Insider Political Alpha MCP Server

内幕政治 Alpha MCP 服务

在 ApifyForge 上查看 | 在 Apify Store 上使用

---

快速开始

添加到你的 MCP 客户端（Claude Desktop、Cursor、Windsurf）：

{
  "mcpServers": {
    "insider-political-alpha-mcp": {
      "url": "https://ryanclinton--insider-political-alpha-mcp.apify.actor/mcp"
    }
  }
}

---

内幕政治交易信号检测——此 MCP 服务将六种机构级统计算法应用于国会议员股票披露、SEC 内幕申报、竞选财务记录和联邦合同数据，并实时向任何兼容 MCP 的 AI 客户端返回评分结果。专为量化研究人员、合规团队和政治情报分析师打造，满足他们对原始数据流之外的需求。

该服务以 Apify Standby 模式运行，通过 /mcp 端点在 MCP 协议上提供八种工具。每次工具调用都会并行调度 3-10 个 Apify 数据 Actor，汇总结果，并运行一种或多种检测算法——双变量 Hawkes 过程、Fama-French 事件研究、Ziv-Merhav 转移熵、交叉递归量化分析、双重差分或中介中心性——然后返回结构化 JSON 响应，其中包含综合 0-100 Alpha 评分、风险等级和通俗易懂的分析结果。无需 Bloomberg 订阅、无需 Capitol Trades 账户，也无需手动合并数据。

你可以提取哪些数据？

数据点	来源	示例
📊 时间巧合评分	双变量 Hawkes 过程	74 / 100（激发比例 0.37）
📈 累计异常收益（CAR）	Fama-French + 政治因子	[-5，+30] 天窗口内 +8.3%
🔗 信息流网络边	Ziv-Merhav 转移熵	"能源法案 → XOM 交易（TE=0.81）"
💸 捐款与交易协调评分	交叉递归量化分析	DET=0.62，LAM=0.54，评分=58/100
🏛️ 合同预期双重差分估计量	双重差分	delta=+42,000 美元，授标前超额买入
🕸️ 信息中介者中介中心性	Brandes 中心性算法	0.412（立法者网络中的前 3%）
⚠️ 综合 Alpha 评分	六种算法综合计算	81 / 100，风险等级：CRITICAL
📋 标记的交易-事件配对	Hawkes 激发核	滞后=3.0 天，激发贡献=0.847
📉 政治 Beta t 统计量	OLS 回归，政治因子	t=2.84（显著，p < 0.05）
🏢 顶级信息中介者	二部图投影 + BFS	立法者姓名、评分、关联公司
📜 原始国会交易记录	Congress Stock Tracker	成员、股票代码、类型、金额、日期
💰 竞选捐款记录	FEC Campaign Finance	捐款人、收款人、金额、周期

为什么使用 Insider Political Alpha MCP Server？

手动交叉比对国会议员的股票披露、Federal Register 规则制定活动、FEC 捐款时间线和 USAspending 合同授予记录，每位议员都需要数周时间。CapitolTrades 等免费工具只展示原始交易，不提供统计检验。Quiver Quant 等付费平台每月收费 50-200 美元，也不支持自定义算法访问或程序化 API。

此 MCP 服务可自动完成整套流程：跨 13 个来源并行收集数据，在汇总后的数据集上运行六种检测算法，并通过单次工具调用，从 Claude、Cursor 或任何兼容 MCP 的客户端获取包含评分结果和易读警报的结构化 JSON。

• 定时运行 — 每天或每周定期扫描，跟踪立法会议和财报窗口
• API 访问 — 使用 Apify API 从 Python、JavaScript 或任何 HTTP 客户端触发分析
• 并行数据收集 — 每次工具调用最多同时运行 10 个 actor，缩短延迟
• 监控 — 运行失败或产生 CRITICAL 级信号时，接收 Slack 或电子邮件警报
• 集成 — 将标记的信号推送至 Zapier、Make、Google Sheets、HubSpot 或 Webhook

