Recursive Epistemic Market Microstructure MCP Server

递归认知市场微观结构 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": {
    "recursive-epistemic-market-mcp": {
      "url": "https://ryanclinton--recursive-epistemic-market-mcp.apify.actor/mcp"
    }
  }
}

---

递归认知市场微观结构分析现已作为 MCP 服务提供，你的 AI Agent 可以直接调用。此服务提供 8 种工具，应用先进的数理金融模型——索罗斯反身性不动点迭代、Harsanyi 类型空间信念层级、少数派博弈自旋玻璃相变、粗糙波动率（H<0.5 的 fBm）、熵最优传输、用于评估监管影响的回归不连续设计，以及 Kyle 连续内幕交易模型——每种模型均基于 16 个实时公共数据源进行校准，涵盖 SEC 文件、FDIC 银行记录、国会议员股票交易、FRED 宏观指标和汇率历史数据。

通过 MCP 协议连接一次，你的 AI Agent 即可获得结构化的定量市场微观结构情报，无需管理数据管道、API 集成或金融数学实现。所有工具均按次付费，无需订阅。

可以访问哪些数据？

数据点	来源	示例
📊 SEC 10-K、10-Q、8-K 文件及分析	SEC EDGAR Analyzer	盈利质量评分、风险标记计数
📄 SEC 文件全文及元数据	SEC EDGAR Filing Search	表格类型、提交日期、CIK、受理编号
👤 高管内幕股票交易	SEC Insider Trading (Form 4)	CFO 以 $142.30 的价格出售 50,000 股
🏦 美国银行财务报表	FDIC Bank Data	总资产、一级资本、贷款损失准备金
🏛️ 国会议员股票交易披露	Congressional Stock Tracker	议员姓名、股票代码、交易日期、金额区间
📈 股票价格、报价及财务数据	Finnhub	AAPL 最新价：$185.42，市盈率：28.6，贝塔：1.24
🪙 加密货币价格及市值	CoinGecko	BTC $67,240，24 小时交易量 $38.4B，市值 $1.32T
💱 当前外汇汇率	Exchange Rate Tracker	USD/EUR：0.9214，USD/JPY：149.82
📉 历史汇率时间序列	Exchange Rate History	365 天 USD/EUR 每日收盘价序列
🏛️ 美国经济指标（GDP、CPI、利率）	FRED	联邦基金利率：5.33%，CPI 同比：3.1%
👷 就业和通胀统计数据	BLS	失业率：3.7%，工资增长：4.1%
📋 联邦规章制度	Federal Register	《多德-弗兰克法案》修正案、生效日期、CFR 引用
🏢 全球企业注册信息	OpenCorporates	司法管辖区、注册成立日期、高管
⚠️ 消费者金融投诉	CFPB	产品类型、问题、公司回应、处理结果
🇪🇺 ECB 参考汇率	ECB Rates	EUR/USD 参考汇率、日期、较前一日的变化
📜 国会法案提出及状态	Congress Bill Tracker	法案编号、发起人、委员会、最新进展

为什么使用此 MCP 服务进行市场微观结构分析？

从零开始构建量化市场微观结构分析能力，意味着要集成 16 个独立 API、实现不动点迭代算法、校准 Hurst 指数估计器，并编写 Sinkhorn 散度求解器——在编写一行领域分析代码之前，就要投入数周时间。Bloomberg Terminal 等商业替代方案每年收费 24,000 美元；即使是 Refinitiv 或 FactSet 这类较轻量的工具，每月也要收费 1,000 美元以上，而且没有原生 AI 界面。

此 MCP 服务可直接接入 Claude、Cursor 或任何兼容 MCP 的 AI 客户端。你的 Agent 只需调用一次工具，即可获得结构化 JSON，其中包含状态分类、不动点价格、知情交易概率和波动率粗糙度评分——这些结果均由并行处理的 16 个数据源的实时数据得出。

• 始终在线 — 以 Apify Standby 模式运行，可在毫秒内响应请求
• 并行获取数据 — 每次工具调用最多可同时调用 16 个 Actor，从而降低延迟
• 结构化 JSON 输出 — 每个工具都会返回类型明确、格式一致的输出，Agent 可直接据此进行推理
• 按调用付费 — 每次工具调用收费 0.10 美元，无需订阅，也无最低承诺
• 支出限额 — 在 Apify 中设置单次运行的支出上限，避免 Agent 陷入循环并累积费用
• API 和 webhook 访问 — 可从任何 HTTP 客户端、Zapier、Make 或 LLM 编排框架触发

