页面准备好后会自动显示。等待期间仍可使用顶部导航切换。
SEEKINGDAO / FIELD NOTES
从真实业务出发，看清 AI 如何落地。读懂做法、成效与边界，把案例变成自己的判断。
它解决了什么业务问题？用了哪些数据？披露的效果是实绩、试点，还是计划？
THE INDEX
找到 462 条
开源社区
exchange_calendars 是一个用于定义和查询全球证券交易所交易日历的 Python 库，支持 50+ 交易所，包括纽约、伦敦、香港、东京等市场。它可以查询交易日、开盘收盘时间、午休、节假日、早收盘等信息，是金融时序分析中容易被忽视但非常关键的基础设施。 很多金融 AI 项目会犯一个基础错误：把自然日当作交易日，或者用统一的 252 天年化假设处理所有市场。但真实市场有节假日、半日交易、午休、不同时区和交易所特殊安排。exchange_calendars 解决的就
证券交易日历 / 全球市场时序基础设施
开源社区
pandas_market_calendars 是另一个常用的交易日历库，目标是在 pandas 生态中提供交易所假期、开盘、收盘、早收盘和有效交易时间序列。它最初从 Quantopian trading_calendars 衍生而来，长期用于量化研究和回测。 该库的使用方式非常直观：先获取某个市场日历，例如 NYSE，然后查询某段日期的 schedule，或生成仅包含有效交易时间的 DatetimeIndex。这对于高频数据重采样、收益率对齐、交易信号时间戳过滤都非常有用。
交易日历 / pandas 金融时序工具
开源社区
Financial PhraseBank 是金融情感分析中最经典的数据集之一，由金融和经济新闻句子组成，并由人工专家标注为 positive、negative、neutral。Hugging Face 上的 takala/financial_phrasebank 提供了多个一致性版本，例如 all agree、75% agree、66% agree、50% agree，便于研究者根据标注一致性选择训练集。 它的重要性在于：金融文本的情感判断不能直接套用通用情感模型。比如“公司
金融情感分析数据集 / 专家标注
开源社区
FiNER-ORD 是佐治亚理工 FinTech Lab 发布的金融命名实体识别开放研究数据集，用于金融新闻中的实体识别基准。它包含人工标注的英文金融新闻文章，可用于训练和评估金融领域 NER 模型，例如识别公司、人物、地点、金融术语、产品和组织等实体。 通用 NER 模型在金融文本中经常不够准确，因为金融实体有大量专业缩写、股票代码、产品名称、指数名称、监管机构和金融工具。FiNER-ORD 的价值就在于提供了金融领域专用的实体识别数据和基准代码，让模型学习金融文本中的实体
金融命名实体识别数据集 / NER 基准
开源社区
FiNER 是与 FiNER-ORD 相关的金融 NER 弱监督框架项目，重点展示如何用弱监督方法降低金融实体识别数据的人工标注成本。相比完全依赖人工逐字标注，弱监督会使用词典、规则、模式、外部知识库或模型投票生成初始标签，再通过模型学习和校正提高质量。 金融领域标注成本高，因为标注员不仅要懂语言，还要懂金融术语、公司名称、产品名称和上下文含义。FiNER 的学习价值在于：它展示了如何用半自动方式构建金融 NER 数据，而不是一开始就投入大规模人工标注。 在银行内部，这个思路
金融 NER 弱监督框架
开源社区
Financial RAG Assistant 是一个面向财务文档的 RAG 问答系统，支持上传 10-K 文件、业绩报告等 PDF，使用 LangChain、ChromaDB、OpenAI/Claude 构建向量检索和答案生成，并返回带来源页引用的回答。项目还提供 Streamlit 聊天界面，便于用户直接体验。 这个项目代表了金融 RAG 最常见的产品形态：用户上传一份几百页的财报或 10-K，系统分块、向量化、检索相关片段，然后让大模型回答“主要风险因素是什么”“收入增
财报/10-K PDF RAG 问答助手
开源社区