功能

• 双变量 Hawkes 过程与 MLE 拟合 — 通过 200 次迭代的梯度下降，估计政治事件与交易序列之间的交叉激发 alpha_12 和衰减 beta_12；报告激发比例、分支比和稳态性检查结果
• 带政治因子的 Fama-French 事件研究 — 在三因子模型（市场、SMB、HML）中加入政治指标变量；计算 [-5, +30] 天窗口内的累计异常收益；t 统计量高于 2.0 时触发显著性标记
• Ziv-Merhav 转移熵网络 — 使用三分位数阈值将收益序列离散为三箱符号序列；使用根据另一序列构建的字典解析一个序列；通过归一化交叉解析复杂度加权，构建有向边；对主要信息流通道进行排序
• 交叉递归量化分析（CRQA） — 使用 dimension=2 和 delay=1 对捐款和交易金额序列进行相空间嵌入；使用距离分布第 10 百分位处的 epsilon 计算交叉递归矩阵；输出 DET、LAM、Shannon 熵和协调分数 = DET x LAM x (1 - entropy/max_entropy)
• 差分中的差分合同预期分析 — 将议员划分为处理组（具名委员会成员）和对照组；衡量合同授予前 60 天窗口内超出预期的带符号交易价值；包含平行趋势验证检验
• 介数中心性经纪检测 — 在由国会交易和 FEC 捐款二部边构建的投影单部议员图上，运行 Brandes BFS 算法；按 (n-1)(n-2)/2 进行归一化；经纪分数为中心性乘以异常收益相关性
• 五级风险复合 Alpha 评分 — 对所有算法进行加权集成（时间重合 30%、信息流 20%、经纪 20%、捐款-交易 CRQA 15%、合同预期 15%）；输出 CRITICAL / HIGH / ELEVATED / MODERATE / LOW
• 并行 actor 编排 — runActorsParallel 并发调度最多 10 个 Apify actor，每个 actor 都有独立的 120 秒超时和 256 MB 内存分配
• 注册 8 个 MCP 工具 — 每个工具均按事件单独计费，并在调用任何 actor 前执行支出限额检查
• 13 个上游数据源 — Congress Stock Tracker、SEC Insider Trading、FEC Campaign Finance、Federal Register Search、Congress Bill Search、USAspending、SAM.gov、Finnhub、FRED (DTB3, SP500, VIXCLS)、EDGAR Filing Search、EDGAR Analyzer、OpenCorporates、Company Deep Research

适用于知情交易信号检测的使用场景

定量研究与 alpha 生成

量化基金和追踪国会 alpha 的个人投资者，可以将 detect_informed_trading 或 profile_legislator_alpha 纳入系统化筛选工作流。Hawkes 激发比例和 Fama-French t 统计量提供了有统计依据的信号，可用于构建政治因子模型。完整的参数输出——alpha_12、beta_12、CAR、t-stat——可直接传入 Python 或 R 中的下游计量经济学流水线。

合规与伦理监控

立法伦理办公室、律师事务所和企业合规团队可以运行 generate_alpha_signal_report，开展广泛的 STOCK Act 筛查。CRITICAL 级别的综合评分可识别值得深入审查的情况。每个响应都包含完整的审计跟踪记录，包括数据计数、算法参数和发现字符串，以供记录存档。

调查新闻与政治研究

调查内幕交易指控的记者和智库可以调用 profile_legislator_alpha，为指定的立法者汇编完整的统计档案，一次工具调用即可涵盖交易时机、异常收益、捐赠模式和网络位置。结构化 JSON 输出可直接集成到文档管理和证据工作流中。

政府合同情报

国防承包商、游说人士和联邦市场分析师可以调用 detect_contract_anticipation，测试对特定采购类别拥有管辖权的委员会成员是否在合同授予公告发布前的 60 天窗口内表现出超额买入行为。DiD 估计量通过平行趋势验证来量化处理效应。

政治风险与 ESG 分析

承担 ESG 任务的资产管理公司和政治风险团队可以使用 map_information_flow，识别哪些监管机构或立法委员会向特定行业传递了熵最高的信息渠道。无需手动编写事件研究代码，即可据此在行业配置中构建政治风险叠加层。

学术与政策研究

研究市场微观结构和政治经济学的经济学家，可以在每个响应中直接获取原始 Hawkes 参数、传递熵边权重、CRQA 指标和 DiD 估计量，用于下游统计分析。系统始终返回完整的中间参数集，而不只是摘要标记。

如何使用 Insider Political Alpha MCP 服务

1. 连接 MCP 客户端 — 将 https://insider-political-alpha-mcp.apify.actor/mcp 添加到 Claude Desktop、Cursor 或任何兼容 MCP 的客户端配置中。在 Authorization 标头中，将 Apify API 令牌作为 bearer token 添加。
2. 选择工具 — 针对指定立法者，可从 profile_legislator_alpha 开始；针对广泛行业筛查，可使用 generate_alpha_signal_report；针对特定采购查询，可使用 detect_contract_anticipation。
3. 等待并行数据收集 — 服务会同时调度多个 actor。根据上游来源的数据量，大多数工具调用会在 2-5 分钟内完成。
4. 查看评分结果 — 结果以结构化 JSON 格式返回，包含综合评分、风险级别、组成部分评分和通俗易懂的发现。根据需要，将结果导出或转发至分析流水线。

