MCP 服务AI 应用人工智能金融科技CLI【免费下载链接】tradingview-mcpAI-assisted TradingView chart analysis — connect Claude Code to your TradingView Desktop for personal workflow automation项目地址https://gitcode.com/GitHub_Trending/tra/tradingview-mcp点击查看免费下载本指南围绕 agents/performance-analyst.md 这一 Agent 定义展开讲解如何借助 tradingview-mcp 的 MCP 工具在回测完成后自动采集 TradingView 策略测试器的全部绩效数据、按四个维度评估策略质量并输出结构化分析报告。读完本文你将掌握 performance-analyst 的数据采集管线、评估框架与报告模板并了解其底层在 src/core/data.js 中如何实现“自动打开面板、自动取消隐藏策略、等待报告计算”等关键机制。performance-analyst 是什么一个专攻回测评审的 Agentperformance-analyst是仓库 agents/ 目录下唯一的 Agent 定义文件其 frontmatter 明确了它的定位与运行配置--- name: performance-analyst description: Trading strategy performance analyst. Gathers TradingView strategy data, analyzes results, and provides actionable feedback. Use when reviewing backtest results. model: sonnet tools: - * ---nameAgent 的标识符用于在 Agent 编排系统中被引用description决定了系统在什么场景下选中它——即“审查回测结果reviewing backtest results”时model: sonnet指定该 Agent 默认使用 Anthropic 的 sonnet 级模型在分析吞吐与成本之间取平衡tools: *允许 Agent 使用仓库注册的全部 MCP 工具src/tools/ 下所有工具注册模块但 performance-analyst 的核心工作流只依赖其中 5 个数据/截图工具。该 Agent 的工作职责是收集 TradingView 上全部可用的策略绩效数据给出深入分析。它与 skills/strategy-report/SKILL.md策略绩效报告技能形成互补——Agent 负责“如何分析”skill 负责“如何产出报告”两者共享同一套数据工具与指标口径。数据采集五步完成绩效数据取证performance-analyst 的采集流程在文档中固定为 5 个工具调用下面逐一结合源码说明其参数、返回值与底层行为。1. data_get_strategy_results —— 获取整体指标定义于 src/tools/data.js核心实现为 src/core/data.js 的getStrategyResults()。该工具无需参数返回metrics对象字段与 TradingView Strategy Tester 的 “Key stats” 一一对应字段含义net_profit/net_profit_percent净利润 / 净值百分比gross_profit/gross_loss毛利润 / 毛亏损profit_factor盈利因子max_drawdown/max_drawdown_percent最大回撤金额 / 百分比total_trades总交易次数赢 亏winning_trades/losing_trades盈利 / 亏损交易数percent_profitable胜率avg_trade平均每笔盈亏largest_win/largest_loss最大单笔盈利 / 亏损commission_paid已付手续费sharpe_ratio/sortino_ratio夏普 / 索提诺比率buy_hold_return买入持有基准收益open_pl当前浮动盈亏返回结构还附带strategy策略名、currency币种、source恒为internal_api。若图上有多个策略只有被 Strategy Tester 选中的那个reportData非空因此底层会优先选择“报告已计算”的策略见findStrategy()的实现注释。2. data_get_trades —— 获取交易明细定义于 src/tools/data.js核心实现为getTrades()src/core/data.js。参数max_trades控制返回笔数默认 20、上限 20常量MAX_TRADES 20。底层通过strat.ordersData()读取订单流总是返回最近tail的订单——因为交易者最关心的是最新一段交易。每个交易字段做了可读化映射type订单类型tpsidebuy/sell由o.b判定entry、price、qty入场标识、价格、数量time_indexK 线时间索引。3. data_get_equity —— 获取资金曲线定义于 src/tools/data.js核心实现为getEquity()src/core/data.js。优先读取reportData中的equity/equityChart曲线若该版本未直接暴露逐根 K 线资金曲线则返回buyHold基准点数并提示改用data_get_strategy_results获取汇总盈亏。4. chart_get_state —— 获取图表上下文定义于 src/tools/chart.js 的getState()src/core/chart.js返回symbol当前交易品种resolution当前周期chartType图表类型数字编号Candles1、Line2 等见 src/core/chart.js 的类型映射studies当前图表上全部指标/策略的{ id, name }列表。它让分析结果能附带“该策略在什么品种、什么周期上跑出来的”这一必要上下文。5. capture_screenshot —— 采集图表与测试器截图定义于 src/tools/capture.js核心实现为captureScreenshot()src/core/capture.js。三个关键参数regionfull整页默认、chart仅图表画布、strategy_tester仅策略测试器面板通过[data-namebacktesting]或[class*strategyReport]定位methodcdp默认通过 CDP 的Page.captureScreenshot截取并落盘 PNG或api触发 TradingView 内置takeScreenshot()wait_for_render设为true时先等待图表画布稳定再截图避免在chart_set_symbol/chart_set_timeframe之后截到陈旧画面。