QuantContext

QuantContext

QuantContext 是一个 MCP 服务，可将通俗英语策略描述转化为可执行的量化研究：按任意条件筛选股票、使用历史数据进行回测，并运行因子分析以了解收益来源。所有数值均基于真实市场数据计算，并非由 LLM 生成。结果完全可复现。

适用于 Claude、Codex、OpenCode 或任何兼容 MCP 的编码 Agent。

安装

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"
    }
  }
}

无需 API 密钥。无需配置。

工具

三个工具可组合成完整的研究工作流：

screen_stocks -> backtest_strategy -> factor_analysis

工具	功能
screen_stocks	根据基本面、动量、质量、技术信号或多因子组合，筛选 S&P 500、Nasdaq 100 或 Russell 2000 成分股。返回按排名排序的候选股。
backtest_strategy	使用再平衡循环引擎对策略进行历史回测。返回 CAGR、夏普比率、最大回撤、权益曲线和交易日志。
factor_analysis	将策略收益分解为 Fama-French 因子（市场、规模、价值、动量）。返回带 t 统计量的 alpha、因子载荷和 R 平方。

示例提示词

股票筛选：

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

回测：

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

完整研究工作流：

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?

筛选类型

筛选	描述	关键参数
fundamental_screen	按 PE、ROE、杠杆率、营收增长筛选	pe_lt、roe_gt、debt_equity_lt、revenue_growth_gt
quality_screen	盈利能力和资产负债表健康状况	roe_gt、debt_equity_lt、profit_margin_gt
momentum_screen	按 N 日价格动量排名	lookback_days、top_pct
value_screen	按估值筛选出价格最低的股票	pe_lt、top_n
factor_model	多因子综合评分	weights（价值／动量／质量／波动率）、top_n
technical_signal	RSI 和 SMA 交叉信号	rsi_period、sma_short、sma_long
mean_reversion	低于 z-score 阈值的股票	lookback_days、z_threshold

在 Python 中使用

这些工具也可直接导入，无需 Agent。如果你已有脚本，并希望接入回测或因子分析，这会很实用。

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"])

策略使用上表中的内置筛选类型来表示。所有函数均为异步函数，并返回 JSON 字符串。

数据

所有数据均为公开数据，无需 API 密钥。

数据	来源	缓存
日 OHLCV 价格	Yahoo Finance（yfinance）	~/.cache/quantcontext/prices.parquet
基本面数据（PE、ROE、利润率等）	Yahoo Finance	~/.cache/quantcontext/financials/，TTL 为 24 小时
Fama-French 因子（Mkt-RF、SMB、HML、Mom）	Kenneth French Data Library	~/.cache/quantcontext/ff_factors.parquet
股票池列表（S&P 500、Nasdaq 100）	Wikipedia	~/.cache/quantcontext/sp500_tickers.json

首次调用工具时会下载并缓存数据（10-30 秒）。之后的调用均使用本地缓存：筛选不到 1 秒，回测耗时 3-8 秒。

若要跳过冷启动，请在安装后运行一次：

quantcontext-warmup --url https://quantcontext.ai/api/data

链接

• 文档 — 完整参考、示例和方法论
• PyPI

许可证

MIT