输入参数

此 MCP 服务不接受 actor 级别的输入。它以 Apify Standby 模式运行，并通过 MCP 工具调用接收所有输入。输入架构有意设为空。工具输入将在下方的参考表中按工具说明。

工具输入参考

工具	参数	类型	必填	描述
detect_informed_trading	legislator	string	否	按议员姓名筛选
detect_informed_trading	company	string	否	公司名称或股票代码
detect_informed_trading	query	string	否	常规搜索词
compute_abnormal_returns	company	string	是	要分析的公司名称或股票代码
compute_abnormal_returns	ticker	string	否	股票代码
compute_abnormal_returns	legislator	string	否	按议员筛选政治事件
map_information_flow	query	string	否	用于筛选事件的搜索查询
map_information_flow	legislator	string	否	聚焦特定议员
analyze_donation_trade_correlation	legislator	string	否	要分析的议员
analyze_donation_trade_correlation	company	string	否	要分析的公司或捐赠者
analyze_donation_trade_correlation	query	string	否	常规搜索词
detect_contract_anticipation	contract_query	string	是	合同关键词、机构或承包商名称
detect_contract_anticipation	committee_members	string[]	否	处理组委员会成员姓名
identify_information_brokers	query	string	否	按议员、公司或行业筛选
profile_legislator_alpha	legislator	string	是	要进行画像分析的议员姓名
profile_legislator_alpha	company	string	否	聚焦特定公司进行分析
generate_alpha_signal_report	focus_sector	string	否	聚焦行业（例如“defense”“healthcare”）
generate_alpha_signal_report	time_period	string	否	时间段描述（例如“last 90 days”）

工具调用示例

对特定议员进行画像分析（最常见的使用场景）：

{
  "tool": "profile_legislator_alpha",
  "arguments": {
    "legislator": "Jane Harrington",
    "company": "Raytheon"
  }
}

广泛筛查行业 Alpha 信号：

{
  "tool": "generate_alpha_signal_report",
  "arguments": {
    "focus_sector": "defense",
    "time_period": "last 90 days"
  }
}

预测特定合同的授予情况：

{
  "tool": "detect_contract_anticipation",
  "arguments": {
    "contract_query": "Lockheed Martin F-35 depot maintenance",
    "committee_members": ["Jane Harrington", "Robert Kellner"]
  }
}

工具提示

• 从 generate_alpha_signal_report 开始——广泛扫描可在深入分析单个议员前，找出得分最高的议员和公司
• 将 profile_legislator_alpha 与公司名称搭配使用——同时指定 legislator 和 company，可让 Fama-French 事件研究聚焦于与调查最相关的股票
• 为 detect_contract_anticipation 提供 committee_members——若未提供委员会成员姓名，就无法划分处理组和对照组，DiD 估计量将返回退化结果
• 为 generate_alpha_signal_report 使用行业关键词——“healthcare”“semiconductor”或“energy”等词会同时传递给全部 10 个上游主体查询
• 在广泛扫描前设置支出上限——profile_legislator_alpha 和 generate_alpha_signal_report 各自会运行 8-10 个主体；开始前，请在 Apify Console 中配置单次运行预算

输出示例

{
  "legislator": "Jane Harrington",
  "company": "Raytheon Technologies",
  "compositeAlphaScore": 81,
  "riskLevel": "CRITICAL",
  "componentScores": {
    "temporalCoincidence": 74,
    "abnormalReturnSignal": 88,
    "informationFlow": 62,
    "donationTradeCorrelation": 71,
    "brokerageRank": 0.412
  },
  "findings": [
    "Observation window: 312 days, 18 political events, 9 trades",
    "Cross-excitation alpha_12=0.8231, decay beta_12=0.1142",
    "Excitation fraction: 37.4% of trading is politically excited",
    "ALERT: Very high political excitation — strong informed trading signal",
    "Political beta: 0.000412, t-stat: 2.841",
    "SIGNIFICANT: t-stat 2.84 > 2.0 — abnormal returns around political events",
    "Positive political beta: stocks rise around political events — potential informed buying",
    "Mean CAR over 4 event windows: +8.34%",
    "HIGH COORDINATION: Donation and trading patterns are strongly coupled"
  ],
  "dataCounts": {
    "congressionalTrades": 9,
    "federalRegisterEntries": 11,
    "congressBills": 7,
    "campaignDonations": 22,
    "stockPricePoints": 43,
    "insiderTrades": 8,
    "edgarFilings": 3
  },
  "rawTrades": [
    {
      "member": "Jane Harrington",
      "ticker": "RTX",
      "transactionType": "Purchase",
      "amount": 50000,
      "transactionDate": "2025-09-04"
    }
  ]
}

