¿Qué es un servidor MCP? El Model Context Protocol, explicado para traders

A las 10:44 UTC del 7 de octubre de 2026, los perps de Bitcoin habían liquidado $7,5 millones en la hora anterior, el 99 % en longs, la hora en el percentil 94 de la semana. El funding estaba en el percentil 22 de su historial de dos años. El volumen iba a 2,3 veces la mediana semanal. Un asistente de IA sin herramientas no sabe nada de esto. Se entrenó hace meses y no tiene reloj. El mismo asistente con un servidor MCP conectado recibe ese párrafo con una sola llamada, con timestamp y con la lista de exchanges detrás de cada número.

Ese es todo el argumento de MCP para quien trabaja con mercados. El modelo deja de adivinar y empieza a leer.

Qué es MCP y qué no es

MCP significa Model Context Protocol. Anthropic lo publicó en noviembre de 2024 como estándar abierto y el 9 de diciembre de 2025 lo donó a la Agentic AI Foundation, un organismo de la Linux Foundation que cofundó con OpenAI y Block, con Google, Microsoft, AWS, Cloudflare y Bloomberg como miembros de apoyo. El anuncio hablaba de más de 10.000 servidores públicos y 97 millones de descargas de SDK al mes.

Por debajo, es un protocolo de comunicación: mensajes JSON-RPC 2.0 entre una aplicación de IA y un proveedor de herramientas. El protocolo define cómo la app descubre lo que ofrece un servidor, cómo llama a una herramienta y qué vuelve. No dice nada sobre qué modelo usas ni sobre cómo razona ese modelo.

Tres cosas que MCP no es. No es un modelo ni un framework de agentes. No reemplaza a una API; la mayoría de los servidores MCP son capas finas sobre una. Y no es un marketplace, aunque varios directorios han crecido a su alrededor.

Una nota sobre el significado de MCP fuera de la IA, porque las siglas están muy repartidas. En otros contextos puede significar Microsoft Certified Professional, el Master Control Program de Tron o la articulación de los nudillos en la base de un dedo. En todo lo escrito sobre herramientas de IA desde finales de 2024, significa el protocolo. La definición corta está en la entrada del glosario sobre MCP; esta página es la versión larga.

Host, cliente, servidor: las tres partes

El protocolo nombra tres roles, y casi toda la confusión sobre MCP viene de mezclarlos.

El host es la aplicación con la que hablas: Claude, ChatGPT, Cursor, VS Code, Gemini CLI o un bot que escribiste tú. El cliente es el conector dentro del host, uno por servidor, que habla el protocolo en nombre del host. El servidor es el programa del otro lado que expone capacidades. Nunca manejas el cliente tú mismo; el host crea uno cuando añades un servidor.

Un servidor puede exponer tres tipos de cosas. Las herramientas (tools) son funciones que el modelo puede llamar, cada una con un nombre, una descripción y un JSON schema para sus argumentos. Los recursos (resources) son datos que el host puede cargar en el contexto, como archivos o registros. Los prompts son plantillas reutilizables. Los servidores de datos de mercado, en la práctica, solo tienen herramientas: no hay ningún archivo que leer, solo preguntas que responder.

Las herramientas también llevan anotaciones, y la que le importa a un trader es readOnlyHint. Una herramienta marcada como de solo lectura promete no cambiar nada. Un servidor en el que todas las herramientas son de solo lectura no puede colocar una orden, mover fondos ni tocar una cuenta de exchange, decida lo que decida hacer el modelo con él.

Qué hace realmente un servidor MCP, paso a paso

Esta es la secuencia para una pregunta, como ejemplo práctico de servidor MCP sobre un servidor real.

1. Añades el servidor a tu cliente, como URL o como comando local, e inicias sesión si te lo pide.
2. El cliente llama a tools/list. El servidor responde con sus herramientas: nombres, descripciones, esquemas de entrada. En el servidor de MarketTrace son diez herramientas, de get_market_state a get_stacked_imbalances.
3. Preguntas: "¿Cuál es el estado de mercado de BTC? ¿Está estirado el posicionamiento?"
4. El modelo lee las descripciones de las herramientas, elige get_market_state y completa {"symbol": "BTC"}. El cliente envía una petición tools/call.
5. El servidor responde con JSON. Recortado, de las 10:44 UTC del 7 de octubre:

