帰によるハースト指数の推定では、信頼できる結果を得るために少なくとも 20～30 件の価格観測が必要です。新規上場資産や取引の薄い金融商品では、信頼性の低い H 推定値が生成されることがあります。
• 少数派ゲームは様式化されたモデルです — このシミュレーションが示すのは、マクロデータに基づいて調整されたレジーム分類（群集化対効率的）であり、実際のエージェント行動を文字どおり再現するものではありません。出力は順序尺度のシグナルとして扱い、正確な確率推定値とは見なさないでください。
• 規制 RD には明確なカットオフ日が必要です — 段階的に導入される規制、適用範囲が曖昧な規制、非公式に実施される規制は、鋭い RD 推定器では評価が困難です。このツールは、連邦官報に具体的な発効日が記載されている規制で最も効果を発揮します。
• 日中データやティックデータはありません — このサーバーは公開 API の日次頻度データを使用します。ティックごとの注文フローを必要とする高頻度の市場マイクロ構造分析は対象外です。
• 下流アクターの可用性 — 基盤となる 16 個のアクターのうち 1 つ以上が一時的に利用できない場合、該当するデータ部分は空で返され、アルゴリズムは入力を減らして処理を続行します。結果は返されますが、統計的検出力は低下します。
• 投資助言ではありません — すべての出力は分析的かつ定量的なものです。適用される証券法上の金融助言、取引推奨、投資調査には該当しません。

インテグレーション

• Claude Desktop — MCP サーバーの URL を claude_desktop_config.json に追加すると、あらゆる会話で Claude が8つすべての市場マイクロストラクチャーツールに直接アクセスできるようになります
• Cursor — .cursor/mcp.json 経由で接続すると、定量的なコーディングセッション中に再帰性とインサイダー・トポロジーの分析を有効にできます
• Apify API — あらゆる HTTP クライアントまたはオーケストレーションシステムから、スタンバイサーバーまたは個別の実行をプログラムで起動できます
• LangChain / LangGraph — MCP アダプターを使用すると、マルチエージェント型の金融調査パイプラインで8つすべてのツールを LangChain ツールとして公開できます
• LlamaIndex — MCP ツール仕様を介してツールをラップし、RAG で拡張した市場分析ワークフローで利用できます
• Webhooks — 規制影響の実行が完了したとき、または再帰性システムのスコアがしきい値を超えたときに、後続の通知を起動できます
• Make (Integromat) — マイノリティゲームまたは Sinkhorn ダイバージェンスのツールを定期的に呼び出し、結果を Slack または Google Sheets に送信する市場監視ワークフローを自動化できます

トラブルシューティング

• ツールが空の states または assets 配列を返す — 上流アクターの1つ以上がクエリに対してデータを返しませんでした。ティッカーシンボルを含め、より具体的なクエリを試してください（例：「Apple」ではなく「AAPL」）。Apify API トークンに下流アクターを呼び出す権限があることを確認してください。

• sinkhornDivergence が NaN または非常に大きな値になる — コスト行列のスケールに対して epsilon が小さすぎるため、Sinkhorn アルゴリズムが発散しました。epsilon を0.2または0.5に増やして再試行してください。広範な市場クエリによって、分散の大きいレジーム分布が生成される場合に最もよく発生します。

• forecast_fixed_point_price の処理が遅い、またはタイムアウトする — このツールは16個のアクターを並列で呼び出すため、コールドスタート時には60～120秒かかることがあります。タイムアウトが発生した場合は、Apify プラットフォームのステータスページを確認してください。アクターごとの180秒のタイムアウトは通常の遅延に対応しています。ネットワークが遅い場合は、タイムアウトを延長してください。

• evaluate_regulatory_impact がすべて significant: false を返す — 規制影響の評価には、Federal Register データに明確な基準日が必要です。「金融規制」のような広範なクエリでは、具体的な規制イベントを十分に特定できないことがあります。発効日がわかっている特定の規則（例：「Volcker Rule proprietary trading」）にクエリを絞り込んでください。