输出字段

字段	类型	描述
compositeAlphaScore	number	六种算法的加权集成分数，范围为 0-100
riskLevel	string	CRITICAL / HIGH / ELEVATED / MODERATE / LOW
componentScores.temporalCoincidence	number	Hawkes 过程得出的 0-100 分数
componentScores.abnormalReturnSignal	number	Fama-French t 统计量得出的 0-100 分数
componentScores.informationFlow	number	转移熵网络得出的 0-100 分数
componentScores.donationTradeCorrelation	number	CRQA 协调指标得出的 0-100 分数
componentScores.brokerageRank	number	介数中心性（归一化），范围为 0-1
findings	string[]	通俗易懂的调查结果、警报和统计摘要
hawkesParameters.crossExcitation	number	alpha_12：交叉激发系数
hawkesParameters.crossDecay	number	beta_12：指数衰减率
hawkesParameters.excitationFraction	number	归因于政治事件的交易比例
hawkesParameters.logLikelihood	number	最终 MLE 对数似然值
flaggedPairs[]	object[]	按激发贡献排序的前 20 个交易-事件配对
flaggedPairs[].lagDays	number	政治事件与交易之间的天数
flaggedPairs[].excitationContrib	number	该滞后期的 Hawkes 核贡献
cumulativeAbnormalReturn	number	政治事件前后 [-5, +30] 窗口内的 CAR
tStatistic	number	政治因素系数的 t 统计量
significant	boolean	t 统计量超过 2.0 时为 True
eventWindows[]	object[]	每个事件的事件前、事件后及异常收益明细
informationFlow.topChannels	object[]	网络中转移熵最高的有向边
informationFlow.networkDensity	number	转移熵图的边密度
crqaMetrics.determinism	number	DET：复现矩阵中的对角线比例
crqaMetrics.laminarity	number	LAM：复现矩阵中的垂直线比例
crqaMetrics.entropy	number	对角线长度分布的 Shannon 熵
coordinationScore	number	DET x LAM x (1 - 熵/maxEntropy)
didEstimator	number	DiD delta：授予前处理组的超额有符号收益
parallelTrendsTest	boolean	授予前趋势足够平行时为 True
anticipationScore	number	归一化合约预期信号，范围为 0-100
topBrokers[]	object[]	按介数中心性分数排序的立法者
networkStats	object	节点、边、密度、连通分量
dataCounts	object	每个上游参与方返回的记录数

知情交易信号检测的运行成本是多少？

Insider Political Alpha MCP Server 采用按事件付费定价——每次调用工具支付固定费用。平台计算成本和上游参与方成本均已包含在内。

工具	调用的参与方	每次调用的近似费用
detect_informed_trading	4	~$0.08
compute_abnormal_returns	4	~$0.08
map_information_flow	4	~$0.08
analyze_donation_trade_correlation	3	~$0.06
detect_contract_anticipation	4	~$0.08
identify_information_brokers	3	~$0.06
profile_legislator_alpha	8	~$0.16
generate_alpha_signal_report	10	~$0.20

你可以为每次运行设置最高支出限额来控制成本。服务会在每次调用工具前检查支出限额；如果已达到限额，就会返回清晰的提示信息。

相比之下，Quiver Quant Premium 每月收费 $50，Capitol Trades Pro 每月收费 $99；使用此 MCP 服务，大多数研究会话的费用低于 $5，无需订阅承诺，并可完整访问参数和获取程序化输出。

通过 API 使用 Insider Political Alpha MCP Server

Python

from apify_client import ApifyClient

client = ApifyClient("YOUR_API_TOKEN")

# Start the MCP server in Standby mode
run = client.actor("ryanclinton/insider-political-alpha-mcp").start(run_input={})

# Connect your MCP client to the actor Standby URL
# Format: https://insider-political-alpha-mcp.apify.actor/mcp?token=YOUR_API_TOKEN
print(f"MCP server started: run ID {run['id']}")
print("Connect to: https://insider-political-alpha-mcp.apify.actor/mcp")

JavaScript

import { ApifyClient } from "apify-client";

const client = new ApifyClient({ token: "YOUR_API_TOKEN" });