功能

• Soros 反身性检测 — 将价格建模为 p(t+1) = f(p(t), E[p(t+1)|p(t)])，并通过 Picard 迭代求出不动点 p*，计算衡量市场价格与理性均衡之间偏离程度的反身性缺口
• 三种反身性状态 — 将市场分类为收敛（缺口缩小）、发散（泡沫／崩盘动态）或振荡（周期性反馈）
• Harsanyi 类型空间构建 — 通过投影极限截断构建 K 层深度信念层级，计算贝叶斯纳什均衡策略，并为所有已识别的市场参与者计算共同知识缺口分数
• 少数者博弈模拟 — El Farol／少数者博弈，包含 N 个 Agent（51–501，奇数），每个 Agent 有 S 个随机策略，并检测 alpha = P/N（其中 P = 2^M）处的相变；自旋玻璃序参量用于衡量策略拥挤程度
• 两种少数者博弈状态 — 判断市场处于临界 alpha 以下（从众、高波动、低效）还是以上（高效、超额波动低、策略多样）
• Kyle (1985) 连续知情交易者模型 — 计算价格冲击 lambda = sigma_v / (2sigma_u)、通过反向归纳得到的信息揭示速率、预期知情交易者利润、做市商损失，以及知情交易概率（PIN = alphadelta / (alphadelta + 2epsilon)）
• 三种知情程度状态 — 根据 PIN 和信噪比划分为 LOW_INFO、MODERATE_INFO、HIGH_INFO
• 粗糙波动率估计 — 通过对数变差函数回归估算 Hurst 指数：V(delta) ~ Cdelta^(2H)，波动率模型为 sigma(t) = sigma_0exp(etaW_H(t) - eta^2t^(2H)/2)
• 三种粗糙度状态 — SMOOTH（H>0.5）、ROUGH（0.15<H<0.5）、ULTRA_ROUGH（H<0.15），并使用粗糙 Bergomi 模型计算隐含偏斜
• 熵正则化最优传输 — 计算 BULL、BEAR、VOLATILE 和 STABLE 状态分布之间的 Sinkhorn 散度；构建 Gibbs 核 K_ij = exp(-C_ij/epsilon)，并迭代执行 u <- a/(Kv)、v <- b/(K^Tu)，直至收敛
• 状态转移概率 — Sinkhorn 散度 S_eps 消除熵偏差，并生成状态之间经过校准的转移概率估计
• 精确回归不连续设计 — 使用 tau = lim_{x->c+} E[Y|X=x] - lim_{x->c-} E[Y|X=x] 评估监管影响，并采用 Imbens-Kalyanaraman 最优带宽进行局部线性回归，同时使用 McCrary 密度检验检测运行变量操纵
• 完整递归认知预测 — forecast_fixed_point_price 在单次调用中协调全部四种核心算法（反身性 + 信念层级 + 粗糙波动率 + Kyle 模型），覆盖 16 个参与者，生成统一的多因子价格预测
• 16 个实时数据源 — SEC EDGAR（分析 + 文件）、SEC 内幕交易、FDIC、国会议员股票交易、Finnhub、CoinGecko、汇率（当前 + 历史）、FRED、BLS、Federal Register、OpenCorporates、CFPB、ECB 利率、国会议案

递归认知市场微观结构分析的使用场景

量化对冲基金研究

量化研究人员使用 detect_reflexive_dynamics 识别预期何时正推动价格偏离基本价值，并使用 assess_rough_volatility 获取 Hurst 指数，以粗糙 Bergomi 模型而非 Black-Scholes 模型进行期权定价。这两种工具会并行获取实时 FRED 宏观数据、Finnhub 报价和 SEC 文件，因此输出根据当前市场状况进行了校准，而非基于历史回测。

市场监控与合规

监管机构和合规团队使用 analyze_insider_topology，根据 SEC Form 4 文件、国会议员股票交易和 EDGAR 文件，筛查知情交易概率（PIN）升高及价格冲击 lambda 较大的情况。被标记为 HIGH_INFO 状态的资产值得深入审查。该工具的 Kyle 模型输出（知情交易者利润估计和做市商损失）为执法转介提供了量化依据。

AI Agent 金融推理

使用 Claude、GPT-4 或开源模型构建的 AI Agent，可以通过 MCP 协议直接调用这些工具，利用实时数据和严谨模型支撑金融分析。Agent 不再根据训练数据臆测市场动态，而是调用 compute_belief_hierarchy，获取描述实际参与者信念分歧的结构化类型空间输出；或者调用 simulate_minority_game，在生成投资评论前获取当前的羊群效应／效率分类。

宏观研究与政策分析

经济学家和政策分析师使用 evaluate_regulatory_impact，估算《联邦公报》中具体法规对市场结果的因果影响。该工具采用带有 Imbens-Kalyanaraman 最优带宽和 McCrary 密度操纵检验的尖锐 RD 估计器，确保基于公开数据得出的因果推断在方法上可靠，成本仅为专有计量经济学数据集的一小部分。