• サーバーが GET /mcp に対して HTTP 405 を返す — MCP エンドポイントは POST リクエストのみを受け付けます（MCP 仕様に準拠）。クライアントが GET /mcp ではなく POST /mcp を使用していることを確認してください。ヘルスチェックのエンドポイントは GET / です。

責任ある利用

• このサーバーは、一般に公開されている政府のデータベースとオープンな市場データ API のみを利用します。
• 基盤となる16個のデータソースはすべて、公式の公開データセット（SEC、FDIC、Federal Reserve、BLS、Federal Register、CFPB、ECB）または一般公開されている市場データフィードです。
• このサーバーの出力だけを投資判断の根拠にしないでください。出力は、既知の限界がある公開データと数学的モデルに基づく分析上の推定値です。
• 重要な未公開情報を利用した取引の制限を含め、適用される証券法を遵守してください。PIN とインサイダー・トポロジーのスコアは、公開されている Form 4 の提出書類から算出されており、非公開情報へのアクセスを許可するものではありません。
• ウェブスクレイピングとデータ利用の合法性に関するガイダンスは、Apifyのガイドを参照してください。

よくある質問

再帰的な認識論的市場マイクロストラクチャー分析とは何ですか？ 再帰的ゲーム理論（プレイヤーが他者の推論について推論すること）を、金融マイクロストラクチャー（個々の取引判断から価格が形成される仕組み）に適用することを指します。このサーバーは、各参加者が他の参加者の信念について抱く信念が価格に影響し、古典的なモデルでは捉えられない高次のフィードバックループを生み出す市場をモデル化します。 ソロスの再帰性とは何ですか。また、このサーバーはどのように検出しますか？ ジョージ・ソロスの再帰性理論では、市場価格は本来それを反映するはずのファンダメンタルズに影響を与えるとされています（たとえば、価格の上昇によって信用格付けが改善し、それがさらに高い価格を正当化します）。このサーバーは、p(t+1) = f(p(t), E[p(t+1)|p(t)]) をモデル化し、ピカール反復によって不動点 p* を求めることで、これを数学的に検出します。p* と観測価格の間に大きな再帰性ギャップがある場合、再帰的な動きが活発であることを示しており、バブルや暴落の兆候となる可能性があります。

ラフボラティリティのハースト指数の推定精度はどの程度ですか？ この推定値は、公開されている株価および為替レートデータに対する対数バリオグラム回帰から導出されます。実証的な金融研究では、株式市場のハースト指数は一貫して 0.10～0.20 とされており、古典的な H=0.5 の仮定よりも大幅にラフです。この推定値は、長期的な平均ではなく最新データに合わせて調整されるため、変化する市場のマイクロストラクチャーに応じて変化します。現在、出力には標準誤差は表示されません。

PIN（情報に基づく取引の確率）が高い場合、資産について何がわかりますか？ PIN が 0.5 を超える場合、キャリブレーション用サンプルで観測された取引活動の半分以上が、流動性ではなく情報に動機づけられていると推定されます。Kyle モデルでは、これは lambda（注文フロー単位あたりの価格インパクト）が大きく、価格効率性が低いことに相当します。PIN の高い資産では通常、ビッド・アスク・スプレッドが拡大し、逆選択が増え、価格発見の変動が大きくなります。

シンクホーン・ダイバージェンスは、相関や共分散とどう違いますか？ シンクホーン・ダイバージェンスは、確率分布間の最適輸送距離です。一方の分布をもう一方へ変換するための最小コストを測定します。相関とは異なり、非線形で、多峰性分布を扱うことができ、モーメントだけでなく分布の幾何学的構造にも敏感です。現在の市場レジームと STABLE レジームの間のシンクホーン・ダイバージェンスが大きい場合、2 つの分布は単に相関の仕方が異なるのではなく、構造的に異なることを意味します。