// Call a tool directly via HTTP MCP protocol
const response = await fetch(
  "https://insider-political-alpha-mcp.apify.actor/mcp?token=YOUR_API_TOKEN",
  {
    method: "POST",
    headers: { "Content-Type": "application/json" },
    body: JSON.stringify({
      jsonrpc: "2.0",
      id: 1,
      method: "tools/call",
      params: {
        name: "profile_legislator_alpha",
        arguments: {
          legislator: "Jane Harrington",
          company: "Raytheon"
        }
      }
    })
  }
);

const result = await response.json();
const output = JSON.parse(result.result?.content?.[0]?.text || "{}");
console.log(`Alpha score: ${output.compositeAlphaScore} — ${output.riskLevel}`);
console.log(`Findings: ${output.findings?.slice(0, 3).join("; ")}`);

cURL

# Call the MCP server directly via the Standby endpoint
curl -X POST "https://insider-political-alpha-mcp.apify.actor/mcp?token=YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/call",
    "params": {
      "name": "generate_alpha_signal_report",
      "arguments": {
        "focus_sector": "defense",
        "time_period": "last 90 days"
      }
    }
  }'

# Or start a normal actor run (exits after health-check in non-Standby mode)
curl -X POST "https://api.apify.com/v2/acts/ryanclinton~insider-political-alpha-mcp/runs?token=YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{}'

Insider Political Alpha MCP Server 的工作原理

阶段 1：并行数据收集

收到工具调用后，服务器会通过 runActorsParallel 使用 Promise.all 并行调度 3-10 个 Apify actor。每个 actor 调用的超时时间为 120 秒，内存分配为 256 MB。失败会单独捕获——对于任何超时或出错的数据源，都会返回一个空数组；分析则会使用已获取的数据继续进行。

这 13 个上游 actor 覆盖：国会股票披露（Congress Stock Tracker）、SEC Form 4 内部人申报（SEC Insider Trading）、FEC 捐款记录（FEC Campaign Finance）、《联邦公报》规则制定条目（Federal Register Search）、已提交的法案（Congress Bill Search）、合同授予信息（USAspending + SAM.gov）、股票价格序列（Finnhub）、宏观经济因素（FRED：DTB3、SP500、VIXCLS）、EDGAR 公司申报文件（EDGAR Filing Search + EDGAR Analyzer）以及企业记录（OpenCorporates）。

第 2 阶段：统计信号检测

组装好的数据集会经过 scoring.ts 中实现的六种算法中的一种或多种：

Hawkes 过程 — 从所有数据类型的异构字段（date、transactionDate、filingDate、publishedDate、actionDate）中提取时间戳，将其规范化为距最早观测日的天数，并使用学习率 0.001，在 200 次迭代中通过带非负约束的 MLE 梯度下降进行拟合。交叉激发比例 F = (alpha_12 / beta_12) / total_intensity 用于确定交易中有多大比例是“受政治激发的”。系统会筛选 60 天窗口内、核贡献高于 0.05 的交易—事件对，并按激发贡献排序，作为标记对呈现。

Fama-French 事件研究 — 根据 Finnhub 收盘价计算每日价格回报；无风险利率取自 FRED DTB3（若不可用，则默认为年化 5%）。通过带有政治指标变量的 OLS 回归估算 alpha、市场 beta 和政治 beta 系数。在每个政治事件日期前后 [-5, +30] 天的窗口内累积 CAR。t 统计量高于 2.0 时会触发显著性标记；政治 beta 为正表示可能存在知情买入。

传递熵 — 使用三分位数阈值，将时间序列离散为由三种符号组成的序列。Ziv-Merhav 交叉解析复杂度估算器会从一个序列构建完整的子串字典（长度最多为 10），并对另一个序列进行贪心解析。相对于序列长度，短语数量越少，表示共享信息越多。标准化 TE 值构成有向边权重；系统会对边进行排序，以呈现主要的信息流通道。

CRQA — 对捐款和交易金额序列进行 z 分数标准化，然后使用 Takens 延迟嵌入，以维度=2、延迟=1 进行相空间嵌入。使用所有成对距离的第 10 百分位数作为 epsilon，构建交叉递归矩阵 CR(i,j) = Theta(epsilon - ||x_i - y_j||)。DET 将长度 >= 2 的对角线上的递归点计为总递归点的比例。LAM 统计垂直线上的点数。计算对角线长度分布的 Shannon 熵。协调评分 = DET x LAM x (1 - entropy/max_entropy)。

双重差分 — 通过将 committee_members 与各数据源中的议员姓名字段进行字符串匹配，把交易划分为处理组（指定委员会成员）和对照组。在奖励前 60 天和奖励后 30 天的窗口内，计算有符号交易金额的均值（买入为正，卖出为负）。DiD 估算值 delta = treatment_delta - control_delta。平行趋势检验会检查奖励前的趋势差异是否低于对照组均值的 10%。