波动率交易与期权交易台

期权交易员使用 assess_rough_volatility，根据粗糙度状态对股票和外汇资产进行分类。处于 ULTRA_ROUGH 区间（H < 0.15）的资产，需要使用 rough Bergomi 或类似模型，才能准确校准隐含波动率曲面。该工具通过一次 MCP 工具调用，即可返回股票、加密货币和外汇资产的 Hurst 指数、波动率的波动估计值，以及 rough Bergomi 隐含偏斜输入。

状态变化与危机预警

风险经理使用 compute_entropic_transport，监测当前市场状态分布与其他状态（BULL、BEAR、VOLATILE、STABLE）之间的 Sinkhorn 散度。当转向 VOLATILE 或 BEAR 状态的概率激增时，它会基于最优传输理论提供量化的早期预警信号，而非简单的阈值规则。

如何将此 MCP 服务连接到你的 AI 客户端

1. 获取 Apify API 令牌 — 在 apify.com 注册，前往 Settings > Integrations，并复制你的 API 令牌。
2. 将服务 URL 添加到你的 AI 客户端 — MCP 端点为 https://recursive-epistemic-market-mcp.apify.actor/mcp。将其粘贴到客户端的 MCP 服务配置中（参见下方示例）。
3. 验证连接 — 将你的 Apify 令牌作为 Authorization: Bearer YOUR_TOKEN 标头传递；如果客户端要求，也可以使用令牌查询参数。
4. 开始调用工具 — 请 AI 助手“检测 AAPL 科技股的反身性动态”或“针对当前 S&P 500 市场运行少数者博弈模拟”，它便会自动调用相应的工具。

Claude Desktop

添加到你的 claude_desktop_config.json：

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

Cursor

添加到你的 Cursor MCP 设置（.cursor/mcp.json）：

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

其他 MCP 客户端

任何实现 MCP 规范的客户端（Windsurf、Cline、LangChain MCP 适配器、LlamaIndex 工具封装）都可以使用上方的 url 配置进行连接。该服务使用无状态的 Streamable HTTP 传输，无需管理会话。

MCP 工具参考

工具	价格	调用的参与者数	描述
detect_reflexive_dynamics	$0.10	8	索罗斯反身性不动点迭代。将市场分类为：CONVERGENT、DIVERGENT、OSCILLATING。
compute_belief_hierarchy	$0.10	6	Harsanyi 类型空间、K 层级信念层级、贝叶斯纳什均衡、共同知识差距。
simulate_minority_game	$0.10	4	El Farol 少数者博弈相变。自旋玻璃序参量、羊群行为检测、效率状态。
analyze_insider_topology	$0.10	7	Kyle（1985）模型。价格冲击 lambda、PIN、信息揭示率、内幕交易者利润估计。
assess_rough_volatility	$0.10	6	分数布朗运动 Hurst 指数、粗糙 Bergomi 隐含偏斜、SMOOTH/ROUGH/ULTRA_ROUGH 状态。
compute_entropic_transport	$0.10	6	BULL/BEAR/VOLATILE/STABLE 状态之间的 Sinkhorn 散度。转移概率矩阵。
evaluate_regulatory_impact	$0.10	7	使用 IK 最优带宽和 McCrary 密度检验的尖锐回归不连续设计。
forecast_fixed_point_price	$0.10	16	结合全部四种核心算法的完整递归认知预测。最全面的工具。

工具输入参数

参数	类型	工具	默认值	描述
query	字符串	所有工具	—	市场查询、公司、股票代码或行业（例如 "AAPL MSFT technology stocks"）
sector	字符串	detect_reflexive_dynamics、evaluate_regulatory_impact	—	用于缩小分析范围的行业（例如 "technology"、"finance"）
hierarchy_depth	数字	compute_belief_hierarchy	5	Harsanyi 信念层级的深度（1-10）
num_agents	数字	simulate_minority_game	101	少数者博弈参与者数量（奇数，51-501）
memory_length	数字	simulate_minority_game	6	记忆长度 M；生成 P = 2^M 种可能的历史记录（3-10）
num_rounds	数字	simulate_minority_game	200	模拟轮数（50-1000）
epsilon	数字	compute_entropic_transport	0.1	Sinkhorn 熵正则化参数（0.01-1.0；值越低越精确、速度越慢）

