用Python和MCP搭建市场研究助手：从观点到证据

大多数金融AI工具只会做一件事：总结股票。你问苹果、英伟达或特斯拉，它们返回价格走势、几个财务比率，再加点公司背景。这有用，但离真正的研究还差得远。

真正的研究从观点开始，不是从股票代码。交易员或分析师更可能这样提问："苹果看起来有吸引力，因为下行风险已得到控制，且业务质量保持高位。数据真的支持这个判断吗？"这是完全不同的问题。简单总结无法回答，因为系统需要验证观点本身，而非仅仅描述公司。

这篇教程将搭建一个金融研究助手，恰好解决这个问题。它接收自然语言形式的投资观点，通过EODHD的MCP服务器拉取历史价格和基本面数据，将输入转化为结构化证据，最终返回一份带结论的简短研究备忘录。

与常规股票助手相比，这个助手的关键区别在于：它不描述公司，而是检验观点。用户提出一个可验证的论点，系统主动寻找支持、反驳或缺失的证据，而非被动罗列信息。

整个流程分为几个核心环节。首先是构建MCP客户端，建立与数据源的连接。然后解析研究提示词，将其转化为结构化请求——识别股票代码、时间窗口和待验证的具体主张。接着并行获取两类数据：历史价格数据用于计算回撤、波动率等技术指标，基本面数据用于提取市盈率、利润率等财务指标。

数据到手后，系统构建两层证据。第一层从价格数据出发，计算最大回撤、波动率分位数、风险调整后收益等信号。第二层从基本面切入，分析估值水平、盈利质量、财务健康状况。两层证据独立生成，再汇总到一个统一的事实对象中。

下一步是观点分类。系统识别用户论点中的关键断言——"下行风险已控制"属于风险类判断，"业务质量保持高位"属于质量类判断——将每个断言映射到对应的证据信号。然后判断信号与断言的关系：支持、矛盾，还是证据不足。

最终阶段生成研究备忘录。系统整合所有证据和判断，用清晰的结构呈现：先复述待验证的观点，再逐条列出支持证据、反驳证据和缺失信息，最后给出总体结论。备忘录由OpenAI模型撰写，确保语言简洁专业，适合快速决策参考。

实现这个流程需要Python 3.9及以上环境，安装mcp、openai、numpy、pandas四个库。同时需要两个API密钥：EODHD提供历史和基本面数据，OpenAI负责解析和备忘录生成。教程假设读者具备Python和异步编程基础，无需金融背景，但理解市盈率和回撤的概念会有帮助。

两个示例展示了系统的实际能力。第一个测试"高估值是否有基本面支撑"：用户认为某股票溢价合理，助手对比其估值分位数与盈利增速、ROE等质量指标，判断溢价是否站得住脚。第二个测试"波动率是否与业务风险匹配"：用户担心波动过高，助手分析价格波动的幅度和频率，对照基本面稳定性，给出波动是否过度的结论。

这个项目的价值在于重新定义了人机协作的研究范式。不是人提问、机器回答的问答模式，而是人提出假设、机器验证假设的协作模式。观点成为输入，证据成为输出，中间的黑箱被打开为可检查、可调试的流水线。