Chart Library

API de inteligencia de patrones para agentes de IA. Busca 24 millones de patrones de gráficos históricos, obtén rendimientos futuros, análisis de régimen de mercado y resúmenes de IA para cualquier ticker de acción.

GitHub
20
Prueba este MCPPatrocinado

Documentación

Servidor MCP de Chart Library

PyPI License: MIT Glama Score MCP Registry Tools

Funciona con: Claude Desktop | Claude Code | ChatGPT | GitHub Copilot | Cursor | VS Code | Cualquier cliente MCP

Motor de inteligencia de cohortes para patrones de gráficos bursátiles — dale a tu agente de IA la cohorte de análogos históricos, la distribución completa de retornos futuros y las características que separaron a los ganadores de los perdedores. Calibrado, honesto en metodología, sin confianza exagerada.

📖 ¿Qué es la inteligencia de cohortes? · 🛠️ Guía completa de configuración de MCP · 🤖 Crea un agente de trading con IA usando Claude

Más de 25M de embeddings de patrones. 10 años de historia. Más de 19K acciones. Una sola llamada de herramienta.

> "What does NVDA's chart on 2024-08-05 1h look like historically?"

NVDA · 2024-08-05 · 1h — cohort of 500 historical analogs
(485 with realized 5-day returns)

  Distribution at 5 days forward:
    median:        −1.3%
    p10 ·· p90:    −11.3% ·· +6.8%   (80% empirical band)
    win rate:      44%
    cohort_score:  0.31 (modest)

  Features that separated winners from losers:
    + credit_spread_state = tight
    + macro_state = bullish
    + pct_off_52w_low (further off)
    − vol_regime = low

  Summary: NVDA's 1-hour pattern on 2024-08-05 has 500 historical
  analogs. The cohort's 5-day distribution is bearish-leaning
  (median −1.3%, win rate 44%) — the historical record does NOT
  show this pattern typically resolving bullish. Conditioning on
  tight credit spreads and a bullish macro state would have
  separated the outperformers within the cohort.

Una recuperación, no un pronóstico. Sin predicciones alucinadas. Sin selección selectiva. Solo el registro empírico que tu agente puede citar.

Inicio Rápido

pip install chartlibrary-mcp

Claude Desktop (Instalación con un clic)

Descarga el archivo de extensión chart-library-6.1.0.mcpb y ábrelo con Claude Desktop para una instalación automática.

Claude Code

claude mcp add chart-library -- chartlibrary-mcp

Claude Desktop (Manual)

Añade a claude_desktop_config.json:

{
  "mcpServers": {
    "chart-library": {
      "command": "chartlibrary-mcp",
      "env": {
        "CHART_LIBRARY_API_KEY": "cl_your_key"
      }
    }
  }
}

Cursor / VS Code

Añade a .cursor/mcp.json o a la configuración de MCP de VS Code:

{
  "servers": {
    "chart-library": {
      "command": "chartlibrary-mcp",
      "env": {
        "CHART_LIBRARY_API_KEY": "cl_your_key"
      }
    }
  }
}

GitHub Copilot (VS Code)

Añade a .vscode/mcp.json en tu proyecto (este archivo ya está incluido en los repositorios de chart-library):

{
  "servers": {
    "chart-library": {
      "command": "chartlibrary-mcp",
      "env": {
        "CHART_LIBRARY_API_KEY": "cl_your_key"
      }
    }
  }
}

Copilot Chat detectará automáticamente el servidor MCP cuando abras el proyecto. Usa @mcp en Copilot Chat para invocar las herramientas.

ChatGPT (Modo Desarrollador)

ChatGPT se conecta a servidores MCP mediante endpoints HTTP remotos. Para configurarlo:

  1. Habilita el Modo Desarrollador: Ve a ChatGPT Configuración > Aplicaciones > Configuración avanzada > Modo desarrollador (requiere plan Pro, Plus, Business, Enterprise o Education)
  2. Crea un conector: En Configuración > Conectores, haz clic en Crear e ingresa:
    • Nombre: Chart Library
    • Descripción: Motor de búsqueda de patrones de gráficos históricos — más de 25M de patrones en más de 19K acciones, 10 años de datos
    • URL: https://chartlibrary.io/mcp
    • Autenticación: Sin autenticación (u OAuth si usas una clave API)
  3. Úsalo en conversaciones: Selecciona "Modo desarrollador" en el menú Plus, elige la aplicación Chart Library y haz preguntas como "¿Cómo se ve el gráfico de NVDA históricamente?"