{
  "symbol": "BTC",
  "as_of": "2026-10-07T10:44:00Z",
  "age_seconds": 40,
  "price": { "last": 83623.363, "chg_1h_pct": -0.17, "chg_24h_pct": -2.93, "atr_1h_pct": 0.39 },
  "funding": { "rate_bps": 0.22, "percentile": 22, "streak_h": 704 },
  "oi": { "usd": 19078227031, "chg_1h_pct": 0.19, "rel": { "1d": 0.9978, "1w": 1.0185, "1m": 1.0456 } },
  "volume": { "usd_24h": 26320186238, "rel": { "1w": 2.3451 } },
  "cvd": { "window": "30m", "delta_usd": 24887886, "taker_buy_ratio": 0.5193 },
  "obi": { "skew": -0.0891 },
  "liq": { "usd_1h": 7494656, "long_ratio": 0.9935, "percentile": { "1w": 94, "1m": 98 } },
  "basis_bps": -5.95,
  "drivers": [
    "funding 22nd pct (730d, binance+bybit+hyperliquid)",
    "OI 1.0x monthly median",
    "volume 2.3x weekly median",
    "liq 94th pct (1w), 99% longs",
    "OI +0.2%/1h, price -0.2% — new shorts"
  ],
  "coverage": {
    "funding": { "venues": ["binance", "bybit", "hyperliquid"], "window_days": 730, "partial": false },
    "liq": { "venues": ["binance", "bybit", "okx"], "partial": false },
    "basis": { "venues": ["binance"], "partial": true }
  },
  "stale_venues": [],
  "feed": { "version": "1.9.0", "tools": 10 }
}

6. El modelo escribe la respuesta en lenguaje llano. Una buena respuesta conserva las salvedades que venían con los datos: el percentil de funding se apoya en tres venues a lo largo de 730 días, las liquidaciones excluyen Hyperliquid y el snapshot tenía 40 segundos de antigüedad cuando llegó.

Dos detalles deciden si esto funciona bien. El primero es la descripción de la herramienta, porque el modelo elige herramientas leyéndolas; con una descripción vaga, la herramienta se ignora o se usa mal. El segundo es el diseño de la respuesta. Un modelo paga por cada token que lee, así que un servidor que devuelve un objeto compacto por activo, ya normalizado entre exchanges, le gana a uno que vuelca un libro de órdenes crudo y deja la aritmética al modelo.

Local o remoto: dónde corre el servidor

Los servidores vienen en dos formas, y esa diferencia pesa más que cualquier otro detalle de configuración.

Un servidor local es un proceso en tu máquina, que el cliente arranca y con el que habla por la entrada y la salida estándar, stdio en los archivos de configuración. Las herramientas de sistema de archivos, de git y de bases de datos funcionan así. Se añaden con una pequeña entrada JSON que le dice al cliente qué comando ejecutar.

Un servidor MCP remoto es un endpoint alojado al que llegas por HTTPS. El transporte se llama Streamable HTTP: el cliente envía mensajes JSON-RPC por POST a una URL y el servidor devuelve una respuesta en streaming cuando tiene más de una cosa que decir. El inicio de sesión usa OAuth 2.1 con PKCE, el mismo flujo que "Iniciar sesión con Google" en una web, así que no hay ninguna API key que pegar ni nada secreto en un archivo de configuración. El cliente abre un navegador, apruebas, y el cliente guarda un token.

Los datos de mercado son remotos por naturaleza. El feed vive junto a las conexiones con los exchanges, no en tu portátil, y un solo servidor alojado puede servir las mismas herramientas a Claude en tu móvil y a Cursor en tu escritorio. Para un servidor alojado, toda la configuración es una línea:

{ "mcpServers": { "markettrace": { "url": "https://api.markettrace.ai/mcp" } } }

El nombre del campo cambia según el cliente (url en Cursor, httpUrl en Gemini CLI, "type": "http" en VS Code), y las apps de chat como Claude y ChatGPT reciben la URL en un formulario de ajustes en lugar de un archivo.

Vale la pena conocer un cambio reciente en el estándar, porque explica por qué los servidores alojados se volvieron más simples. La revisión 2026-07-28 de la especificación hizo MCP stateless: el handshake de sesión y la cabecera de sesión desaparecieron, y cada petición lleva su propia versión del protocolo y las capacidades del cliente. Un servidor remoto ahora se comporta como un servicio web corriente. No hay nada que reanudar cuando se cae una conexión ni nada que el servidor tenga que recordar entre llamadas.

MCP frente a API frente a function calling

Es la pregunta más frecuente sobre MCP y la que tiene las respuestas más confusas en internet, así que aquí va en forma de tabla.

