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
Credit Risk Scorecard 是一个银行风格的信用风险评分卡项目，使用逻辑回归构建违约概率模型，并将 PD 转换为信用分、风险等级和贷款决策，同时加入 IFRS 9 预期信用损失 ECL 的思路。项目提供 Streamlit 仪表盘，让用户输入借款人特征后得到 PD、信用分、风险类别和审批建议。 这个项目对银行学习者非常贴近，因为它不是单纯追求高精度黑盒模型，而是围绕银行传统信用风险建模流程展开：变量处理、WOE/评分卡思想、PD、分数映射、风险等级、ECL、模
信贷评分卡 / IFRS 9 ECL
开源社区
Loan Default Interpretability 是一个关注贷款违约预测、模型可解释性和公平性的机器学习项目。它使用 Random Forest、SMOTE、SHAP、LIME、AIF360、Fairlearn 等工具，目标不仅是预测借款人是否违约，还要解释模型为什么这样判断，并评估不同群体是否受到不公平影响。 这个项目的价值在于它把信贷模型最容易被忽视的治理问题放到了核心位置。金融机构不能只说“模型准确率高”，还要回答：模型是否歧视某些群体？拒贷原因是否可解释？少
贷款违约预测 / 可解释与公平性
开源社区
GraphRAG Finance Assistant 是一个面向 SEC filings 和市场数据问答的 GraphRAG 项目，使用知识图谱 + 向量检索回答金融文档问题，并强调引用证据、企业合规层和 RAGAS 评估。项目架构中包含 API Gateway、Neo4j、search-service、LLM Gateway、build-service、sec-parser 等模块，更接近分布式金融智能应用，而不是单 notebook demo。 普通 RAG 往往把文档切
SEC 文件 GraphRAG
开源社区
Smart Expense Categorizer 是一个面向自由职业者和自雇人群的银行交易分类项目，把银行 CSV 中的交易映射到 IRS Schedule C 税务费用类别。项目同时支持 LLM 和关键词规则，强调可测试、可解释和面向报税场景的分类口径。虽然它是个人税务工具，但很适合学习“交易分类必须服务具体业务口径”。 很多交易分类项目只把消费分成餐饮、交通、购物，但金融业务通常需要更具体的分类标准：税务类别、会计科目、预算项目、监管报表项目、授信现金流类别。Smart
支出分类 / 税务口径映射
开源社区
LlamaOCR 是一个使用 Llama 3.2 Vision 模型处理发票图片并输出结构化表格的项目，目标是帮助会计人员把发票信息转成可进入 ERP 的表格数据。它使用 Streamlit 提供上传和交互界面，强调从图片到表格的端到端体验。 这个项目代表多模态金融 AI 的一个实用方向：过去 OCR 主要识别文字，但发票和票据真正需要的是字段、行项目、金额、税额、供应商、日期和表格结构。视觉语言模型可以直接看图理解布局，但仍需要业务校验和格式约束。
发票 OCR / 多模态模型
开源社区
ixbrl-parse 是一个用于解析 inline XBRL 文件的 Python 库。iXBRL 是把机器可读 XBRL 标签嵌入人类可读 HTML 报告中的披露格式，常用于公司财报和监管披露。这个项目帮助使用者从 iXBRL 文件中抽取有用数据，将披露文件里的财务事实、标签和上下文转换成更易处理的结构化数据。 它不是大模型项目，但对金融 AI 非常关键。很多财报问答、财务指标计算、企业风险分析和投研助手都需要可靠财务数据。如果只让大模型读 PDF 或 HTML，可能错过
iXBRL 财报解析
开源社区
FinNLP 是 AI4Finance Foundation 开源的金融互联网数据项目，定位是为金融 NLP、金融大模型和金融情绪分析提供数据采集、整理和实验管道。它并不是单一模型，而更像一个“金融文本数据工作台”：把新闻、社交媒体、公告、财经网站、行情相关文本等来源接入 Python 环境，再把这些数据转换成后续模型训练、微调、检索和分析可以使用的表格或文本格式。 这个项目值得放在“金融 + AI 数据底座”里，是因为很多金融 AI 项目真正的瓶颈不是模型，而是数据。银行想
金融互联网数据采集 / 金融 NLP 数据管道
开源社区
FinanceDatabase 是一个开源金融标的数据库，收集并整理了股票、ETF、基金、指数、货币、加密资产和货币市场等大量金融工具的基础信息。它的价值不在于预测模型，而在于提供金融 AI 项目经常需要但容易被忽视的“主数据层”。任何涉及资产、证券、指数、行业、交易所、币种的模型，如果没有干净的标的主数据，就很容易出现代码混乱、名称不一致、市场分类不准和历史样本偏差。 在金融机构里，主数据治理是非常基础但非常关键的工作。比如同一家公司可能有普通股、ADR、不同交易所代码、历
金融标的主数据 / 证券基础数据
开源社区
FinMind 是一个开源金融数据平台，主要提供台湾市场相关金融数据，同时也包含部分宏观、汇率、利率、大宗商品等数据。项目提供 Python SDK、API 和示例 notebook，帮助使用者用统一方式获取多类金融时间序列和基本面数据。它很适合放在本批次，因为它不是单纯模型项目，而是金融 AI 项目需要的数据源和数据服务样板。 对于学习金融 AI 的人来说，FinMind 的重要性在于展示“区域市场数据平台”应该怎么组织。金融数据往往具有强烈地区差异：交易所制度不同、字段名
开源金融数据平台 / 台股与宏观数据
开源社区
FinRL-Meta 是 AI4Finance 生态中的市场环境和数据集层，目标是为数据驱动的金融强化学习提供动态数据集、市场环境和基准。它与 FP-003 FinRL 关系紧密，但定位不同：FinRL 更偏强化学习交易算法和策略开发，FinRL-Meta 更偏“训练智能体之前的数据和环境怎么准备”。因此本批次把它作为数据底座项目单独收录，不算与 FinRL 重复。 强化学习在金融交易中很容易被误解为“让模型自己学会赚钱”。实际上，交易智能体能学到什么，很大程度取决于市场环境
金融强化学习数据集和市场环境
开源社区
EDGAR-Crawler 是一个面向 SEC EDGAR 披露文件的开源下载和结构化工具，支持从 EDGAR 下载 10-K、10-Q、8-K 等文件，并把原始、非结构化披露文本解析成更干净的 JSON 结构。它的目标非常明确：为金融 NLP 实验提供可复用的上市公司披露文本数据管道。 SEC 文件是金融 AI 的核心公开数据源之一。大量金融问答、财报摘要、风险因素分析、管理层讨论分析、行业比较、信用风险研究都离不开 10-K、10-Q、8-K 等披露文件。但原始 EDGA
SEC 披露文件下载与 JSON 结构化
开源社区
SEC-API Python 是 SEC-API.io 提供的 Python SDK，用于访问 SEC 与 EDGAR 数据，包括文件查询、全文搜索、实时流、XBRL 转 JSON、标准化财务报表、13F 持仓、内幕交易、合同附件、注册文件、代理投票等多类披露数据。它是开源 SDK，但背后连接的是商业 API 服务，因此本项目更适合学习“金融数据服务 SDK 如何封装复杂披露数据”。 与 EDGAR-Crawler 相比，SEC-API Python 更像数据产品接口。它不只
SEC/EDGAR 数据 SDK / XBRL 转 JSON
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 ↗。