Nota: El endpoint remoto en https://chartlibrary.io/mcp usa transporte HTTP Streamable. Si necesitas respaldo SSE, usa https://chartlibrary.io/mcp/sse.

Endpoint MCP Remoto

Para cualquier cliente MCP que admita conexiones HTTP remotas:

https://chartlibrary.io/mcp

Este endpoint admite transportes Streamable HTTP y SSE, sin necesidad de instalación local.

Nivel gratuito: 200 llamadas/día, sin tarjeta de crédito. Obtén una clave API en chartlibrary.io/developers o usa la búsqueda básica sin una.

¿Qué Puede Hacer Tu Agente Con Esto?

"¿Debería preocuparme por mi posición en TSLA?"

> search(query="TSLA")                              → cohort_id
> explain(cohort_id=..., style="position_guidance")

  Signal: HOLD
  Of the historical analogs to this setup, those that exited early
  avoided a drawdown 3/10 of the time; those that held gained a
  further +2.1% median over the next 5 days. No exit signal triggered
  — the cohort's record leans toward continuation, not reversal.

"¿Qué sectores están rotando ahora mismo?"

> context(target="market")

  Sector relative strength (30-day):
    Leaders:  XLK Technology +4.2% · XLY Cons. Disc. +3.1% · XLC Comm. +2.8%
    Laggards: XLU Utilities −1.4% · XLP Cons. Staples −2.1% · XLRE Real Estate −3.3%

  Regime: Risk-On (growth > defensives), SPY above 20d, VIX mid-band.

"¿Cómo se comporta AMD cuando el mercado general está débil?"

> search(query="AMD 2024-06-18")                    → cohort_id
> cohort_groupby(cohort_id=..., by="ctx_spy_trend_20d")

  AMD's cohort, split by the SPY trend at each analog's date:
    SPY weak (bottom quartile):  median 5d −5.2%  ·  p10/p90 −11.4%/+1.1%  ·  18% positive
    SPY strong (top quartile):   median 5d +2.6%  ·  p10/p90 −3.1%/+8.4%   ·  61% positive

  A distribution conditioned on the tape — historical analogs, not a beta forecast.

14 Herramientas Canónicas

Chart Library v6 expone la misma superficie granular que el servidor remoto en chartlibrary.io/mcp — así que el paquete pip, el conector de Claude y la API REST usan los mismos nombres de herramientas. El bucle principal es search → pull_comps → cohort_introspect. Encadena herramientas mediante el identificador comp_set_id / cohort_id para un refinamiento en menos de un segundo sin volver a ejecutar kNN.

HerramientaQué hace
searchPunto de entrada. Encuentra patrones históricos similares para un ancla; devuelve un identificador de conjunto de comparaciones que puedes encadenar. mode= admite text (predeterminado), live_bars (OHLCV crudo), similar (vecinos a nivel de cohorte).
pull_compsLa insignia. Extrae el conjunto de comparaciones para un sujeto (symbol, date, timeframe) — los análogos históricos, qué hicieron después, los impulsores que separaron los mejores resultados y nuestro coverage_record. Léxico de cara al usuario: subject · comp_set_id · comp_count · comp_strength · match_quality · drivers · up_rate · conditions (calm / normal / stressed). Mismo motor que cohort_analyze con el nuevo vocabulario aplicado en el límite.
cohort_analyzeMismo motor que pull_comps bajo los nombres de campo originales (cohort_id, feature_importance, win_rate, vol_regime, …). Se mantiene invocable tal cual para integraciones existentes; las nuevas deberían preferir pull_comps.
cohort_introspectDivide/explora un conjunto de comparaciones almacenado por CUALQUIER atributo (macro · técnico · evento) y obtén estadísticas por subconjunto frente a la línea base de la cohorte completa. Sin volver a ejecutar kNN. "De los 300 análogos, ¿cómo se comportan los de la semana posterior a resultados?"
cohort_attributionAtribución de ganadores/perdedores dentro de la cohorte — qué rasgos de los miembros separaron la cola de retornos futuros del resto, cada uno con un IC de bootstrap por conglomerados por fecha y una decisión de falso descubrimiento. Descriptivo, nunca causal.
track_recordCobertura histórica de predicción vs. realizada de nuestras bandas calibradas (un historial, no un pronóstico). La banda nominal del 80% se mantuvo en 80.8% en 302,880 casos previos.
symbol_intelligenceMemoria de capa 5 — confiabilidad de características por símbolo + calibración lograda en análisis previos. Fundamenta una lectura en si una característica ha sido históricamente confiable para este ticker.
analyzeMétricas analíticas. metric= acepta anomaly, volume_profile, crowding, correlation_shift, earnings_reaction, pattern_degradation, regime_accuracy, decompose (divide ganadores vs. perdedores), clusters (agrupación interna de la cohorte).
contextDatos situacionales. target= acepta "market", un símbolo de ticker ("NVDA"), {"symbol": ..., "date": ...} para metadatos ligeros del ancla, o "system" para cobertura de la base de datos.
explainNarrativa + clasificaciones derivadas de una cohorte. style= acepta filter_ranking (qué filtro desplaza más la distribución), prose (resumen en lenguaje sencillo), position_guidance (señales de salida), risk_ranking.
portfolioDistribución condicional ponderada multi-posición. Ejecuta cohortes por posición en paralelo, promedia las distribuciones ponderadas y clasifica los contribuyentes de la cola.
report_feedbackReporta un error o sugerencia de mejora al proyecto.

