LongPort MCP 评测：证券业首个AI赋能协议，散户轻松玩转机构级交易

30 0 0

1 模型概述

作为证券行业首个券商MCP（模型上下文协议），LongPort MCP由长桥集团推出，它本质上是一个标准化桥梁，实现了AI智能体与金融服务间的无缝连接。该协议让用户能够通过自然语言指令，让AI直接调用核心证券服务，彻底改变了传统券商API需要复杂编程的交互模式。

1.1 能力评估

LongPort MCP 具备三大核心能力，覆盖投资全流程：

智能投资助手：AI通过MCP服务快速获取实时行情数据，生成市场分析，并直接调用API完成下单。用户只需用自然语言如“在250美元价格买100股A股票”，AI几秒内就能回复“订单已提交”。这实现了从分析到执行的一体化服务。
账户管理助理：用户可通过自然语言查询账户资产、盈亏状况、历史交易记录，AI会实时调用券商服务并生成清晰的资产报告，提供全方位的资产可视化。
实时风险监控：系统能动态监控资产风险水平，通过AI Agent实时调用证券风险评估服务，自动进行风险预警，帮助投资者及时规避风险。

从接口数量来看，MCP服务通过标准化方式集成了LongPort OpenAPI的完整能力，覆盖行情、交易、资产等多类别功能，具体包括交易类、行情类、资产类和实时订阅等接口。

1.2 技术特点

LongPort MCP 的技术架构有以下几个显著特点：

自然语言交互：将用户自然语言指令转化为具体API调用，完成复杂金融操作，大幅降低使用门槛。用户无需编程背景也能高效构建AI辅助的证券分析和交易系统。
开箱即用：支持MCP开箱即用，显著降低了投资者使用LongPort OpenAPI的门槛。这种即插即用的特性类似于USB接口为设备提供的标准化连接。
标准化协议：基于模型上下文协议，标准化AI与金融数据源的交互格式，实现高效数据传输。这种设计使得它能与多种AI平台兼容。
安全合规机制：采用加密传输和权限管理，确保用户数据隐私安全，符合金融级安全标准。

1.3 应用场景

LongPort MCP 适用于多种金融投资场景：

个人投资者智能投顾：散户投资者可用日常语言获取专业级投资建议和交易执行，享受** formerly 机构专属**的服务体验。
量化交易策略研究：通过“LLMs Text”应用，量化投资者能用自然语言驱动AI构建量化交易策略，显著减少代码编写工作量。
全天候资产监控：实时监控投资组合风险，在市场异常波动时及时发出预警，保护投资者利益。
跨市场投资管理：支持港股、美股、A股等多市场行情和交易，帮助全球化配置资产的投资者统一管理界面。

2 安装与部署方式

LongPort MCP 提供了跨平台支持，下面分别介绍不同操作系统下的安装配置流程。

2.1 macOS 或 Linux 系统安装

在 macOS 或 Linux 系统上，安装过程较为简单：

打开终端，执行以下命令下载并安装：
bash
```
curl -sSL https://raw.githubusercontent.com/longportapp/openapi/refs/heads/main/mcp/install | bash
```
该脚本会将 longport-mcp 安装到 /usr/local/bin/ 目录下。
验证安装，运行以下命令检查是否安装成功：
bash
```
longport-mcp -h
```
如果显示帮助信息，表示安装成功。
配置认证信息：使用前需要获取 LongPort 的认证凭证，包括 LONGPORT_APP_KEY、LONGPORT_APP_SECRET 和 LONGPORT_ACCESS_TOKEN。这些可以通过 LongPort 开发者平台申请获得。

2.2 Windows 系统安装

Windows 系统的安装步骤如下：

下载程序：访问 GitHub 发布页面（https://github.com/longportapp/openapi/releases），下载 longport-mcp-x86_64-pc-windows-msvc.zip 压缩包。
解压文件：将压缩包解压，得到 longport-mcp.exe 可执行文件。
配置路径：建议将 longport-mcp.exe 放在系统路径中，如 C:\longport-mcp.exe。

2.3 配置到客户端

安装完成后，需要将 LongPort MCP 配置到支持的 AI 客户端中。以下以 Cursor IDE 和 Cherry Studio 为例：

Cursor 配置：

打开 Cursor，打开命令面板（Command + Shift + P），选择 Cursor Settings。
进入 MCP Servers，点击 Add new global MCP server 按钮。

