AI导哈

神经网络时序预测服务器

一个基于模型上下文协议（MCP）的神经网络时序预测服务器，提供11种预测模型（6种基础+5种高级）和WASM加速的集成机器学习方法，适用于金融、市场分析等时序数据预测场景。

  • by solenyaresearch0000
  • TypeScript
  • 本地部署
  • 更新于
在 GitHub 查看 solenyaresearch0000/Neural-trader-MCP

使用说明

MCP神经交易员

用于神经时间序列预测的模型上下文协议（MCP）服务器。该服务器为Claude提供了分析时间序列数据并使用集成机器学习方法进行预测的能力，该方法由编译为WebAssembly的高级神经网络提供支持。

特性

  • 11预测模型 （6基础+5高级）：

    基础模型:

    • 移动平均
    • 指数平滑（Holt-Winters风格）
    • 线性趋势
    • 季节性天真
    • 自回归（类似ARIMA）
    • 神经网络（简单MLP）

    高级神经模型 （WASM加速）：

    • 长短期记忆 -长短期记忆：复杂的时间模式，推理速度快3-5倍
    • N个座位 -神经基础扩展：长期预测，训练速度提高2.5-4倍
    • 时间卷积网络 -时间卷积网络：实时预测、并行计算
    • 变压器 -基于注意力：具有可解释预测的复杂模式
    • 自回归 -自回归外生：快速、轻量级的统计模型

  • 集合预报：基于回溯测试自动组合具有优化权重的模型

  • WASM加速：高级模型使用WebAssembly可将性能提高2.5-5倍

    • 推理速度提高3-5倍
    • 训练速度提高2.5至4倍
    • 内存使用量减少25-35%
    • 如果WASM不可用，则返回JavaScript

  • 置信区间：每个预测都包括不确定性界限

  • 分析工具：统计、趋势检测、异常检测、模型比较

安装

1.建设项目

cd /home/user/Desktop/claude/mcp-neural-trader
npm install
npm run build

2.添加到克劳德代码

claude mcp add neural-trader node /home/user/Desktop/claude/mcp-neural-trader/dist/index.js

或者手动添加到您的Claude设置中：

{
  "mcpServers": {
    "neural-trader": {
      "command": "node",
      "args": ["/home/user/Desktop/claude/mcp-neural-trader/dist/index.js"]
    }
  }
}

可用工具

数据管理

工具 说明
load_data 加载时间序列数据进行预测
list_datasets 列出所有加载的数据集
list_models 列出所有训练过的模型
list_available_models 列出所有11种可用型号及其说明

预测

工具 说明
train_model 在加载的数据上训练集成模型（6个基本模型）
train_model_advanced 训练单个高级神经模型（LSTM、NBEATS、TCN、Transformer、ARX）
train_advanced_ensemble 将基本模型与高级神经模型相结合
forecast 生成具有置信区间的预测
quick_forecast 一次调用：加载、训练和预测

分析与信息

工具 说明
analyze_series 获取统计数据、趋势、波动性分析
compare_models 对单个模型进行回溯测试和排名
detect_anomalies 使用z-score方法查找异常值
get_model_info 获取特定型号的详细信息

使用示例

快速预测

Use quick_forecast with values [100, 102, 105, 103, 108, 110, 112] and horizon 5

基础合奏（6个模型）

1. Use load_data with name "btc_prices" and your price array
2. Use train_model with dataset_name "btc_prices" and model_name "btc_model"
3. Use forecast with model_name "btc_model" and horizon 7

高级神经模型（LSTM用于复杂模式）

1. Use load_data with name "btc_prices" and your price array
2. Use train_model_advanced with:
   - dataset_name: "btc_prices"
   - model_name: "btc_lstm"
   - model_type: "lstm"
   - lookback: 14
3. Use forecast with model_name "btc_lstm" and horizon 7

混合合奏（基础+高级模型）

1. Use load_data with name "btc_prices" and your price array
2. Use train_advanced_ensemble with:
   - dataset_name: "btc_prices"
   - model_name: "btc_hybrid"
   - advanced_models: ["lstm", "nbeats", "tcn"]
3. Use forecast with model_name "btc_hybrid" and horizon 7

获取型号信息

Use get_model_info with model_type "lstm" to see:
- Accuracy characteristics
- Best use cases
- Performance metrics
- Pros and cons

分析数据

1. Use load_data with your data
2. Use list_available_models to see all options
3. Use analyze_series to get statistics and trend info
4. Use detect_anomalies to find outliers
5. Use compare_models to benchmark different approaches

模型详情

集体举重是如何工作的

  1. 每个模型都基于80%的数据进行训练
  2. 模型预测剩余的20%
  3. 误差较小的模型权重较高
  4. 最终预测=所有模型的加权平均值

置信区间

置信区间表示模型之间的分歧：

  • 宽带=模型不一致（高不确定性）
  • 窄带=模型一致（低不确定性）

数据格式

时间序列应以数字数组的形式提供：

{
  "values": [100.5, 101.2, 99.8, 102.3, 103.1]
}

可选地包括时间戳：

{
  "values": [100.5, 101.2, 99.8],
  "timestamps": [1704067200, 1704153600, 1704240000]
}