Entrega de cohorte completa — entrega la cohorte cruda para que puedas agrupar/ordenar según tu objetivo, no según nuestra lente predeterminada:

HerramientaQué hace
cohort_membersLa cohorte completa, un registro por análogo, con metadatos ricos por miembro (resultados futuros, régimen, fundamentos del ancla, noticias, eventos de gráfico). Divídelo y agrúpalo tú mismo.
cohort_groupbyDivide la cohorte por una dimensión (vol_regime, sector_etf, momentum_5d, …) → distribuciones de resultados por grupo frente a la línea base. La primitiva de una llamada para "¿importa esta dimensión?".
cohort_rerankReordena la cohorte por un compuesto ponderado de los campos de miembro que nombres (p. ej. "ret_5d:1,distance:-0.5") — impón tu objetivo a los análogos, totalmente auditable.

Estas herramientas reemplazan las afirmaciones alucinadas de "en promedio este patrón rinde X%" con tasas base condicionales reales. La distinción completa — qué hacen y cómo leer las respuestas — está documentada en /concepts/cohort-intelligence y /concepts/reading-a-cohort-response.

Flujo típico del agente

1. search(query="NVDA 2024-06-18")                    → comp_set_id
2. pull_comps(symbol="NVDA", date="2024-06-18",
              filters={"vol_regime": ["high"]})
                                                       → comp set: distribution + drivers
3. cohort_introspect(cohort_id=...,
                     where={"events.days_since_earnings": {"max": 5}})
                                                       → how the post-earnings subset did
4. cohort_groupby(cohort_id=..., by="sector_etf")     → outcome split by sector

Migración desde v5 (paraguas) / v4 / v3

v6 converge en la nomenclatura granular que la superficie remota/conector en vivo ya usaba. Las herramientas paraguas de v5 — cohort (depth=), discover (mode=), narrative (mode=) y decision_brief — ahora están obsoletas pero aún invocables, así que el código existente sigue funcionando. cohort(depth="full") reenvía a cohort_analyze. Los nuevos agentes deberían usar las herramientas canónicas anteriores.

Llamada paraguas v5 (obsoleta)Canónica v6
cohort(depth="full", ...)cohort_analyze(...)
cohort(depth="basic", cohort_id=...) y luego dividircohort_introspect(cohort_id=..., where={...})
cohort(depth="compare", compare_with={...})cohort_compare(...) (aún invocable)
portfolio(mode="symbol_intel", symbol=...)symbol_intelligence(symbol=...)
`discover(mode="picks""daily_setups")`
`narrative(mode="pulse""alerts")`

Los alias granulares de la era v4 (cohort_compare, decompose, clusters, live_search, similar_cohorts, anchor_fetch, narrative_pulse, narrative_alerts, discover_picks, get_daily_setups) siguen obsoletos pero invocables y reenvían a la superficie canónica.