Earnings Call Analyzer 是一个 AI 投研工具原型，整合 SEC filings、实时市场数据和网页搜索，用 RAG、LangChain agents、Claude API 和 ChromaDB 回答投资研究问题。它的定位比单文档 RAG 更进一步：不仅读文件，还尝试把外部数据和搜索工具接入同一个分析 Agent。 业绩电话会和 SEC 文件是投研分析中信息密度很高的材料，但问题往往跨多个来源：管理层在电话会中说了什么、财报数字是否支持、市场数据有没有反
业绩电话会 + SEC 文件 + 市场数据 Agent
开源社区
FinRAGify_App 是一个使用 LangChain、FAISS、GPT-4o-mini 和 Hugging Face reranker 构建的业绩电话会 RAG 应用。用户可以选择公司，针对业绩电话会 transcripts 提问，例如新产品、未来展望、管理层措辞变化等，系统通过向量检索和重排序返回答案。 该项目适合学习“金融 RAG 的增强版检索流程”。简单 RAG 通常只做向量相似度检索，但金融问题对上下文精确性要求高，容易检索到相关但不够准确的片段。FinRAG
业绩电话会 RAG / 投研助手
开源社区
Financial Research Agent 是一个基于 LangGraph、LangChain、ChromaDB、Google Gemini 和 Streamlit 的金融研究智能体项目。它将文档检索、工具调用和直接回答组织成 LangGraph 节点，由路由节点决定用户问题应该走检索、工具还是直接响应。 相比普通 RAG 项目，Financial Research Agent 的价值在于展示了“可控 Agent 流程”。用户问题进入后，不是直接丢给 LLM，而是先由
LangGraph 金融研究智能体 / 文件 RAG
开源社区
SEC 10-K Filings Analysis 是一个用 LangChain、Streamlit、ChromaDB 和 OpenAI 模型构建的 SEC 10-K 文件问答项目。它包含 SEC 文件下载、文本 ingest、向量数据库构建和前端问答流程，适合学习最基本的 SEC RAG 应用。 10-K 文件通常几百页，包含业务概述、风险因素、管理层讨论、财务报表和脚注，是投研和信用分析的重要来源。该项目展示了如何把 SEC EDGAR 的长文档转化为可检索知识库，让用户
SEC 10-K RAG / Streamlit 问答
开源社区
py-sec-xbrl 是一个用于解析 SEC EDGAR XBRL 文件的 Python 工具，目标是把上市公司提交给 SEC 的 XBRL XML 财报数据解析成更容易被程序访问的结构化结果。它不是一个完整的公告下载平台，而是专注在“拿到 XBRL 文件之后，如何把其中的财务事实、标签和上下文抽取出来”。 XBRL 是财报机器可读化的关键标准。很多金融 AI 项目会直接对年报 PDF 或 HTML 做 RAG，但如果问题涉及收入、净利润、资产负债、现金流等数字，直接从文本
SEC XBRL 财报解析 / 结构化数据底座
开源社区
wraquant 是一个较新的综合量化金融工具箱，项目自称包含风险管理、制度状态识别、波动率建模、衍生品定价、回测、机器学习和技术分析等模块，并通过 MCP server 将 200+ 工具暴露给 AI Agent 调用。它的定位是“AI-native quant research lab”。 与传统量化库不同，wraquant 从一开始就强调 Agent 可用性：工具函数、工作流 prompt、DuckDB 工作区和 MCP 接口被组织在一起，使 Claude 或其他 MC
AI-native 量化金融工具箱 / MCP
内容整理自金融 AI 长期进化实验室。银行用例、开源项目与 Skill 工作流分开展示；商业合作、计划和试点的表述按原分析保留，披露指标不等同于独立审计结果。
业务分类和技术标签按公开规则归纳；同机构不同项目、同名但来源不同的 Skill 独立保留。总览与正文只计一次，相同机构项目或相同上游路径合并并保留来源版本。当前 462 条来源记录，合并 0 条重复记录。
每日检查公开仓库，更新时保留上一版有效内容；如果来源删除已有记录或结构发生变化，暂停覆盖，等待核对。最近检查：2026/11/14（香港时间）。当前来源修订：06778e55 ↗。