MCP Momentum
Connectez n'importe quel LLM aux analyses de marché Deep Copy via le Model Context Protocol. Accédez à des analyses d'actions complètes : points d'entrée, stop-loss, take-profit et recommandations (Buy Sell Hold Renforce Allège), générées par 10+ agents IA qui collectent, débattent et décident.
Quickstart
Le Model Context Protocolest un standard ouvert (Anthropic, 2024) qui permet aux LLMs d'appeler des outils externes avec des paramètres typés. L'endpoint Deep Copy est public et gratuit.
{
"mcpServers": {
"deep-copy": {
"url": "https://mcp.deepcopy.fr/mcp"
}
}
}MCP Tools
list_analyses
Liste paginée des analyses avec filtre par ticker. Retourne un résumé : rating, prix, RSI, tendance, PE ratio.
| Name | Type | Default | Description |
|---|---|---|---|
| ticker | str | None | None | Filtre par symbole (ex: AAPL) |
| limit | int | 50 | Nombre de résultats (max 200) |
| offset | int | 0 | Décalage pour pagination |
latest_analyses
Dernière analyse par ticker. Filtre optionnel par portfolio rating.
| Name | Type | Default | Description |
|---|---|---|---|
| ticker | str | None | None | Un seul ticker |
| rating | str | None | None | Comma-separated: Buy,Overweight,Hold,Underweight,Sell |
get_analysis
Détail complet : indicateurs techniques, fondamentaux, sentiment, news, débats bull/bear, décision portfolio.
| Name | Type | Default | Description |
|---|---|---|---|
| analysis_id | str (UUID) | required | Identifiant de l'analyse |
get_recommendations
Recommandations actives filtrées par rating. Idéal pour « quoi acheter ? ».
| Name | Type | Default | Description |
|---|---|---|---|
| rating | str | "Buy,Overweight" | Ratings cibles |
| limit | int | 10 | Max résultats (max 100) |
Momentum - LangGraph
Momentum est un système multi-agent construit sur LangGraph (graphe d'états LangChain). Pour chaque ticker analysé, 10+ agents LLM spécialisés s'exécutent en 5 phases séquentielles.
D'abord, 4 analystes collectent les données en parallèle : indicateurs techniques (SMA, RSI, MACD, Bollinger...), fondamentaux (PE, EPS, marges, dette...), news (macro, secteur, insiders) et sentiment (retail/institutionnel). Un Research Manager synthétise les 4 rapports en un plan d'investissement.
Ensuite, deux débats contradictoires s'enchainent. Le premier oppose un Bull et un Bear researcher sur plusieurs rounds, arbitrés par un Judge qui tranche. Le second confronte trois profils de risque (Aggressive, Conservative, Neutral) pour calibrer le sizing et les stop-loss.
Enfin, un Trader produit la décision finale (Buy/Sell/Hold avec entry, stop-loss, take-profit) et un Portfolio Manager attribue un rating (Buy Overweight Hold Underweight Sell). Le système intègre une mémoire persistante (TradingMemoryLog) qui stocke chaque décision passée et un mécanisme de réflexion qui compare les prédictions aux résultats réels pour améliorer les futures analyses.
Memory
TradingMemoryLog stocke décisions et leçons pour éviter les erreurs répétées.
Checkpointing
Chaque étape sauvegardée. Reprise sans relancer les agents terminés.
Reflection
Le Reflector compare prédictions vs réalité pour calibrer les futures décisions.
class BullArgument(BaseModel):
thesis: str # Thèse haussière
target_price: float # Prix cible
catalysts: list[str] # Catalyseurs identifiés
conviction: str # High | Medium | Low
class PortfolioDecision(BaseModel):
rating: str # Buy | Overweight | Hold | Underweight | Sell
executive_summary: str # Résumé
investment_thesis: str # Thèse complète
price_target: float # Prix cible 12 mois
entry_price: float # Point d'entrée
stop_loss: float # Stop-loss
position_size: float # % du portefeuille
time_horizon_months: int # Horizon temporel
risk_reward_ratio: float # Ratio risque/rendement