输入示例

检测银行业的反身性动态：

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

使用自定义参数模拟少数者博弈：

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

完整递归认知预测（所有算法，16 个参与者）：

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

《多德-弗兰克法案》对银行的监管影响：

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

输入提示

• 使用具体查询以获得更精准的结果 — "AAPL MSFT technology stocks" 比 "stocks" 能生成更精准的输出。将股票代码与公司名称一同提供，以便更好地匹配 Finnhub 数据。
• 从 detect_reflexive_dynamics 或 assess_rough_volatility 开始 — 这些工具的解读速度最快，并能清晰地分类状态，之后再深入查看更复杂的多算法输出。
• 使用 forecast_fixed_point_price 进行全面分析 — 它会在单次调用中通过 16 个参与者运行全部四种核心算法，因此费用与任何单个工具相同，为 $0.10。
• 调整 epsilon 以实现 Sinkhorn 收敛 — 0.05 到 0.2 之间的值可平衡精度与稳定性。极低的 epsilon（0.01）可能导致数值不稳定；极高的值（1.0）则会模糊状态边界。
• 少数者博弈使用奇数参与者 — 少数者博弈要求参与者数量为奇数，以避免出现平局。默认值 101 适用于大多数分析；增至 501 可更平滑地检测相变。

输出示例

detect_reflexive_dynamics — NVDA 半导体查询：

{
  "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 — 银行业查询：

{
  "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 查询：

{
  "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 — 完整递归认知预测：

{
  "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
    }
  ]
}

输出字段

字段	类型	描述
systemReflexivity	number	系统整体反身性评分，范围为 0-1；数值越高，反馈回路越强
dominantRegime	string	所分析资产中的主导状态
states[].ticker	string	资产标识符
states[].fixedPoint	number	固定点价格 p*，满足 p = f(p, E[p|p])
states[].reflexivityGap	number	市场价格与理性均衡之间的标准化距离
states[].feedbackStrength	number	价格预期反馈的幅度（0-1）
states[].regime	string	CONVERGENT、DIVERGENT 或 OSCILLATING
states[].convergenceIterations	number	达到固定点所需的 Picard 迭代次数（若不收敛则最多为 100）
commonKnowledgeGap	number	不同 Agent 类型之间高阶信念分歧的平均值
bayesianNashEquilibrium[].strategy	number	BNE 下各 Agent 类型的最优策略
types[].privateValue	number	特定 Agent 的基本价值估计
types[].rationalityBound	number	k 级理性上限（0=非理性，1=完全理性）
alpha	number	少数者博弈复杂度比率 P/N
phaseTransitionPoint	number	临界 alpha_c，低于该值时从众行为占主导
crowdingMeasure	number	自旋玻璃序参量；数值越高，策略越拥挤
volatilityRatio	number	相对于有效市场基准的超额波动率
assets[].hurstExponent	number	Hurst 指数 H；<0.5 = 粗糙，=0.5 = 标准 BM，>0.5 = 趋势性
assets[].roughnessIndex	number	标准化粗糙度评分，范围为 0-1
assets[].volOfVol	number	波动率的波动率（波动率聚集度量）
assets[].skewImplied	number	粗糙 Bergomi 模型得出的隐含偏斜
assets[].lambda	number	Kyle 价格冲击系数（每单位订单流对应的美元/股）
assets[].informedTradingProbability	number	PIN——知情交易概率（0-1）
assets[].insiderProfit	number	每个交易窗口内估计的预期内幕交易利润（美元）
assets[].priceEfficiency	number	价格效率评分，范围为 0-1；数值越低，错误定价越严重
comparisons[].sinkhornDivergence	number	两种状态分布之间的 Sinkhorn 散度 S_eps
comparisons[].transitionProbability	number	两种状态之间转移的估计概率
estimates[].treatmentEffect	number	监管影响的 RD 因果效应估计 tau
estimates[].tStatistic	number	用于检验处理效应显著性的 t 统计量
estimates[].significant	boolean	若
estimates[].mcCraryDensityTest	number	用于检测运行变量操纵的 McCrary 检验统计量
forecasts[].fixedPointPrice	number	经反身性调整后的固定点价格预测
forecasts[].compositeConfidence	number	四种算法的综合置信度评分（0-1）

使用此 MCP 服务需要多少费用？

此 MCP 服务采用按事件计费模式——每次调用工具需支付 $0.10。平台计算费用已包含在内。无论后台调用多少个 Actor，全部 8 个工具的费用均为每次 $0.10。

场景	工具调用次数	每次调用费用	总费用
快速测试——单次反身性检查	1	$0.10	$0.10
单只股票深度分析（全部 8 个工具）	8	$0.10	$0.80
每日行业扫描（每天 10 次查询）	10	$0.10	$1.00/天
每周研究工作流（50 次调用）	50	$0.10	$5.00
高频量化研究（每月 500 次调用）	500	$0.10	$50.00/月