Las herramientas de la era v3 (search_charts, get_cohort_distribution, analyze_pattern, etc.) se eliminaron en v5. Si tu código aún las llama, fija chartlibrary-mcp<5.0.0 hasta que migres. El mapeo:

Legado (eliminado en v5)Reemplazo
search_charts, search_batch, get_discover_pickssearch
get_cohort_distribution, refine_cohort_with_filters, run_scenario, get_regime_win_rates, compare_to_peerscohort_analyze (+ cohort_introspect para refinar)
detect_anomaly, get_volume_profile, get_crowding, get_earnings_reaction, get_correlation_shift, get_pattern_degradation, get_regime_accuracyanalyze (metric=)
get_sector_rotation, get_status, get_market_contextcontext
get_pattern_summary, explain_cohort_filters, get_exit_signal, get_risk_adjusted_picksexplain (style=)
get_portfolio_healthportfolio
analyze_pattern, get_follow_through, check_tickersearch + cohort_analyze

Cómo Funciona

Chart Library indexa una gran biblioteca de patrones de gráficos históricos y los expone detrás de una API de distribución condicional. Cada consulta devuelve tamaños de muestra, percentiles y bandas de retorno futuro calibradas — nunca un pronóstico puntual.

Cuando tu agente llama a search("NVDA") y encadena cohort_analyze, el servidor:

  1. Resuelve el estado actual del gráfico de NVDA a un embedding almacenado
  2. Recupera la cohorte de patrones históricamente similares
  3. Consulta qué sucedió en los siguientes 1, 3, 5 y 10 días
  4. Devuelve la distribución calibrada + un resumen en lenguaje sencillo mediante Claude Haiku

El resultado: declaraciones factuales y listas para citar como "de N patrones históricos similares, el retorno mediano a 5 días fue X% (banda del 80% [p10, p90])" que tu agente puede presentar sin alucinar ni titubear.

Clave API

NivelLlamadas/díaPrecio
Sandbox200Gratis
Builder5,000$29/mes
Scale50,000$99/mes

Obtén tu clave en chartlibrary.io/developers.

export CHART_LIBRARY_API_KEY=cl_your_key

Enlaces

Política de Privacidad

La política de privacidad de Chart Library se publica en chartlibrary.io/privacy y cubre:

  • Qué recopilamos: información de la cuenta (correo electrónico cuando creas una cuenta), datos de uso (consultas de búsqueda, funciones utilizadas) e información del dispositivo (navegador, sistema operativo, IP). Las consultas de API se almacenan para el funcionamiento del servicio y análisis.
  • Cómo lo usamos: proporcionar y mejorar el servicio, procesar tus búsquedas, comunicarnos sobre tu cuenta y analizar patrones de uso.
  • Compartición de datos: no vendemos datos personales. Los proveedores de servicios operativos (alojamiento, análisis, procesamiento de pagos) reciben solo lo necesario para proporcionar el servicio.
  • Servicios de terceros: las consultas pueden ser procesadas por proveedores upstream (Polygon.io para datos de mercado, Anthropic para resúmenes narrativos) bajo sus propias políticas de privacidad.
  • Retención: información de la cuenta mientras tu cuenta esté activa; los datos de uso se anonimizan o eliminan periódicamente. Puedes solicitar la eliminación en cualquier momento.
  • Seguridad: cifrado en tránsito y en reposo. Ningún método de transmisión es 100% seguro.
  • Derechos de California (CCPA): derecho a saber, derecho a eliminar, derecho a optar por no participar, no discriminación.
  • Contacto: support@chartlibrary.io para cualquier consulta de privacidad.

El servidor MCP en sí solo envía los argumentos de tus llamadas de herramienta a chartlibrary.io (sin contenido de archivos o directorios locales, sin portapapeles, sin historial del navegador). Tu CHART_LIBRARY_API_KEY se envía solo como un encabezado Bearer para autenticarte con la API de chart-library.

Seguridad

  • Transporte: todas las llamadas a la API remota son HTTPS (TLS 1.2+).
  • Autenticación: clave de API opcional pasada como encabezado Bearer; el nivel gratuito de Sandbox no requiere clave.
  • Sin acceso de escritura a tu entorno, archivos u otras cuentas. La única herramienta MCP que realiza una escritura (report_feedback) solo escribe de vuelta a la bandeja de entrada de comentarios de chart-library y nunca toca tu sistema.

Reporta problemas de seguridad a support@chartlibrary.io.

Licencia

MIT. Ver LICENSE.

Chart Library proporciona datos de patrones históricos con fines informativos. No es asesoramiento financiero.