Function calling es el mecanismo dentro del modelo que le permite emitir una llamada estructurada en lugar de prosa. Todos los grandes proveedores tienen su versión. MCP está una capa más afuera: es la forma en que una herramienta llega al modelo desde fuera de la aplicación, con un esquema que el modelo puede leer, en tiempo de ejecución y no en tiempo de compilación. Un servidor MCP no compite con function calling. Lo alimenta.

Una API y un servidor MCP suelen tener los mismos datos. La diferencia está del lado del consumidor. Con una API escribes el cliente, gestionas la autenticación, parseas la respuesta y decides qué mostrar. Con MCP, la aplicación de IA ya es el cliente. Para un trader se reduce a una frase: con una API escribes el script, con MCP escribes la pregunta.

La otra cara es igual de simple. Si ya tienes un script corriendo contra una API, MCP aporta poco. El protocolo compensa cuando el consumidor es un modelo.

Qué apps hablan MCP hoy

A octubre de 2026, así es como cada host habitual recibe un servidor remoto. Los conectores de Claude son servidores MCP con otro nombre: los integrados vienen del directorio de Anthropic, y un conector MCP que añades por URL es un conector personalizado. Las reglas por plan cambiaron dos veces este año y volverán a cambiar, así que revisa la página del proveedor antes de contar con una.

Los pasos cliente por cliente para nuestro servidor, con el flujo de inicio de sesión detallado, están en la página de agentes.

Dónde encontrar servidores MCP y cómo evaluarlos

El MCP Registry oficial en registry.modelcontextprotocol.io es la fuente de referencia. Un servidor publica allí un server.json bajo un namespace ligado a un dominio que controla el operador, y los clientes y directorios leen de él. Claude mantiene su propio directorio de conectores revisados. Directorios independientes como mcp.so, Glama, Smithery y PulseMCP indexan miles más, incluido todo lo que recogen las awesome-lists de GitHub.

Las listas de "mejores servidores MCP" son sobre todo herramientas para desarrolladores: GitHub, sistema de archivos, Postgres, Playwright, Slack, Notion. Las finanzas están poco cubiertas, y el cripto todavía menos. Nuestro repaso de servidores MCP cripto ordena lo que existe por los datos que sirve: precios, noticias, estado onchain y microestructura de derivados.

Sea cual sea la lista, la seguridad de MCP se reduce a siete preguntas que hacerte antes de conectar un servidor a cualquier cosa que importe.

1. ¿Las herramientas son de solo lectura, y el servidor lo declara con readOnlyHint?
2. ¿Cómo inicias sesión: OAuth, una API key o nada? Nada está bien para datos públicos. Una clave pegada en un archivo de configuración es la más débil de las tres.
3. ¿Cada respuesta dice cuándo se midió y de qué fuentes viene?
4. ¿Están documentados los límites de tasa y los mensajes de error, para que el modelo sepa cómo se ve un rechazo?
5. ¿Quién lo opera, y el código es público?
6. ¿Está en el registro oficial bajo un namespace que pertenece al operador, o solo en un directorio de terceros?
7. ¿Qué registra sobre ti? La respuesta honesta es "las llamadas a herramientas", y una página de privacidad debería decirlo. La nuestra enumera cada campo que registra el servidor y cuánto tiempo lo conserva.

Un servidor de datos de mercado que pase las siete es raro. El nuestro pasa seis sin matices. En la quinta, la respuesta honesta es parcial: el puente stdio y el contrato de herramientas tienen licencia MIT en GitHub, el pipeline de datos detrás del endpoint alojado no.

Qué cambia para un trader un asistente conectado

La mayoría de los casos de uso de MCP que vas a leer son herramientas para desarrolladores: un modelo que lee tu repo, tus tickets, tu base de datos. Aquí van cuatro del trading, cada uno una pregunta de la mañana del 7 de octubre respondida con una llamada a herramienta, cada uno con lo que el modelo puede y no puede concluir. Los números son del servidor de MarketTrace a las 10:44 UTC.

¿Eso fue un flush?

get_market_state para BTC: precio un 2,9 % abajo en 24 horas, $7,5 millones liquidados en la última hora y el 99 % en longs, el percentil 94 de la semana y el 98 del mes. Volumen a 2,3 veces la mediana semanal. Funding en el percentil 22 y positivo durante 704 horas seguidas, así que la masa nunca estuvo pagando caro por estar long. Open interest a menos del 5 % de su mediana mensual. El modelo puede decir: un flush de longs en un día en que el funding nunca pareció saturado, y los shorts abiertos durante la caída son nuevos (open interest arriba, precio abajo en la hora). No puede decir que el flush haya terminado.