中介中心性 — 根据议员—公司交易边和捐赠者—接收者捐赠边构建二分图。通过共享公司邻接关系，将该图投影为单部议员网络。Brandes 的基于 BFS 的中介算法会计算所有节点的精确中心性，并以 (n-1)(n-2)/2 进行归一化。中介评分 = betweenness x (1 + abnormal_return_correlation)。

第 3 阶段：综合评分与输出组装

对于 profile_legislator_alpha 和 generate_alpha_signal_report，各组成部分的分数按固定权重合并：时间重合度 30%、信息流 20%、中介作用 20%、捐款—交易 CRQA 15%、合同预期 15%。风险阈值：CRITICAL >= 80、HIGH >= 60、ELEVATED >= 40、MODERATE >= 20、LOW < 20。所有算法中间参数、数据计数和发现说明字符串都会返回，以便全面审计。

获得最佳结果的提示

1. 准确填写立法者姓名。 Congress Stock Tracker 和 FEC 会按姓名字符串匹配对象。使用官方披露中显示的全名——“Robert M. Kellner”，而不是“Kellner”——以尽可能多地检索记录并避免误报。

2. 将行业关键词与 generate_alpha_signal_report 搭配使用。 focus_sector 参数会同时传递给所有 10 个上游对象查询，从而确保数据在主题上保持一致，并提高 Hawkes 和 CRQA 算法的信噪比。

3. 对较高的 Hawkes 分数采取行动前，先检查分支比。 激发比例高于 0.4 会触发 ALERT，但分支比 >= 1 表示 Hawkes 过程具有爆炸性，因数据稀疏，参数估计可能不可靠。此时 findings 数组中会包含 WARNING 消息。

4. 查看各项分数，而不只是综合分数。 一位综合分数为 75、且完全由中介中心性驱动的立法者，其风险特征与综合分数为 75、但由显著 t 统计量驱动的立法者不同。各项分数有助于判断哪些证据可用于采取行动。

5. 进行合同预期分析时，务必提供 committee_members。 如果未提供具名的处理组成员，DiD 估计器会将所有国会交易者视为控制组，并返回接近零的预期分数。

6. 设置单次会话的支出限额。 profile_legislator_alpha 和 generate_alpha_signal_report 每次会启动 8-10 个上游对象。在开始大范围扫描前，请在 Apify Console 中配置运行支出限额。

7. 调用 detect_informed_trading 后，继续调用 compute_abnormal_returns。 如果 Hawkes 分数偏高，Fama-French 事件研究可通过独立的统计路径提供佐证或反证。

与其他 Apify 对象搭配使用

对象	搭配方式
Congress Stock Tracker	内部使用；直接调用以检索原始交易披露，再将整理后的数据集传递给 MCP 工具
SEC Insider Trading	内部使用；独立提取某家公司的 Form 4 文件，在自定义分析中补充国会数据
FEC Campaign Finance	内部使用；直接检索 PAC 或企业捐助者网络，在调用 MCP 工具前对 CRQA 输入进行预筛选
Company Deep Research	在运行 detect_informed_trading 后调用，为任何被标记的股票代码构建完整的公司情报档案
EDGAR Filing Search	与 compute_abnormal_returns 同时运行，关联 10-K/10-Q 文件日期与政治事件窗口
USAspending Search	直接查询历史合同授予数据，以验证并补充 detect_contract_anticipation 的发现
WHOIS Domain Lookup	识别信息中介网络关系边中出现的空壳实体或 LLC 的所有权模式

局限性

• 上游数据存在延迟。 国会议员股票披露有 30-45 天的《STOCK Act》披露窗口。FEC 记录按季度申报周期更新。分析反映的是已报告的公开数据，而非实时持仓。
• 名称匹配基于字符串。 立法者和公司名称通过在上游参与者响应字段中进行子串匹配。名称模糊、昵称或首字母缩写会降低检索效果，并削弱统计估算的准确性。
• 数据稀疏会降低算法可靠性。 Hawkes 过程至少需要 2 个政治事件和 2 笔交易；CRQA 要求每个序列至少有 5 个数据点。观测值较少时，算法会返回零分，并指出数据不足，而不是产生误报。
• 没有实时价格数据。 股票价格序列来自 Finnhub 的历史数据端点。此流程不提供日内或逐笔数据。
• 相关性不代表因果关系。 较高的时间重合度分数和显著的 Fama-French t 统计量属于统计关联，并非内幕交易的法律证据。在得出任何法律或合规结论之前，必须通过独立证据予以佐证。
• 中介中心性要求网络达到最低规模。 如果检索到的数据集中立法者不足 10 名，投影图会过于稀疏，无法得出有意义的中心性分数。未筛选立法者的宽泛查询会产生更丰富的网络结果。
• FRED 因子代理指标经过简化。 Fama-French 实现使用 DTB3 作为无风险利率，使用 SP500 作为市场因子。当前实现将 SMB 和 HML 的贝塔系数设为零，因此该模型实质上是 CAPM 加政治因子的回归模型。
• 必须使用待机模式。 此服务仅在 Apify 待机模式下运行。常规 Actor 运行会在返回简短的健康检查响应后退出。请使用兼容 MCP 的客户端，或直接调用 /mcp 端点。
• 上游 Actor 超时。 每个上游数据源的超时时间为 120 秒。如果数据源响应缓慢或不可用，则会返回空数组，分析会在数据减少的情况下继续进行；具体情况可在 dataCounts 字段中查看。