你可以为每次运行设置最高支出限额以控制成本。达到预算后，服务将停止收费。

Apify 免费套餐每月包含 $5 的平台额度——每月可免费调用 50 次工具。相比之下，Bloomberg Terminal 每月收费 $2,000，Refinitiv Eikon 每月收费 $1,200。大多数用户运行每日研究工作流，每月花费 $5-50，无需订阅承诺。

通过 API 使用 MCP 服务

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": {}
  }'

此 MCP 服务的工作原理

阶段 1：通过 16 个 Actor 并行收集数据

每次工具调用都会通过 runActorsParallel 向 4 至 16 个 Apify Actor 并发发送 HTTP 请求；该方法基于 apify-client SDK 对 Promise.all 进行了封装。每个下游 Actor 的超时时间为 180 秒，内存分配为 256MB。Actor 客户端（actor-client.ts）负责处理错误隔离——如果任何单个数据源失败，它会返回空数组，而不会中止整个调用，因此部分结果始终能够传递至分析层。

这 16 个数据源涵盖四类数据：市场价格（Finnhub、CoinGecko、Exchange Rates、ECB Rates）、企业和监管申报文件（SEC EDGAR Analyzer、SEC EDGAR Filing Search、SEC Insider Trading、FDIC、Congressional Stock、OpenCorporates）、宏观经济序列（FRED、BLS、Exchange Rate History），以及监管/立法事件（Federal Register、CFPB、Congress Bills）。

阶段 2：在 scoring.ts 中执行算法

评分引擎（scoring.ts）实现了八种算法。所有算法均使用带种子的 Mulberry32 伪随机数生成器，确保相同输入始终产生确定性结果。

反身性检测从聚合市场数据中提取各资产的价格序列，通过自相关设定初始预期，并运行 Picard 迭代 p_{n+1} = (1-feedback)p_n + feedbackE[p_n+1|p_n]，直到 |p_{n+1} - p_n| < 1e-8 或达到 100 次迭代。反身性差距按 |p* - p_fundamental| / p_fundamental 进行归一化。

信念层级构建根据内幕交易记录（SEC Form 4、国会议员交易）构建 Harsanyi 类型对象，并将每笔交易视为揭示的私人价值信号。投影极限截断通过计算连续信念层的 L2 范数，将无限层级近似到深度 K。通过迭代最佳响应求解贝叶斯纳什均衡。

少数派博弈模拟为每个 Agent 生成 S=2 个策略，这些策略是在长度为 M 的二进制历史记录上定义的随机二进制函数，由此产生 P=2^M 种可能的历史模式。模拟运行 num_rounds 轮：每轮中，每个 Agent 选择历史得分最高的策略，少数派行动获胜，随后更新得分并记录参与人数。自旋玻璃序参量（策略拥挤度）通过计算各 Agent 策略得分分布的方差得出。

粗糙波动率利用汇率和价格收益序列推导出多个滞后尺度，并通过对数-对数空间中的 OLS 回归，拟合对数变差函数 V(delta) = E[(log(sigma(t+delta)) - log(sigma(t)))^2] ~ Cdelta^(2H)。粗糙 Bergomi 隐含偏斜近似为 skew ~ -etaH*sqrt(T)*rho，其中 rho 是收益与方差增量之间的估计相关性。

Kyle 内幕交易者模型根据 FDIC 资产负债表波动率和交易量代理指标校准 sigma_v（基本价值噪声）和 sigma_u（非知情订单流噪声），随后计算 lambda = sigma_v / (2sigma_u)、通过离散时间向后归纳法计算信息揭示率，并使用 EKOP 模型参数化计算 PIN：alphadelta / (alphadelta + 2epsilon)。

Sinkhorn 散度根据市场和宏观数据构建特征矩阵，并依据收益和波动率阈值为每条观测分配一个市场状态标签（BULL/BEAR/VOLATILE/STABLE），随后在 Gibbs 核 K_ij = exp(-||x_i - x_j||^2 / epsilon) 上执行 50 次 Sinkhorn 缩放迭代。去偏 Sinkhorn 散度 S_eps 会移除自传输项。

回归不连续设计从 Federal Register 数据中识别监管事件，将其日期作为截断点，构建运行变量（距事件的天数），并使用 Imbens-Kalyanaraman 最优带宽，在截断点两侧分别拟合局部线性回归。McCrary 密度检验用于检查截断点附近运行变量分布是否存在堆积。

阶段 3：组装输出并返回 MCP 响应

每个工具都会将其类型化结果组装为 JSON 对象，并以 MCP CallToolResult 格式封装后返回：{ content: [{ type: 'text', text: JSON.stringify(data, null, 2) }] }。forecast_fixed_point_price 工具还会调用 forecastFixedPointPrice(reflexive, beliefs, roughVol, insider)，按 (1 - commonKnowledgeGap) 对反身性不动点价格加权，针对较高的 PIN 值向下调整，并根据 roughnessIndex 扩大置信区间，从而计算各资产的综合价格预测。