在打开的 mcp.json 文件中增加以下内容，替换为您的实际认证信息：

{
  "mcpServers": {
    "longport-mcp": {
      "command": "/usr/local/bin/longport-mcp",
      "env": {
        "LONGPORT_APP_KEY": "your-app-key",
        "LONGPORT_APP_SECRET": "your-app-secret",
        "LONGPORT_ACCESS_TOKEN": "your-access-token"
      }
    }
  }
}

Cherry Studio 配置：

确保已更新到最新版本的 Cherry Studio（v1.5.6 或以上）。
使用 STDIO 模式，配置环境变量并在系统中安装 longport-mcp 命令行工具。
对于 Windows 用户，需要设置 longport-mcp.exe 的完整路径。

区域配置：如果您在中国大陆，可能需要额外配置环境变量 LONGPORT_REGION=cn，以使用中国大陆的 CDN 服务器获得更好的连接稳定性。

2.4 安装常见问题与解决方案

认证失败：确保 LONGPORT_APP_KEY、LONGPORT_APP_SECRET 和 LONGPORT_ACCESS_TOKEN 配置正确，且未过期。
连接问题：中国大陆用户请确认已配置 LONGPORT_REGION=cn 环境变量。
命令未找到：确保安装路径已添加到系统的 PATH 环境变量中，或使用完整路径执行命令。

3 配套客户端

LongPort MCP 的主要配套客户端是 LongPort App，这是一款全球股票投研交易平台。

3.1 客户端介绍

LongPort App 支持全球主要股票市场及期权、涡轮牛熊证等衍生品行情。它的核心功能包括：

全球行情覆盖：提供美股、港股、A股、新加坡股行情，高速港股 Level-2、全美行情。
基本面分析工具：通过基本面全景模式、股票百科、机构评级、智能财务评分等功能，帮助用户建立基本面研究能力。
社区与资讯：包含300位投资KOLs的在线沟通平台和7×24小时全球资讯。
交易功能：支持多间知名券商账户在线交易，闪电落盘。

3.2 费用情况

LongPort App 本身免费下载，但部分行情服务需要订阅付费，例如：

港股 L2 实时行情：连续包月产品为 9 港币/月
LV2 高级行情 Plus：连续包月产品为 338 港币/月
L1 + 全美高级行情（非专业）：连续包月产品为 46 港币/月
OPRA 期权：连续包月产品为 20 港币/月

3.3 下载与配置

下载地址：可通过 App Store 搜索 “LongPort” 下载，或访问官方网站 https://longportapp.com 获取最新下载链接。
系统要求：需要 iOS 13.0 或以上版本，兼容 iPhone、iPod touch 和 Apple Vision。
OpenAPI 开通：要使用 MCP 服务，需要先登录 LongPort App 完成开户，然后访问 longportapp.com 进入开发者平台，完成开发者认证和 OpenAPI 权限申请，获取必要的令牌。

4 案例讲解：AI智能投顾实战

下面通过一个实际案例，演示如何使用 LongPort MCP 构建一个简单的 AI 智能投顾系统。

4.1 场景描述

假设投资者小王持有特斯拉(TSLA)和苹果(AAPL)股票，他想让 AI 帮助监控这两只股票的价格波动，并在特定条件下自动执行交易：当某只股票价格下跌超过 3%时自动卖出三分之一持仓，上涨超过 3%时追加买入三分之一。

4.2 实现代码

以下是一个使用 LongPort MCP 实现的示例代码框架：

# 注意：此为示例代码框架，实际使用时需要结合具体编程语言和LongPort SDK完成

import asyncio
from longport.mcp import LongPortMCPClient

class AIPortfolioManager:
    def __init__(self):
        # 初始化 LongPort MCP 客户端
        self.client = LongPortMCPClient(
            app_key="您的APP_KEY",
            app_secret="您的APP_SECRET", 
            access_token="您的ACCESS_TOKEN"
        )
        self.portfolio = {"TSLA.US": 1000, "AAPL.US": 500}  # 示例持仓
        
    async def get_current_prices(self, symbols):
        """通过MCP获取实时价格"""
        prices = {}
        for symbol in symbols:
            # 使用自然语言查询价格
            response = await self_client.query(f"{symbol}的当前价格是多少？")
            prices[symbol] = extract_price_from_response(response)
        return prices
    
    async def get_historical_prices(self, symbol, period="1m"):
        """获取历史价格用于计算基准价"""
        # 使用自然语言查询历史行情
        response = await self.client.query(f"{symbol}在过去一个月的股价表现如何？")
        return extract_historical_prices(response)
    
    async def execute_trade(self, symbol, quantity, operation="buy"):
        """执行交易指令"""
        if operation == "buy":
            command = f"买入{quantity}股{symbol}"
        else:
            command = f"卖出{quantity}股{symbol}"
            
