Free Stockdb MCP Server

[08-10]windows，macos，alpine，manylinux版本已发布。[08-04]mac，linux版本完成，已通过多轮压力测试，即将发布。

free-stockdb

本地量化数据引擎

面向 A 股日K、分钟K与 ETF 分钟、tick级数据的本地量化引擎。free-stockdb 将数据同步、清洗、复权、组织为可直接用于批量查询、批量计算研究的数据底座。

❤️双击更新 -> 双击启动 -> 直接调用。

下载地址1

下载地址2

数据本地落盘，研究不再依赖远程接口。

本地优先	增量同步	数据支持(按需)	本地指标计算	五种调用方式
数据在用户磁盘	只处理变化数据	日/周/月/1/5/15/30分钟/tick	39 种指标、5 种指数	Python / HTTP / Excel / HTML / MCP

flowchart TB
    A["数据更新：同步、清洗、复权、增量"] --> B["free-stockdb 本地数据与计算引擎"]
    B --> C["Python SDK"]
    B --> D["HTTP API"]
    B --> E["Excel / WPS"]
    B --> F["HTML 网页"]
    B --> G["AI MCP"]

同步后的查询、计算、回测和接口都使用本机数据，不与远程请求链路耦合。

为什么需要本地数据引擎

全市场批量回测的瓶颈不是策略代码，而是数据工程。以全市场 7000+ 股票分钟线回测为例，远程 API 方案的真实工作量：

环节	在线 API 方案的真实耗时	free-stockdb
数据下载	全市场分钟数据逐股请求，受限频/积分/IP 风控约束，实测需要3-5 天；爬虫方案批量拉取封号/限频	通过 sync_url.txt 配置数据源，Zstd 压缩传输，增量同步，断点续传
数据清洗	处理停牌、退市、代码变更、缺失补拉、时间排序，1-2 天	同步流程自动完成
复权处理	获取分红送转数据、推算复权因子、历史回刷，1-2 天	内置完整复权因子，查询时写时计算
存储设计	选型数据库、设计表结构、建索引、批量入库、优化查询，1-3 天	定制 C++ 时序引擎，开箱即用
指标计算	编写 MA/MACD/KDJ 等公式、pandas 全市场遍历极慢（单次数小时），2-3 天	内置 39 指标 + 5 指数，Rust 计算核心比 pandas 快 3 倍，数秒完成
板块映射	爬取概念/行业数据、构建双向索引、持续维护，1-2 天	内置申万一二三级 + 1200 概念板块，bk.get() 毫秒查询
接口对接	Python/HTTP/Excel/AI 各自对接维护，1-2 天	五种调用方式统一内置
合计	最少 10-15 个工作日才能跑通第一个全市场策略	30 分钟内从零到可运行

远程 API 方案在全市场回测场景下不是慢，是跑不通。free-stockdb 将数据工程与策略研究完整解耦：数据更新在同步层完成，策略只读本地数据集，数据源可替换，研究接口不变。

已集成的数据工程

使用者原本需要维护	启动后直接获得
接口 Token、限频、封ip、断点恢复和全市场数据调度	数据源增量同步、文件校验和本地存量数据
新股、停牌、退市、代码变更、时间排序与历史修正	统一的数据组织、复权因子与查询协议
数据库选型、表结构、索引、批量入库和查询优化	本地 C++ 时序数据服务，按代码和时间范围批量读取
pandas/DataFrame 拼接、指标滚动计算与中间缓存	zb.get() 批量指标和指数计算接口
Python、HTTP、Excel、网页、AI 工具的多套对接	一套本地协议对应 Python SDK、HTTP API、Excel/WPS、HTML、MCP

数据完成同步后，查询、计算和回测只依赖本地数据集；更新与研究彼此独立。

两分钟开始

Windows 使用者可从 Releases 下载发行包。首次运行：

1. 运行数据更新工具
2. 数据同步到 ./data
3. 启动 stockdb (仅2.2mb)
4. 直接使用 Python、HTTP、Excel/WPS、网页或 MCP 查询本机数据