MCP 互換の AI クライアントなら何でも使用できますか？ はい。このサーバーは、標準の MCP Streamable HTTP トランスポート（ステートレス POST）を実装しています。HTTP 経由の MCP をサポートするクライアントであれば、Claude Desktop、Cursor、Windsurf、Cline、LangChain の MCP アダプター、LlamaIndex の MCP ツールラッパー、または MCP SDK を使って構築されたカスタムクライアントなど、どれでも動作します。

一般的なリサーチセッションでは、ツールを何回呼び出しますか？ 4 つのツール（再帰性、インサイダーのトポロジー、ラフボラティリティ、信念階層）を使った特定の単一銘柄分析の料金は $0.40 です。8 つのツールを使う包括的な分析一式の料金は $0.80 です。detect_reflexive_dynamics を呼び出して 5 つのセクターを毎日スキャンする場合、料金は 1 日あたり $0.50（月額 $15）です。ほとんどのリサーチユーザーの支出は月額 $5～20 です。

Bloomberg や Refinitiv とはどう違いますか？ Bloomberg Terminal と Refinitiv Eikon は生データを提供します。このサーバーは、公開データに特定の数理ファイナンスアルゴリズム（ソロスの再帰性、Kyle モデル、マイノリティゲーム、ラフボラティリティ）を適用し、AI エージェントが直接推論に利用できるレジーム分類とモデル出力を返します。Bloomberg は月額約 $2,000 で、AI ネイティブなインターフェースはありません。このサーバーはサブスクリプションなしで、分析呼び出し 1 回あたり $0.10 です。

同じクエリで実行した場合、マイノリティゲームのシミュレーション結果は変わりますか？ いいえ。スコアリングエンジンは、入力された市場データのハッシュを初期値とする、シード付きの Mulberry32 疑似乱数生成器を使用します。同一の入力データからは同一のシミュレーション結果が得られるため、出力を再現し、時系列で比較できます。 SEC EDGAR、FDIC、FRED、その他のデータソースを使用することは合法ですか？ はい。16 種類のデータソースはすべて、公式の米国政府公開データベース、またはプログラムからのアクセスに制限のないオープンな市場データ API です。SEC EDGAR、FRED、BLS、Federal Register、CFPB、FDIC は、公開 API へのアクセスを明示的に提供しています。議会議員の株式取引は STOCK Act に基づいて公開されています。Apify によるウェブスクレイピングの合法性ガイドをご覧ください。

呼び出し中に下流のアクターを利用できない場合はどうなりますか？ アクタークライアント（actor-client.ts）は、各下流の呼び出しを try-catch で囲んでいます。アクターが失敗したりタイムアウトしたりすると、呼び出し全体を中断せず、そのデータソースの結果として空の配列を返します。アルゴリズムは、利用可能なデータを使って処理を続行します。forecast_fixed_point_price が 16 個のアクターを呼び出す場合、通常、1～2 個のデータソースが利用できなくても最終出力への影響は小さくなります。一方、主要な市場データソース（Finnhub）が利用できない場合、出力に含まれる資産の数は大幅に減少します。

改善にご協力ください

問題が発生した場合は、Apify アカウントで実行の共有を有効にすると、より迅速なデバッグに役立ちます。

1. アカウント設定 > プライバシーに移動します
2. 実行を公開アクターの作成者と共有するを有効にします

これにより、問題が発生した際に実行の詳細を確認できるため、より迅速に問題を修正できます。データはアクターの開発者にのみ表示され、公開されることはありません。

サポート

バグを見つけた場合や機能をリクエストしたい場合は、このアクターのページのIssues タブで Issue を作成してください。カスタムソリューション、アルゴリズムの追加実装、エンタープライズ連携については、Apify プラットフォームを通じてお問い合わせください。