集成

• Zapier — 按每周计划触发 generate_alpha_signal_report 调用，并将 CRITICAL 级别信号发送到 Slack 频道或合规收件箱
• Make — 构建工作流，为观察名单中的每个姓名调用 profile_legislator_alpha，并将综合分数记录到 Airtable
• Google Sheets — 导出标记出的交易事件对和各项分数，并在每次分析运行后刷新跟踪电子表格
• Apify API — 以编程方式启动和管理待机运行；轮询 Actor 运行状态，并通过数据集端点获取输出
• Webhooks — 在运行完成时触发 Webhook，让下游合规工作流无需轮询即可使用结果
• LangChain / LlamaIndex — 在 LangChain Agent 中将 MCP 服务注册为工具提供方，以便在 AI 推理循环中开展多步骤的内幕交易研究

故障排除

• 所有组件评分均为零。 这表示上游 Actor 返回了空数据集。检查 dataCounts 字段——如果所有计数均为零，说明查询范围过窄，或某个上游 Actor 超时。扩大搜索词范围或移除筛选条件后重试。

• 发现结果中出现 Hawkes 分支比 >= 1 的警告。 Hawkes 过程要求满足平稳性（分支比 < 1）。此警告表示相对于观测窗口而言，数据较为稀疏。扩大查询范围以获取更多数据，或将本次运行的时间巧合评分视为不可靠。

• detect_contract_anticipation 返回 anticipationScore: 0。 如果无法从 USAspending 或 SAM.gov 结果中解析出合同授予日期，或 committee_members 为空，就会发生这种情况。直接调用 USAspending Actor，确认 contract_query 能返回记录，并且始终至少提供一位委员会成员的姓名。

• 工具调用返回支出限额错误消息。 每个工具都会在运行上游 Actor 前检查 Actor.charge()。如果响应中的 eventChargeLimitReached 为 true，请在 Apify Console 的 Actor Settings > Monetization 下提高本次运行的支出限额，然后重试。

• MCP 客户端无法连接到服务。 确认 Actor 正在 Standby 模式下运行——检查运行日志中是否输出 "MCP Server listening on port"。正常（非 Standby）运行会在一秒后退出，并显示健康检查消息。MCP 端点是 Actor 的 Standby URL 上的 POST /mcp。

负责任地使用

• 此服务仅访问美国官方来源公开提供的政府披露数据：congress.gov STOCK Act 申报、FEC.gov、Federal Register、USAspending.gov、SAM.gov 和 SEC EDGAR。
• 统计结果是研究工具。未经合格专业人士独立核实，不构成法律结论、投资建议或可采纳的证据。
• 使用或发布基于此工具得出的发现时，请遵守适用的证券法、记者保护法和数据保护法规。
• 不要利用这些发现骚扰、诽谤披露记录中提到的个人，或对他们作出未经证实的公开指控。
• 有关公共数据访问和网页抓取合法性的指导，请参阅 Apify 的指南。

常见问题

什么是 MCP 服务？Insider Political Alpha MCP Server 如何连接到我的 AI 客户端？ MCP（Model Context Protocol）服务会公开工具，供 Claude Desktop 或 Cursor 等 AI 客户端在对话期间调用。此 Actor 在 Apify Standby 模式下运行，并在持久的 /mcp HTTP 端点上监听。将 Standby URL 与作为 bearer 的 Apify API token 添加到客户端配置中，即可立即使用这八个可调用函数。

每个知情交易信号检测工具会调用多少个 Actor？ 根据工具不同，为 3 到 10 个。detect_informed_trading、compute_abnormal_returns、map_information_flow 和 detect_contract_anticipation 各自并行运行 4 个 Actor。analyze_donation_trade_correlation 和 identify_information_brokers 各运行 3 个。profile_legislator_alpha 运行 8 个，generate_alpha_signal_report 则同时运行全部 10 个数据源。

