使用说明
MCP-LLM:Model Context Protocol应用研究，以提高金融AI的可靠性和可视化刷新率
“大学生利用金融AI和基于MCP的LLM可靠性提升实证研究（2025）”
概述
应用Model Context Protocol（MCP）
与现有语言模型相比 准确性（Accuracy）, 响应效率（Efficiency）, 可视化文字（Visualization Literacy） 包括实证验证增强效果的研究的实施代码和结果。
研究目的
- 根据是否适用MCP 预测准确度（RMSE、MAPE、方向匹配率） 验证差异
- 响应效率（latency，token cost） 衡量改善效果
- 可视化刷新（VLAT） 和 根据一致性 评估是否有改进
研究结构
??
主要内容
| 项目 | 内容 |
|---|---|
| 研究主题 | 提高基于MCP的语言模型的金融AI可靠性 |
| 比较模型 | 克劳德/MCP克劳德/困惑 |
| 评估区域 | 准确性（Accuracy）、效率（Efficiency）、可视化刷新（VLAT） |
| 数据来源 | 雅虎财经、FRED API、BDA金融调查（n=242） |
| 分析方法 | t检验、方差分析、ICC、Cohen’s d |
| 研究期间 | 2025.08 – 2025.10 |
实验结果
???? mcp有利
评价体系
| 评估项目 | 关键指标 | 说明 |
|---|---|---|
| 准确性（Accuracy） | RMSE、MAPE、DA、Corr | 数值预测准确度和方向一致性 |
| 效率（Efficiency） Latency，Token Cost，Determinism响应速度、令牌效率、一致性评估 | ||
| 可视化（Visualization） VLAT、Value Fidelity、Evidence Coherence可视化生成质量和分析可信度 |
技术配置
| 区分 | 使用技巧 |
|---|---|
| 模型环境 | Claude 3，困惑API |
| MCP服务器 | Node.js+MCP SDK |
| 数据处理 | Python（pandas、numpy、plotly、matplotlib） |
| 统计分析 SciPy，统计模型，Pingouin。 | |
| 创建可视化 | 牛郎星，织女星精简版 |
| 自动化 | FastAPI、Jupyter笔记本 |
数据集
- 财务预测集 -AAPL、MSFT、NVDA等主要项目的3个月OHLCV
- 新闻驱动上下文集 -基于金融新闻摘要的上下文预测
- VLAT（可视化素养评估测试） -53问题可视化解释课题（Lee et al.，基于2017）
