技能介绍

把 LLM 直接扔进期权定价或组合优化的任务里，结果通常是看起来合理、但经不起回测的数值。quant-engine 想解决的问题很具体：让 AI 客户端调用一组有明确数学定义的金融计算工具，而不是让模型凭记忆“算”一个 Black-Scholes 价格出来。

核心能力

服务器基于 MCP 协议，通过 FastMCP 框架暴露 24 个工具，覆盖四条主线：

期权定价：black_scholes_call / black_scholes_put 做欧式定价，implied_vol 用牛顿迭代反推隐含波动率，monte_carlo_option 走几何布朗运动模拟，option_greeks 一次性给出 Delta/Gamma/Vega/Theta/Rho，binomial_tree 用 CRR 模型并支持美式期权提前行权。
组合优化：mean_variance_optimize 调用 scipy 的 SLSQP 求解 Markowitz 问题，efficient_frontier 生成有效前沿，black_litterman 把主观观点融合进均衡收益，hrp_clustering 用层次聚类做风险平价（不需要矩阵求逆），portfolio_metrics 输出 Sharpe、波动率、最大回撤和风险贡献。
风险度量：var_historical / var_parametric / var_monte_carlo 三种口径的 VaR 并存，cvar 算条件 VaR，max_drawdown 算回撤。
固定收益：bond_price 做现金流贴现，bond_duration 同时给出 Macaulay 和 Modified 久期，bond_convexity 算凸性，nelson_siegel 拟合收益率曲线。

输入格式被刻意压成字符串：收益序列用 "0.01,0.02,-0.01"，矩阵用 "0.04,0.01;0.01,0.09"，权重向量用 "0.3,0.4,0.3"。parse_returns、parse_matrix、validate_inputs、format_result 四个工具函数负责解析与校验，减少客户端拼字符串出错的概率。

适用边界

工具集的模型假设是经典且明确的：期权部分基于几何布朗运动和无摩擦市场，VaR 参数法依赖方差-协方差假设，black_litterman 需要你给出可信的观点和置信度。这些工具适合做研究原型、因子检验或教学演示，但直接拿 var_parametric 的结果去做风控阈值，需要先确认底层分布是否满足正态假设。数值结果的精度取决于输入数据的质量和模型本身的适用范围，工具本身不做投资建议。