Hawkes 过程的时间巧合评分有多准确？ 该评分反映了通过双变量 Hawkes 过程拟合的极大似然估计（MLE）交叉激发比例。当两个序列在 60 天观测窗口内都至少包含 10 条观测时，评分最可靠。数据点较少时，发现结果数组会提示数据不足，不应将该评分视为有意义的结果。发现结果中若分支比 >= 1，也表明参数估计不可靠。 这款知情交易工具能否替代法律尽职调查或合规审查？ 不能。算法根据公开披露数据得出统计关联。它们识别的是值得进一步调查的模式，而非法律结论。任何合规行动、监管转介或公开发布，都必须由具备资质的法律顾问独立核实。

使用国会交易和 FEC 数据进行分析是否合法？ 合法。国会议员股票披露（STOCK Act 文件）、FEC 竞选财务记录、Federal Register 条目、USAspending 合同数据和 SEC EDGAR 文件都是美国政府发布的公开记录，没有访问限制或禁止分析的服务条款。如需了解更多背景，请参阅 Apify 关于网页抓取合法性的指南。

这与 Quiver Quant 或 Capitol Trades 有何不同？ Quiver Quant 和 Capitol Trades 在面向消费者的仪表板中展示原始国会交易记录，但不进行统计检验。此 MCP 服务应用六种检测算法——Hawkes 过程、Fama-French 事件研究、Ziv-Merhav 转移熵、CRQA、DiD 和中介中心性——生成带评分的信号，并提供完整的中间参数。除了国会交易，它还整合了竞选财务、联邦合同和 SEC 内部人申报数据，并且可通过 MCP 协议或 Apify API 完全编程控制。

一次典型的 profile_legislator_alpha 工具调用需要多长时间？ 通常需要 2-5 分钟。该工具会并行调度 8 个 actor，每个 actor 的超时时间为 120 秒。总耗时取决于响应最慢的上游 actor。对于包含 10 个并行 actor 的全行业 generate_alpha_signal_report 调用，预计需要 3-7 分钟。

能否将此 MCP 服务设为每周自动生成行业报告？ 可以。使用 Apify Scheduler 定期触发 generate_alpha_signal_report 调用。结合 Zapier 或 Make，即可自动将 CRITICAL 或 HIGH 风险信号发送到监控仪表板或通知渠道。

如果上游 actor 未返回查询所需的数据，会发生什么？ 服务会捕获空数据集响应、记录警告，并继续使用其余数据源。对于空输入，评分算法会返回零分，并指出数据不足。每个响应中的 dataCounts 字段都会准确显示各个上游 actor 返回的记录数量，让数据缺口一目了然。

能否持续监控一份国会议员观察名单？ 单次调用本身不支持此功能。可以通过客户端循环为每位国会议员分别调用一次 profile_legislator_alpha，也可以使用遍历观察名单的 Make/Zapier 工作流。每次调用都会单独计费。

Fama-French 政治 beta 与股票价格和事件日期之间的简单相关性有何不同？ 政治 beta 通过 OLS 回归估算，并同时控制市场风险（市场因子）、规模（SMB 代理变量）和价值（HML 代理变量）。剔除共同因子暴露后，若政治 beta 为正，说明政治事件前后的收益相对于因子模型的预测值存在异常——与股票价格和事件日期的原始相关性相比，这是统计上更有力、也更具体的信号。

能否获取原始 Hawkes 参数和 CRQA 指标，用于自己的下游分析？ 可以。每个工具响应都包含完整参数集：Hawkes 的 alpha_12、beta_12、alpha_22、beta_22、激发比例和对数似然；CRQA 的 DET、LAM、熵和协同评分；转移熵边权重；处理组和对照组的 DiD 处理前/后收益；以及中介中心性值。输出为结构化 JSON，可直接导入 R、Python pandas 或任何计量经济学工作流。

帮助我们改进

如果遇到问题，启用 Apify 账户中的运行共享功能，可以帮助我们更快地调试：

1. 前往 账户设置 > 隐私
2. 启用 与公开 Actor 创建者共享运行记录

这样，如果出现问题，我们就能查看运行详情并更快地修复问题。只有 Actor 开发者可以查看你的数据，不会公开。

支持

发现 Bug 或有功能需求？请在此 Actor 页面上的 问题选项卡中提交问题。如需自定义评分算法配置、集成其他数据源或进行企业部署，请通过 Apify 平台联系我们。