服务架构

该服务在 Apify 的 Standby 模式下运行 Express，在两次调用之间保持 HTTP 服务持续运行。每个发往 POST /mcp 的 MCP 请求都会创建一个新的 McpServer 实例，并配备一个 StreamableHTTPServerTransport（无状态，没有会话 ID）；处理请求后，再关闭传输层和服务。这可确保调用之间不会泄漏状态。服务会在 GET / 上通过检查 x-apify-container-server-readiness-probe 标头，响应 Apify 容器就绪探测。

获得最佳效果的提示

1. 在查询中包含代码，以便 Finnhub 匹配。 Finnhub actor 对标准股票代码的匹配最可靠。与单独使用“Apple technology”相比，查询“AAPL Apple technology”能产生校准度更高的输出。

2. 先将 detect_reflexive_dynamics 用作筛选工具。 反身性状态（CONVERGENT/DIVERGENT/OSCILLATING）会告诉你市场是否处于反馈驱动状态，之后再决定是否调用完整的 forecast_fixed_point_price。

3. 完整预测的费用与任何单个工具相同。 forecast_fixed_point_price 会在一次调用中运行全部四种算法，费用为 $0.10，与调用任意单个工具的价格相同。需要全面分析时，请使用它，而不是分别调用四种工具。

4. 调整 epsilon 以提高 Sinkhorn 的稳定性。 对于价格量级较大的金融数据，使用 epsilon = 0.05-0.1。对于归一化收益数据，epsilon = 0.1-0.2 效果较好。如果你在 sinkhornDivergence 中看到 NaN，请将 epsilon 提高 0.05。

5. 少数派博弈的记忆长度会影响灵敏度。 M=6（P=64 个历史记录）能兼顾灵敏度和计算成本。将 M 提高到 M=8 或 M=10，可更精细地检测相变，尤其适用于高频或日内场景。

6. 交叉参考内部人拓扑与反身性。 同时呈现 DIVERGENT 反身性和 HIGH_INFO 内部人状态的资产最值得采取行动：预期驱动的价格偏离叠加知情交易，表明存在强烈的错误定价动态。

7. 查询监管信息时，明确指出法规名称和行业。 与“financial regulation”相比，“Dodd-Frank banking capital requirements”效果更好，因为这样 Federal Register 和 CFPB actor 能为 RD 截止点识别返回更有针对性的事件数据。

8. 为 Agent 工作流设置单次运行支出上限。 AI Agent 循环调用工具时，费用可能迅速累积。探索性会话中，请使用 Apify 的运行级支出上限，将费用限制在 $1-5。

与其他 Apify Actor 结合使用

Actor	组合方式
SEC EDGAR Filing Analyzer	将原始 EDGAR 输出直接输入反身性检测；将基本面盈利信号与不动点价格预测进行比较
Waterfall Contact Enrichment	识别出 HIGH_INFO 内部人拓扑资产后，补充内部人交易对手方的联系信息和组织数据，以便进一步研究
Company Deep Research	利用粗糙波动率和反身性状态输出标记需要深入定性研究的资产；将股票代码和状态分类作为上下文传入
B2B Lead Qualifier	在金融科技和金融服务的市场拓展工作流中，将监管影响估算与潜在客户资格评分结合起来，优先联系受新规影响最大的企业
Website Tech Stack Detector	识别采用特定技术栈的金融科技公司，以便与少数派博弈拥挤度指标和监管 RD 估算进行交叉比对
Trustpilot Review Analyzer	将 Trustpilot 的消费者情绪信号与监管影响分析所用的 CFPB 投诉数据结合，更全面地了解受监管实体的表现
WHOIS Domain Lookup	将 OpenCorporates 公司数据（用于构建信念层级）与 WHOIS 域名注册记录进行交叉比对，以验证实体信息