性能比较

度量 基本集成 LSTM（WASM） 改进
训练速度 100% 250-400% 快2.5-4倍
推理速度 100% 300-500% 快3-5倍
内存使用率 100% 65-75% 减少25-35%
准确度（复杂数据） 70-85% 90-98% +20-28%

局限性

  • 需要至少5个数据点进行预测
  • 季节性检测假设每周具有季节性（7个周期）
  • 简化了基本神经模型（不是深度学习模型）
  • 如果WASM不可用，高级模型将回退到JavaScript
  • 内存存储（重启时数据丢失）
  • WASM模块需要Node.js 18.20.8+

性能提示

为了获得最佳精度：

  • 使用LSTM或NBEATS处理复杂的时间模式
  • 使用NBEATS进行长期预测（14+步）
  • 结合基本集成实现混合方法

对于速度：

  • 使用TCN或ARX进行实时预测
  • 使用启用WASM的型号可实现2.5-5倍的加速
  • 使用quick_forecast进行一次性预测

可解释性：

  • 使用Transformer进行基于注意力的解释
  • 使用ARX进行基于系数的解释
  • 使用compare_models了解个人贡献

建筑

mcp-neural-trader/
├── src/
│   ├── index.ts                      # MCP server entry point with all tools
│   └── models/
│       ├── forecaster.ts             # 6 basic forecasting algorithms
│       ├── advanced-neural-models.ts # 5 advanced neural models (LSTM, NBEATS, TCN, Transformer, ARX)
│       └── wasm-loader.ts            # WASM module loader and initialization
├── dist/                             # Compiled JavaScript
├── ruv-FANN/                         # Neuro-Divergent WASM modules (submodule)
│   └── ruv-swarm/npm/wasm/
│       └── neuro-divergent.wasm      # Compiled WASM for neural models
├── package.json
└── tsconfig.json

WASM集成

先进的神经模型由 神经发散剂 该项目是最先进的神经预测架构的Rust实现，编译为WebAssembly以获得最佳性能。

初始化时，MCP服务器尝试加载WASM模块，以提高2.5-5倍的性能。如果不可用，它会优雅地回退到JavaScript实现（仍然功能齐全）。

WASM模块功能

  • ✓ LSTM-长短期记忆网络
  • ✓ N-BEATS-神经基展开分析
  • ✓ TCN-时间卷积网络
  • ✓ Transformer-基于注意力的架构
  • ✓ 内存安全的Rust实现
  • ✓ 包括回退JavaScript实现

RUV Swarm集成（新）

MCP服务器现在包括与 ruv蜂群 生态系统，提供：

认知模式学习

影响预测风格的适应性思维模式：

图案 描述 最适合
convergent 保守、专注的分析 低波动性市场
divergent 探索性、广泛性 高波动性市场
lateral 创造性的、意想不到的联系 侧面趋势
systems 整体、相互关联 复杂模式
critical 谨慎、有风险意识 风险管理
abstract 大胆、以模式为导向 新颖情境

分布式自治代理（DAA）

具有可配置自主级别的多代理协调：

  • 低：手动控制，无自适应
  • 中等：建议调整（默认）
  • 高：自动生成代理，适应拓扑
  • 满的：完全自主探索

新工具

工具 说明
ruv_swarm_init 使用WASM加速初始化群
ruv_cognitive_patterns 获取所有认知模式
ruv_cognitive_train 根据结果训练模式
ruv_cognitive_best 根据市场情况获得最佳模式
ruv_spawn_agent 具有模型+模式的生成代理
ruv_consensus 从所有代理那里获得共识预测
ruv_daa_config 获取/更新DAA配置
ruv_adapt_swarm 自主适应市场条件
ruv_agent_performance 更新代理性能
ruv_swarm_status 获取全面的蜂群状态

使用示例

1. Use ruv_swarm_init with topology "mesh"
2. Use ruv_spawn_agent with type "trend", model_type "lstm", cognitive_pattern "divergent"
3. Use ruv_spawn_agent with type "seasonal", model_type "transformer", cognitive_pattern "convergent"
4. Use ruv_consensus with values [100, 102, 105, 103, 108] and horizon 5
5. Use ruv_cognitive_train with pattern_type "divergent", success true, accuracy 0.85

群体拓扑

  • 网格：完全连接，最适合复杂的协调
  • 分层的：树形结构，有组织的决策
  • 戒指：高效的顺序处理
  • 星：轮毂和辐条用于集中控制
  • 混合：自适应组合

性能优势

  • 复杂推理任务的准确率为84.8%（SWE Bench）
  • 并行协调速度提高2.8-4.4倍
  • 通过高效的任务分解减少32.3%的令牌
  • 认知模式提高预测准确率10-20%

相关 MCP