已有数据完整落盘在 ./data；后续更新只处理变化数据，离线时仍可继续查询、回测和计算。

数据存储与数据源

历史数据采用 Zstd 压缩，不按未压缩记录体积占用磁盘，比csv/mysql小3倍以上。首次同步从配置的数据源获取历史数据，后续只更新增量，不走逐股、逐页的远程 API 拉取流程。

默认数据集聚焦高频行情与复权，底层数据库支持任意自定义数据存储，低频率数据：财报、宏观、资金流等可按需要接入同一套本地查询与计算引擎。

核心能力

本地全市场数据运行时

• 日线、周线、月线，以及 1/5/15/30 分钟 K 线，tick级数据(按需)
• 价格、成交量、成交额、换手率、估值、市值、ST 等常用字段
• 前复权、后复权、不复权和原始复权因子查询
• 股票、ETF、行业和概念板块的组织与双向查询
• 本地存储、无远程查询延迟，研究和回测不受远程 API 并发配额影响
• 可配置局域网服务，多人协作、分布式回测。

批量查询与计算

result = rd.get_data(
    code=7000_codes,         # 7000+ 股票 / ETF
    start=any_start,              # 任意时间周期
    end=any_end,
    frequency=any_frequency,# 分钟 / 日 / 周 / 月
    fq=any_fq,                      # 前复权 / 后复权 / 不复权
    fields=any_fields,          # 任意单多字段筛选
    as_df=False/True          # 返回list、dict、 DataFrame
)

result = zb.get(
    name="ma,kdj,macd,....",      # 39指标 / 5种指数计算
    codes=7000_codes,        # 单股 / 批量 / 全市场
    start=any_start,        # 任意时间范围
    end=any_end,
    frequency=any_frequency, # 分钟 / 日 / 周 / 月
    fq=any_fq,               # 前复权 / 后复权 / 不复权
    n=["5,10,20", None, "12,26,9"],  # 每个指标独立参数
    cross="with_value"       # 原始指标 / 金叉信号 / 二者同时返回
)

result = bk.get(
    x=code_or_board_or_codes,   # 股票代码 / 板块名称或代码 / 批量股票
    category=0-3,                      # 概念板块 / 申万一级 / 申万二级 / 申万三级
    fields="code,name,symbols" # 任意单多字段筛选
)

get_data() 面向全市场、长周期和字段筛选；zb.get() 面向 39 种技术指标和 5 种指数计算；bk.get() 用于股票与行业/概念板块的双向映射。数据和计算始终在本机服务侧完成，避免研究代码反复把全市场数据搬运到远程 API 或临时 DataFrame 中。股票优化查询器rd.get/keys/vals()支持区间a>b，正则*，排序，截取[:num]，遍历，类SQL查询。

批量写入私有存储[./mydb][08-05升级]

#适用于：个性数据，动态因子，实时缓存，私有策略，私有数据，私有数据源，其他小众数据，一次写入本地永久保存

批量写入：
pipeline=rd.pipe()
for i in range(10000000):
    pipeline.mset(table,key,key2,value)
await pipeline

单条写入：
await rd.set(table,value)
await rd.set(table,key,value)
await rd.set(table,key,key2,value)
#value_type:list/dict/int/float/str/bytes/df

字段修改：
await rd.set(table,key,key2,new_value)
await rd.get(table,key,key2).get("sub_key").set("sub_sub_key").val("new_value")
写入/修改立即可读，无延迟+WAL无丢失。

批量读取：
await rd.get(table,key,key2) ->list/dict/int/float/str/bytes/df
await rd.get(table_exp,key_exp,key_exp).get(sub_key).all()[-3:] ->list/dict/int/float/str/bytes/df
#exp：支持正则，范围，匹配，截取，遍历，子节点，列式读取
#get：可替换成 len,keys,delete,vals,set,setr,setl
详细参考示例：`rd_test.py`

批量挂载数据与单点读取[./dataN][08-05升级]

sync_url.txt现支持多点写入：

来源	类型	存储
site1 or path1	minutes_data	save_to_data_path
site2 or path2	days_data	save_to_data1_path
site3 or path3	ticks_data	save_to_data2_path
your_site4_path4	your_data	save_to_your_path
...