局限性

• 仅使用公开数据 — 全部 16 个数据源均为公开数据库。服务不会访问专有订单流、Level 2 市场数据或机构非公开持仓。PIN 和 lambda 估算值是经过校准的代理指标，而非直接测量值。
• 反身性不动点迭代可能无法收敛 — 对于高度不稳定或流动性差的市场，Picard 迭代可能会振荡，无法达到 p*。仍会返回未收敛资产，并将 convergenceIterations: 100 和 OSCILLATING 状态分类作为结果。
• 粗糙波动率需要足够的价格历史数据 — 通过对数变差函数回归估算 Hurst 指数，至少需要 20-30 个价格观测值才能获得可靠结果。新上市资产或交易稀疏的工具可能会产生不可靠的 H 估算值。
• 少数派博弈是风格化模型 — 模拟根据宏观数据进行校准，提供状态分类（羊群行为与有效），并非对实际 Agent 行为的字面描述。请将输出视为序数信号，而非精确概率估算值。
• 监管 RD 需要明确的截止日期 — 对于范围分散、分阶段实施或非正式实施的法规，使用尖锐 RD 估算器进行评估较为困难。对于在《联邦公报》中有具体生效日期的法规，该工具效果最佳。
• 不支持日内或逐笔数据 — 服务使用公共 API 提供的日频数据。需要逐笔订单流的高频微观结构分析不在适用范围内。
• 下游 Actor 的可用性 — 如果 16 个底层 Actor 中有一个或多个暂时不可用，相应的数据片段将为空，算法会使用减少后的输入继续运行。仍会返回结果，但统计效力较低。
• 不构成投资建议 — 所有输出均为分析性和定量性内容，不构成适用证券法下的财务建议、交易推荐或投资研究。

集成

• Claude Desktop — 将 MCP 服务 URL 添加到 claude_desktop_config.json，即可让 Claude 在任何对话中直接使用全部 8 个市场微观结构工具
• Cursor — 通过 .cursor/mcp.json 连接，在量化编码会话中启用反身性和内部人拓扑分析
• Apify API — 从任何 HTTP 客户端或编排系统以编程方式触发待命服务或单独运行
• LangChain / LangGraph — 使用 MCP 适配器，在多 Agent 金融研究流水线中将全部 8 个工具作为 LangChain 工具提供
• LlamaIndex — 通过 MCP 工具规范封装工具，用于经 RAG 增强的市场分析工作流
• Webhooks — 在监管影响运行完成，或反身性系统评分超过阈值时，触发下游通知
• Make (Integromat) — 构建自动化市场监控工作流，定期调用少数派博弈或 Sinkhorn 散度工具，并将结果推送到 Slack 或 Google Sheets

故障排除

• 工具返回空的 states 或 assets 数组 — 一个或多个上游 Actor 未返回查询数据。尝试使用更具体的查询，并包含股票代码（例如，使用 “AAPL” 而不是 “Apple”）。请检查你的 Apify API 令牌是否有权限调用下游 Actor。

• sinkhornDivergence 为 NaN 或数值非常大 — 相对于成本矩阵的尺度，Sinkhorn 算法的 epsilon 过低，导致算法发散。将 epsilon 增大到 0.2 或 0.5 后重试。对于产生分布极为分散的市场状态的宽泛查询，这种情况最常见。

• forecast_fixed_point_price 运行缓慢或超时 — 此工具会并行调用 16 个 Actor，冷启动时可能需要 60-120 秒。如果遇到超时，请查看 Apify 平台状态页。每个 Actor 的 180 秒超时应能满足正常延迟；如果网络较慢，请调高超时时间。

• evaluate_regulatory_impact 返回的 significant: false 全部为真 — 监管影响分析需要《联邦公报》数据中有明确的截止日期。像 “financial regulation” 这样的宽泛查询可能无法找到足够具体的监管事件。请将查询范围缩小到特定规则（例如 “Volcker Rule proprietary trading”），并提供已知的生效日期。

• 服务在 GET /mcp 上返回 HTTP 405 — MCP 端点只接受 POST 请求（依据 MCP 规范）。请确保客户端使用 POST /mcp，而不是 GET /mcp。健康检查端点为 GET /。

负责任地使用

• 此服务仅访问公开可用的政府数据库和开放市场数据 API。
• 全部 16 个底层数据源均为官方公共数据集（SEC、FDIC、美联储、BLS、《联邦公报》、CFPB、ECB）或公开市场数据源。
• 请勿将此服务的输出作为投资决策的唯一依据。输出是基于公开数据和数学模型得出的分析估算，存在已知局限。
• 请遵守适用的证券法律，包括禁止基于重大非公开信息进行交易的规定。PIN 和内部人拓扑评分基于公开的 Form 4 文件得出，并不会提供私人信息。
• 有关网页抓取和数据使用合法性的指南，请参阅 Apify 的指南。

常见问题

什么是递归认知市场微观结构分析？ 它指的是将递归博弈论（参与者推理他人如何推理）应用于金融微观结构（价格如何由个体交易决策形成）。该服务对市场进行建模，其中每个参与者对其他参与者信念的看法都会影响价格，从而形成经典模型所忽略的高阶反馈循环。 什么是索罗斯反身性，这个服务如何检测它？ 乔治·索罗斯的反身性理论认为，市场价格会影响其本应反映的基本面（例如，价格上涨会改善信用评级，进而为更高的价格提供依据）。这个服务通过建立数学模型 p(t+1) = f(p(t), E[p(t+1)|p(t)])，并用 Picard 迭代求出不动点 p*，从而检测反身性。p* 与观察到的价格之间存在较大的反身性缺口，表明反身性动态正在活跃，可能预示着泡沫或崩盘。