¿Significa algo un funding bajo?

get_conditional_outcomes para BTC, condición: funding en el percentil 25 o por debajo, ventana: los 730 días hasta el 7 de octubre de 2026. Veinticuatro horas después, el movimiento mediano fue de +0,02 % con una tasa de acierto del 50 %, sobre 366 coincidencias sin solapamiento. Setenta y dos horas después, +0,42 % y 54 % sobre 155. Es tirar una moneda al aire, reportado como medición con su tamaño de muestra. Un modelo sin la herramienta te habría dicho que el funding bajo marca suelos, porque es lo que dice casi todo internet. El estudio sobre extremos de funding hace la misma prueba en seis activos, y la entrada sobre resultados condicionales explica cómo se cuentan las coincidencias.

¿Quién está comprando?

El mismo snapshot, por venue: CVD de 30 minutos en +$20,2 millones en OKX y +$8,5 millones en Bybit, frente a −$5,1 millones en Binance. get_big_trades para la hora hasta las 10:44: 67 compras a mercado de $1 millón o más frente a 113 ventas, y los tres prints más grandes, compras de $12,0 a $12,1 millones cada una, todas en OKX. El modelo puede describir un reparto entre venues y nombrar el lado que imprimió tamaño. No puede saber quién estaba detrás de las órdenes.

¿Qué tan mal le fue a ETH?

get_liquidations_recent con una ventana de 24 horas: $90,2 millones liquidados, 97 % longs, 2.759 eventos, en Binance, Bybit y OKX. Hyperliquid no está en ese feed, y una buena respuesta lo dice en lugar de disimular el hueco.

Nada de esto es un trade. Lo que cambió es que las frases del asistente ahora hablan de cosas medidas, con fecha y fuente, y la pregunta siguiente cuesta una llamada más en lugar de cuatro pestañas del navegador. Los mismos datos están en las páginas de liquidaciones y footprint para quien prefiera un gráfico a una conversación.

Dónde empieza y termina un "agente de trading con IA"

Un asistente de trading con IA que lee es algo distinto de un agente de trading con IA que actúa, y MCP solo resuelve la primera mitad. Un servidor MCP le da ojos a un agente. No le da criterio, y un servidor de solo lectura no puede ejecutar. Un agente que opera necesita una segunda conexión, con escritura, a un exchange, sus propios límites de riesgo y una persona que lea los logs. Es otro proyecto, con otra forma de fallar. Mantener el servidor de datos en solo lectura, y separado de todo lo que pueda enviar una orden, es la única regla de diseño que no doblaríamos.

Lo que MCP no arregla

Los números obsoletos e inventados son la clase de error que MCP elimina. Quedan otras cuatro.

Interpretación. Un modelo puede traer el número correcto y aun así leerlo mal: llamar "capitulación" a una hora de liquidaciones en el percentil 94 cuando el feed solo dice que fue grande, o tratar rel: 2.3 como 2,3 % en lugar de 2,3 veces la mediana. La solución del lado del servidor es documentar las escalas en la descripción de la herramienta; del lado del usuario, pedirle al modelo que cite el campo que usó.

Coste en tokens. Cada byte que devuelve una herramienta lo lee el modelo y se factura, y una app de chat tiene un presupuesto de contexto. Un libro de órdenes completo de cuatro exchanges lo agotaría en una sola llamada. Por eso un servidor de datos de mercado bien construido devuelve resúmenes, profundidad en unas pocas bandas, percentiles y una lista corta de drivers, y deja la cinta cruda en el gráfico.

Prompt injection a través de los resultados de las herramientas. El texto que vuelve de una herramienta es entrada no confiable. Un servidor que devuelve texto libre puede, en principio, devolver instrucciones, y algunos modelos las seguirán. Las salidas numéricas y las herramientas de solo lectura mantienen pequeño el radio de daño, que es la segunda razón para exigir ambas cosas.

Límites y rechazos. Un servidor que responde 30 llamadas por minuto frenará a un modelo que pide 31, y el error que devuelve tiene que poder leerlo el modelo además de una persona. El nuestro vuelve como un error de herramienta que dice cuántos segundos esperar, y los parámetros fuera del rango de una herramienta devuelven un error en lugar de recortarse en silencio.

MarketTrace publica ocho reglas para agentes que leen el feed que cubren estos casos. También funcionan como system prompt.