自动读取：

rd.get()->auto_read_all_data

内置 39 种技术指标：

类别	指标
趋势类	MA、EMA、SMA、WMA、DMA、EXPMA、TRIX、DMI、DFMA、BBI
震荡类	MACD、KDJ、RSI、WR、CCI、PSY、BIAS、ROC、MTM、DPO
通道类	BOLL、KTN、TAQ
量价类	OBV、VR、EMV、MFI、CR、MASS
综合类	ATR、ASI、BRAR、XSII、STD、SUM、HHV、LLV、REF

5 种指数计算方法（zhishu）： 等权、流通市值加权、成交额加权、成交量加权、总市值加权

五种调用方式

调用方式	适用场景
Python SDK	回测、研究和策略开发（同步 get_data() / 异步 get_data_async()）
HTTP API	任意语言与本地系统集成（http://127.0.0.1:7899/?cmd=get&t=...）
Excel / WPS 宏	表格分析、选股和办公自动化
HTML 页面	无代码查看、筛选和浏览本地行情数据
AI MCP	Claude、Cursor、Windsurf 等支持 MCP 协议的 AI 工具直接查询、计算和分析本地数据

MCP 协议为自实现，无需额外安装 MCP SDK。AI 工具通过 MCP 连接后可直接调用 get_data()、zb.get()、bk.get() 查询本地行情、计算指标和分析板块。

调用示例位于 调用方式/。

数据源可控与长期使用

数据源是输入，不是产品的唯一依赖。你可以：

• 在 sync_url.txt 切换到自己的同步节点、内网服务器或网络共享目录。
• 用 file:// 或本地目录离线同步已归档的数据快照。
• 通过本地写入接口接入其他行情来源，补充或更新自有数据。
• 保留本地数据快照，在任何没有外网、没有 Token 的环境中继续查询与回测。

因此，数据源服务的可用性变化不会让已同步的研究数据失效；更换输入源也不要求替换本地查询、计算和调用层。

数据质量与复权

本地数据保留不复权行情与复权因子，查询时可按需要返回前复权、后复权或不复权结果。可通过本地接口抽样检查复权因子、价格、成交量和公司行为日期；使用者也可以用自己认可的数据源生成或校验本地数据。

硬件与存储要求

项目	最低配置	推荐配置
磁盘空间	约 5GB（仅日线）	约 20GB（含全量分钟线）
内存	2GB	8GB+
操作系统	Windows 7+	Windows 10+

数据采用 Zstd 压缩存储，实际磁盘占用远小于同等 CSV/MySQL 方案。

本地网络与安全行为

• 服务默认监听 127.0.0.1:7899，不会主动暴露到公网。
• 同步器只访问 sync_url.txt 或 --source 指定的地址；配置为空时不会发起同步请求。
• 同步文件在写入前校验清单中的 SHA-256 与大小；公共同步节点应使用 HTTPS。
• 发布包应从 Releases 下载并核对对应版本提供的 SHA-256。

源码与构建

cpp/ 包含本地服务、同步器、客户端计算示例和 CMake 构建定义；sync_url.txt 和调用协议均公开。构建 C++ 组件需要 CMake 3.14+、C++17 编译器、libcurl 和 OpenSSL 开发包。Windows 用户可直接使用 Releases 中的预编译发行包，无需自行编译。

cmake -S cpp -B cpp/build
cmake --build cpp/build --config Release

🚀️ 更新与运行示例

许可证与免责声明

本仓库适用 项目许可证。数据版权、使用授权和再分发条件由各数据源及其权利人决定；使用者应自行确认数据源条款。

本项目用于软件学习、数据管理与量化研究，不构成投资建议。任何数据完整性、及时性和交易决策风险均应由使用者独立评估。

[08-05]赞助商：[]