粗糙波动率的 Hurst 指数估算有多准确？ 该估算通过对公开价格和汇率数据进行对数变差函数回归得出。实证金融研究持续发现，股票市场的 Hurst 指数为 0.10-0.20，比经典假设 H=0.5 粗糙得多。该估算根据当前数据而非长期历史均值进行校准，因此能响应微观结构条件的变化。目前输出中不会报告标准误。

对于某项资产，高 PIN（知情交易概率）意味着什么？ PIN 高于 0.5，表示在校准样本中，估计超过一半的观察交易活动出于信息驱动，而非流动性驱动。对于 Kyle 模型，这对应较高的 lambda（单位订单流的价格冲击）和较低的价格效率。PIN 高的资产通常买卖价差更大、逆向选择更严重，价格发现也更为波动。

Sinkhorn 散度与相关性或协方差有何不同？ Sinkhorn 散度是概率分布之间的一种最优传输度量，用于衡量将一个分布转换为另一个分布所需的最小成本。与相关性不同，它是非线性的，能够处理多模态分布，并且关注分布的几何结构，而不仅仅是其矩。当前市场状态与 STABLE 状态之间的 Sinkhorn 散度较大，意味着这两个分布在结构上存在差异，而不只是相关性不同。

我能将它用于任何兼容 MCP 的 AI 客户端吗？ 可以。该服务实现了标准的 MCP Streamable HTTP 传输（无状态 POST）。任何支持通过 HTTP 使用 MCP 的客户端都能使用：Claude Desktop、Cursor、Windsurf、Cline、LangChain 的 MCP 适配器、LlamaIndex 的 MCP 工具封装，或任何基于 MCP SDK 构建的自定义客户端。

典型的研究会话会调用多少次工具？ 使用 4 个工具（反身性、内部人拓扑、粗糙波动率、信念层级）进行一次有针对性的单只股票分析，费用为 $0.40。调用 8 个工具的全面分析套件费用为 $0.80。每天调用 detect_reflexive_dynamics 扫描 5 个行业，费用为 $0.50/天（$15/月）。大多数研究用户每月花费 $5-20。

这与 Bloomberg 或 Refinitiv 有何不同？ Bloomberg Terminal 和 Refinitiv Eikon 提供原始数据；这个服务则将特定的数理金融算法（索罗斯反身性、Kyle 模型、少数派博弈、粗糙波动率）应用于公开数据，并返回状态分类和模型输出，供 AI Agent 直接分析。Bloomberg 每月费用约为 $2,000，且没有原生 AI 接口。这个服务每次分析调用费用为 $0.10，且无需订阅。

对于同一查询，少数派博弈模拟在不同运行之间会变化吗？ 不会。评分引擎使用以输入市场数据哈希值初始化的带种子 Mulberry32 伪随机数生成器。相同的输入数据会产生相同的模拟结果，因此输出可复现，也便于跨时间比较。 使用 SEC EDGAR、FDIC、FRED 和其他数据源是否合法？ 合法。这 16 个数据源都是美国政府官方公共数据库或开放市场数据 API，没有对程序化访问的限制。SEC EDGAR、FRED、BLS、Federal Register、CFPB 和 FDIC 均明确提供公共 API 访问。国会议员的股票交易信息依据 STOCK Act 发布。请参阅 Apify 关于网页抓取合法性的指南。

调用期间下游 Actor 不可用时会发生什么？ Actor 客户端（actor-client.ts）会使用 try-catch 包装每次下游调用。如果任何 Actor 失败或超时，它会为该数据源返回一个空数组，而不是中止整个调用。算法会使用所有可用数据继续运行。对于调用 16 个 Actor 的 forecast_fixed_point_price，丢失 1-2 个数据源通常只会对最终输出产生较小影响；如果丢失主要市场数据源 Finnhub，输出中的资产数量将显著减少。

帮助我们改进

如果遇到问题，您可以在 Apify 账户中启用运行共享，帮助我们更快地排查问题：

1. 前往 Account Settings > Privacy
2. 启用 与公开 Actor 创建者共享运行记录

这样，在出现问题时，我们就能查看您的运行详情，从而更快地修复问题。您的数据仅对 Actor 开发者可见，不会公开。

支持

发现 Bug 或有功能建议？请在此 Actor 页面上的 Issues 标签页中提交问题。如需定制解决方案、额外的算法实现或企业集成，请通过 Apify 平台联系我们。