做交易或量化研究时，行情筛选、多周期技术分析、回测和情绪判断都要在多个平台间来回切。想让 AI 助手直接调取 TradingView 数据、跑分析，却缺少一个统一的数据入口。

项目基本信息

信息项详情
项目名称tradingview-mcp
GitHub地址https://github.com/atilaahmettaner/tradingview-mcp
项目描述MCP server for market analysis in AI assistants: screeners, multi-timeframe technical analysis, backtests and sentiment for crypto, stocks, forex and futures. 39 tools. Self-host free, or use the hosted version, TradingMCP.
作者atilaahmettaner
开源协议MIT License
开源状态公开状态
LanguagesPython
支持平台Windows / macOS / Linux
最后更新2026-11-07

一、项目介绍

tradingview-mcp 是一个为 AI 助手提供行情与量化分析。它把常见的 AI 编程辅助能力做成可复用、可分享的形态，让个人和团队都能少走弯路。

从形态上看，它把MCP相关的能力做了标准化封装，既可以作为独立工具使用，也能通过相应接口嵌入到既有的开发与协作流程中。项目目前仍在活跃迭代，最近更新于 2026-11-07。

二、核心优势

  1. 原生提供 MCP 接入，能把能力直接挂到 Claude、Cursor、Continue 等 AI 编程客户端，融入现有工作流。
  2. 支持自托管与 Docker 部署，数据留在你自己的环境，满足合规与隐私要求。
  3. 上手成本低，命令简单，文档与示例覆盖常见用法。
  4. 活跃社区与持续更新，问题反馈与生态扩展有保障。
  5. 跨平台运行，Windows、macOS、Linux 皆可正常使用。

三、适用场景

  • 个人开发者把重复性的编码辅助能力沉淀成可复用组件，提升日常效率。
  • 团队统一各类 AI 编程助手的调度与接入，形成组织级最佳实践。
  • 在安全可控的环境里引入 AI 能力，兼顾提效与数据边界。

四、安装教程

下面给出在常见系统上的安装方式。请先确认已具备对应的运行环境（如 Node.js、Python、Go、.NET、JDK 或 Docker 等），版本要求以仓库 README 为准。

pip install tradingview-mcp-server
# 或免安装直接运行（推荐）：
uvx --from tradingview-mcp-server tradingview-mcp

常见报错与处理：

  • 网络超时 / 下载慢：可换用国内镜像或代理，或改用仓库提供的免安装方式（如 npx / uvx 直接运行）。
  • 权限不足：在命令前加 sudo（Linux / macOS）或以管理员身份运行终端（Windows）。
  • 依赖缺失：按报错信息补齐编译器或运行时（如 JDK、.NET SDK、CMake），再重新执行安装。

五、使用示例

以下为真实可运行的用法示例：

# 在 MCP 客户端的配置里加入（39 个工具可用）：
{
  "mcpServers": {
    "tradingview": {
      "command": "uvx",
      "args": ["--from", "tradingview-mcp-server", "tradingview-mcp"]
    }
  }
}
# 之后即可让 AI 做筛股、多周期技术分析与回测

预期结果：命令执行后，会按上述参数拉起服务或输出结构化结果（如配置、组件、报告、trace 等），具体字段以工具实际返回为准。把示例中的路径、URL、项目名替换成你自己的值即可复用到真实项目。

六、常见问题

需要付费吗？

本项目开源发布，可免费自托管使用；部分提供托管版或企业版，按需选择，核心能力不收费。

对运行环境有什么要求？

基于 Python 实现，Windows、macOS、Linux 均可运行；依赖与版本以仓库 README 的安装说明为准。

支持 MCP 吗？

提供 MCP server / 工具集，可在 Claude、Cursor、Continue 等客户端里直接调用，把能力嵌入 AI 编程流程。

新手如何快速验证？

按本文「安装教程」装好依赖后，直接跑「使用示例」里的命令，几分钟内即可看到实际效果。

七、总结

tradingview-mcp 以「为 AI 助手提供行情与量化分析」为定位，把原本分散、重复的MCP工作标准化、可复用化。它开源、易于自托管，能平滑接入现有开发与 AI 编程流程，无论是个人提效还是团队沉淀都值得一试。建议先从本文的安装与使用示例入手，跑通最小闭环后再逐步引入到日常工作中。