Pruébalo en dos minutos

El servidor MCP de MarketTrace es gratis y de solo lectura, y su puente y su contrato de herramientas son de código abierto. La URL es https://api.markettrace.ai/mcp. Añádela en tu cliente, inicia sesión con un enlace por email cuando se abra el navegador y haz la primera pregunta con palabras normales: "¿Cuál es el estado de mercado de SOL, y cómo se compara el funding con su historial?" La página de agentes tiene los pasos para cada cliente, la referencia de herramientas y los límites; la página de metodología explica cómo se calcula cada número.

Preguntas frecuentes

¿Qué significa MCP?

Model Context Protocol. Es un estándar abierto, publicado por primera vez por Anthropic en noviembre de 2024 y gobernado desde diciembre de 2025 por la Agentic AI Foundation, dentro de la Linux Foundation. En otros campos las mismas siglas significan Microsoft Certified Professional o una articulación del dedo; en herramientas de IA significan el protocolo.

¿Qué es MCP y qué es un servidor MCP?

MCP es el estándar que permite a una aplicación de IA descubrir y llamar a herramientas externas. Un servidor MCP es un programa que publica una lista de esas herramientas con entradas tipadas, para que la aplicación pueda llamarlas durante una conversación y recibir resultados estructurados.

¿Cómo funciona MCP?

La aplicación lista las herramientas del servidor, el modelo lee sus descripciones y, cuando una pregunta necesita una, el modelo completa los argumentos y la aplicación envía la llamada. El servidor devuelve JSON; el modelo lo convierte en una respuesta. Los mensajes viajan como JSON-RPC 2.0 sobre stdio en los servidores locales o sobre Streamable HTTP en los remotos.

¿Un servidor MCP es lo mismo que una API?

No, pero normalmente envuelve una. Una API está hecha para que la llame tu código. Un servidor MCP está hecho para que lo llame una aplicación de IA, con herramientas que se describen solas y un flujo de inicio de sesión que funciona dentro de una app de chat. Los datos detrás de ambos suelen ser idénticos.

¿Cuál es la diferencia entre un cliente MCP y un host MCP?

El host es la aplicación que usas, como Claude o Cursor. El cliente es el componente dentro del host que habla con un servidor. Añades servidores a un host; el host corre un cliente para cada uno.

¿Qué es un servidor MCP remoto?

Un servidor al que llegas por URL sobre HTTPS en lugar de correrlo en tu propia máquina. Usa el transporte Streamable HTTP y, cuando necesita saber quién eres, inicio de sesión con OAuth. Los feeds de datos alojados son servidores remotos; las herramientas de sistema de archivos y de git suelen ser locales.

¿Necesito programar para usar un servidor MCP?

No. En Claude, ChatGPT o Cursor pegas una URL e inicias sesión. Solo hace falta código para construir un servidor o para llamarlo desde tu propio programa.

¿MCP es gratis?

El protocolo y sus SDK son de código abierto y gratuitos. Cada servidor fija sus propias condiciones. El servidor de MarketTrace es gratis, con límites de tasa por cuenta.

¿Qué apps de IA soportan MCP?

Claude, Claude Code, ChatGPT (modo desarrollador en los planes Business, Enterprise y Edu), Cursor, VS Code, Gemini CLI, Codex, Microsoft Copilot y cualquier cliente construido sobre los SDK oficiales. Los límites por plan varían según el proveedor y cambiaron más de una vez en 2026.

¿Es seguro conectar un servidor MCP?

Lo bastante seguro cuando las herramientas son de solo lectura, el inicio de sesión es OAuth y no una clave pegada, el operador es identificable y el código es público. Trata todo lo que pueda escribir, enviar o gastar como una decisión aparte, con una revisión aparte.

¿Puede un servidor MCP operar por mí?

Uno de solo lectura no puede, por construcción. Existen servidores que exponen herramientas de ejecución; guardan credenciales de exchange y hay que tratarlos como darle a alguien tus API keys, porque eso es exactamente lo que son.

Relacionado

→ Servidores MCP cripto: cómo conectar la IA a datos de mercado en vivo

→ MarketTrace para agentes de IA: conexión, herramientas, límites

→ Cómo se calculan los números del MCP

→ Tasas de funding extremas: lo que muestran realmente 789 días de datos

Fuentes

• Donating the Model Context Protocol and establishing the Agentic AI Foundation, Anthropic
• Specification changelog, 2026-07-28, Model Context Protocol
• Get started with custom connectors using remote MCP, Claude Help Center
• Developer mode and full MCP connectors in ChatGPT, OpenAI Help Center

El servidor MCP de MarketTrace es gratis y de solo lectura: markettrace.ai/agents. Datos de mercado informativos, no consejo financiero.