        # 通过自然语言执行交易
        result = await self.client.execute(command)
        return result
    
    async def monitor_and_trade(self):
        """监控并执行交易的主逻辑"""
        symbols = list(self.portfolio.keys())
        
        # 获取当前价格
        current_prices = await self.get_current_prices(symbols)
        
        # 获取基准价格（这里以开盘价为例，实际可使用前一日收盘价或其他基准）
        baseline_prices = await self.get_baseline_prices(symbols)
        
        for symbol in symbols:
            current_price = current_prices[symbol]
            baseline_price = baseline_prices[symbol]
            change_percent = (current_price - baseline_price) / baseline_price * 100
            
            print(f"{symbol}当前价格: {current_price}, 较基准变化: {change_percent:.2f}%")
            
            # 根据变化幅度执行交易
            if abs(change_percent) >= 3:
                position = self.portfolio[symbol]
                trade_quantity = position // 3  # 三分之一的持仓
                
                if change_percent > 3:
                    # 上涨超过3%，追加买入
                    result = await self.execute_trade(symbol, trade_quantity, "buy")
                    print(f"执行买入操作: {result}")
                else:
                    # 下跌超过3%，卖出部分持仓
                    result = await self.execute_trade(symbol, trade_quantity, "sell")
                    print(f"执行卖出操作: {result}")

    async def get_baseline_prices(self, symbols):
        """获取基准价格（这里简化为使用固定值，实际应从历史数据中计算）"""
        # 实际应用中应该从历史行情API获取前一日收盘价或当日开盘价
        return {"TSLA.US": 250.0, "AAPL.US": 180.0}  # 示例基准价格

def extract_price_from_response(response):
    """从AI响应中提取价格信息（示例函数）"""
    # 实际应解析AI返回的自然语言响应，提取数字价格
    # 这里返回示例值
    return {"TSLA.US": 255.50, "AAPL.US": 185.25}.get(response.symbol, 0)

def extract_historical_prices(response):
    """从AI响应中提取历史价格信息（示例函数）"""
    # 实际应解析AI返回的历史数据
    return []  # 返回示例空列表

# 使用示例
async def main():
    manager = AIPortfolioManager()
    await manager.monitor_and_trade()

if __name__ == "__main__":
    asyncio.run(main())

4.3 代码说明

这个案例展示了 LongPort MCP 的核心优势：

自然语言交互：完全使用自然语言与金融数据交互，无需学习复杂的金融API。
实时决策：结合实时行情和预定义策略，实现自动化投资决策。
多资产支持：可同时监控和处理多个股票、多个市场的投资组合。

在实际使用中，投资者可以通过简单的自然语言指令实现复杂的投资策略，如：

“检查我持有股票的最新价格，如果下跌/上涨超过3%，以市场价格卖出（如果下跌）或买入（如果上涨）三分之一”。
“为我持有的股票生成投资组合表现图表，并返回数据表和饼图”。
“比较TSLA、AAPL和NVDA在过去3个月的表现”。

5 使用成本与商业价值

5.1 使用成本分析

LongPort MCP 的成本结构相对友好：

OpenAPI 服务费用：LongPort 不针对接口服务额外收取开通或使用费用，只需开通 LongPort 账户及 OpenAPI 服务权限后即可免费使用。
交易成本：实际交易费率取决于用户开通证券账户的券商，与常规交易费率一致。
行情数据费用：部分高级行情数据（如港股 L2 实时行情、Nasdaq TotalView 等）需要订阅，费用根据不同行情包有所差异。
技术成本：相比自建金融数据接口和交易系统，使用 LongPort MCP 大幅降低了技术开发成本和维护成本。

5.2 商业价值评估

LongPort MCP 为不同用户群体带来显著价值：

对个人投资者：
- 降低专业门槛：使没有编程背景的投资者也能构建AI辅助的交易系统。
- 提升决策效率：已有案例显示，使用该技术的私募能1小时完成往日1周的分析量。
- 机构级工具平民化：个人投资者可靠语音指令管理千万资产，享受 formerly 机构专属的服务。
对专业投资机构：
- 策略迭代加速：通过“LLMs Text”应用，量化投资者可以显著减少代码编写工作量，将更多精力集中在交易策略的探索中。
- 系统稳定性：基于标准化协议和成熟的OpenAPI体系，保障系统稳定可靠。
整体投资体验提升：
- 自然语言交互：说”买入10手茅台”直接成交，告别繁琐界面。
- 实时风控：机构级风控能力，实时监控组合波动，风险超限自动预警。
- 量化平民化：用日常语言构建策略，无需编程基础。