截图统一保存到仓库根目录下的screenshots/目录文件名形如tv_region_时间戳.png。分析时建议按 strategy-report skill 的步骤各截一张regionchart用于看策略叠加形态regionstrategy_tester用于留证绩效数字。CLI 等价路径不使用 Agent 时同样的数据可通过 src/cli/commands/data.js 获得例如tv data strategy、tv data trades -n 10、tv data equity以及tv ohlcv -s、tv values、tv quote symbol。分析框架四个维度审视策略采集完成后performance-analyst 按以下四维框架评估策略文档原文定义Profitability盈利能力净利、盈利因子Profit Factor、平均每笔盈亏——回答“这个策略到底赚不赚钱”Consistency一致性胜率、最大连亏次数、资金曲线平滑度——回答“赚钱是不是稳定、可持续”Risk风险最大回撤、最差单笔交易、风险调整后收益夏普/索提诺——回答“为赚这些钱承担了多大风险”Edge Quality优势质量优势是稳健的还是脆弱的比如“高胜率但单笔盈利极小”或“低胜率但单笔盈利极大”的形态差异直接决定了策略对滑点、参数微调的敏感度。可结合 skills/strategy-report/SKILL.md 中沉淀的判读基准作为量化锚点盈利因子以 1.5为健康回撤 20%视为过高盈利因子 1.2时策略可能需要进行根本性调整交易笔数过少时建议拉长回看区间或放宽入场条件。结构化报告四个必备板块performance-analyst 的输出被固定为结构化报告四个板块齐全才算一次完整评审Summary23 句话的总览先给结论Key metrics table指标表格可直接采用上文 metrics 字段表Strengths and weaknesses优劣势清单Specific, actionable recommendations可执行的改进建议而不是空泛评价。完整模板可参考 strategy-report skill 中给出的示例骨架## Strategy Report: [Strategy Name]加上 Symbol/Timeframe/Period 头信息Agent 版本与之兼容只是强调“建议必须具体可执行”。底层原理面板自动打开与隐藏策略自动解锁performance-analyst 能“拿来即用”的关键在于策略读取工具内置了三层自动修复逻辑ensureStrategyTesterReady()src/core/data.js自动打开 Strategy Tester 面板TradingView 在面板未打开前从不计算策略报告。底层通过window.TradingView.bottomWidgetBar.showWidget(backtesting)自动呼出面板——这也与ui_open_panel strategy-testersrc/tools/ui.js能力一致自动取消隐藏策略对图例中被“隐藏crossed-out eye”的策略TradingView 同样不计算报告且隐藏策略与“面板未打开”在数据上无法区分。底层unhideStrategies()src/core/data.js会遍历全部策略数据源把properties().visible false的策略恢复可见并在返回结果中通过unhidden_strategies字段告知 Agent 发生了什么轮询等待报告就绪打开面板后最多等待 6 秒每 500ms 轮询reportData.performance是否已填充直到ready/no-strategy才返回避免读到空报告。策略的识别也并非简单的“非价格研究即策略”早期实现曾因is_price_study判断失误把所有策略误排除对应 issue #48/#173/#181现改为依据metaInfo().isTVScriptStrategy || is_strategy判定并回退到“暴露reportData/ordersData的任何数据源”详见 src/core/data.js 的注释。这些行为均有测试佐证tests/e2e.test.js 验证了data_get_strategy_results的面板依赖性与面板检测逻辑tests/pine_analyze.test.js 则从另一侧确保策略脚本含strategy()声明检查在上图前就被正确校验。落地实践建议触发时机在回测跑完、Strategy Tester 面板可见之后调用 performance-analyst效果最佳即使面板关闭或策略被隐藏底层也会自动处理取证留档务必执行两次capture_screenshotchart与strategy_tester让报告中的数字有截图佐证上下文精简若图表上有大量历史数据data_get_ohlcv的summarytrue可只取统计摘要节省 Agent 上下文见 src/tools/data.js把更多上下文留给绩效分析本身组合使用需要更细粒度交易拆解多空分别表现、持仓时间时可结合 skills/strategy-report/SKILL.md 的 Trade Analysis 步骤对data_get_trades返回的明细做二次统计。至此一条“回测 → 采集 → 四维评估 → 结构化报告 → 改进建议”的完整策略评审流水线即可由 performance-analyst 自动完成而所有数据都直接来自真实的 TradingView Strategy Tester非估算或模拟。赞分享MCP 服务AI 应用人工智能金融科技CLI【免费下载链接】tradingview-mcpAI-assisted TradingView chart analysis — connect Claude Code to your TradingView Desktop for personal workflow automation项目地址https://gitcode.com/GitHub_Trending/tra/tradingview-mcp点击查看免费下载相关推荐tradingview-mcp 研究笔记LLM Agent 与 TradingView 实时图表之间的接口层设计tradingview mcp 研究笔记LLM Agent 与 TradingView 实时图表之间的接口层设计 本文基于仓库中的 RESEARCH.md hMCP 服务AI 应用人工智能金融科技CLIUnityGLTF交互性革命Visual Scripting图形导出完全指南UnityGLTF交互性革命Visual Scripting图形导出完全指南 UnityGLTF是一款强大的Runtime glTF 2.0加载器为Unit3D渲染图形学TradingView策略优化插件的深度解析与应用指南TradingView策略优化插件的深度解析与应用指南 交易策略开发的痛点与挑战 在量化交易领域策略回测和参数优化一直是技术门槛较高的环节。传统的手动测试方式创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考