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 126 条
清除筛选开源社区
FinRobot 同样来自 AI4Finance Foundation，定位是面向金融分析的大语言模型智能体平台。与 FinGPT 更偏模型和金融 NLP 基础能力不同，FinRobot 更强调“智能体工作流”：让多个 AI 角色围绕一个金融分析目标协作，例如拉取金融数据、整理公司基本面、比较同业、生成研究报告、输出图表和文本段落。项目提供了本地部署方式、命令行流程和 Web 界面示例，目标是把金融分析流程从单次问答推进到多步骤自动化。 从学习角度看，FinRobot 很适合
金融智能体 / 投研报告
开源社区
Qlib 是 Microsoft 开源的 AI 量化投资平台，目标是支持从研究想法到生产化实现的完整量化流程。它覆盖数据处理、特征工程、模型训练、策略回测、组合构建、风险分析等环节，并支持监督学习、市场动态建模、强化学习等多种范式。相比单个模型项目，Qlib 更像一个量化研究操作系统。 Qlib 的重要价值在于把“金融 AI 项目工程化”展示得比较完整。很多金融 AI 学习只停留在 notebook 或单个模型，但真实机构需要数据版本、特征管理、训练流程、回测框架、评估指标和
AI 量化投研平台
开源社区
FinGPT 是 AI4Finance Foundation 发起的开源金融大语言模型项目，目标是把通用大模型改造成更懂金融文本、金融情绪、市场信息和投研任务的领域模型。它不是一个简单聊天机器人，而是围绕金融数据处理、指令微调、情绪分析、金融问答、金融预测和金融基准评测形成的一套项目集合。项目公开了代码、训练思路、部分模型与 Hugging Face 资源，适合用来理解“金融大模型到底需要哪些专门处理环节”。 FinGPT 的重要意义在于：金融机构一般不会把内部高质量数据和模
金融大语言模型
开源社区
FinRL 是 AI4Finance Foundation 的经典开源项目，专注金融强化学习。它把股票交易、组合管理等金融决策问题抽象成强化学习环境：智能体观察市场状态，采取买入、卖出、持有或调仓动作，然后根据收益、风险和交易成本获得奖励。项目包含数据处理、环境构建、算法训练、回测评估等模块，是学习“AI 如何在连续金融决策中训练策略”的代表性项目。 FinRL 的价值不只是交易策略本身，而是提供了一种完整的金融 AI 实验范式：先定义市场环境，再定义动作空间和奖励函数，再训
强化学习交易
开源社区
OpenBB 是一个开源金融数据平台，面向分析师、量化人员和 AI 智能体提供统一的数据访问能力。它整合多类金融数据源，并通过 Python、CLI 等方式让用户读取市场数据、公司数据、经济数据和其他分析所需信息。OpenBB 的新定位已经不仅是“开源金融终端”，也在强调作为 AI Agent 的金融数据底座。 对金融 AI 学习者来说，OpenBB 的价值在于提醒我们：大模型或智能体要做金融分析，第一步不是“会聊天”，而是能稳定、合规、可追溯地拿到数据。很多金融 AI 项目
金融数据平台 / AI Agent 数据底座
开源社区
RD-Agent 是 Microsoft 开源的研发自动化智能体项目，目标是让 AI 参与数据和模型研发过程。它不只服务金融，但其中包含面向量化金融的 RD-Agent(Q) 场景，用多智能体方式自动做量化策略研究、因子和模型协同优化、代码生成、实验运行和结果评估。它代表了一个重要趋势：AI 不只是分析结果，也可以参与研究过程本身。 对于本仓库来说，RD-Agent 很适合放在“未来金融 AI 工作方式”这一类。过去分析师或数据科学家需要手动提出假设、写代码、跑实验、看结果；
自动化研发智能体 / 量化研究
开源社区
Freqtrade 是一个成熟的开源加密资产交易机器人，支持策略编写、回测、模拟交易、实盘交易、资金管理、图表展示和 Telegram/Web UI 控制。项目中的 FreqAI 模块进一步引入机器学习能力，用于训练预测模型、生成市场预测特征、自动重训练、异常值处理和策略优化。虽然它主要面向加密资产交易，但其工程结构对理解交易自动化和机器学习策略很有帮助。 Freqtrade 的学习价值在于它非常工程化：不仅有模型或策略，还包含交易执行、回测、风控参数、运行监控、异常恢复等真
开源交易机器人 / 机器学习策略
开源社区
TradeMaster 是一个面向量化交易的强化学习开源平台，目标是覆盖强化学习交易算法的设计、实现、评估和部署全流程。项目包含多模态市场数据、数据预处理、市场模拟器、强化学习算法实现、评价指标和用户接口。它更偏学术和研究平台，适合系统学习强化学习交易任务如何被标准化。 相比 FinRL，TradeMaster 更强调“平台化”和“任务基准”。它把不同交易任务、不同算法、不同评价指标放入统一框架中，让研究者可以比较算法效果。这对于学习金融 AI 很重要，因为金融领域很容易只展
强化学习量化平台
开源社区
Alpha-Agent 是 LLMQuant 组织下的多智能体量化投资研究框架，定位是用大语言模型和多智能体流程辅助 Alpha 研究。项目尝试自动完成从研究报告和论文中抽取想法、识别市场状态、检索相关策略、生成代码、调试错误、接入 Qlib 回测等步骤。它代表了金融智能体从“问答助手”走向“研究流程自动化”的方向。 Alpha-Agent 的特点是把金融知识库、市场状态、策略生成和回测连接起来。对金融 AI 学习者来说，它是观察“LLM + 量化研究 + 工具调用”的好样本
多智能体 Alpha 研究
开源社区
AntiFraud 是 AI4Risk/FinInt 相关组织维护的金融反欺诈检测框架，收录和实现多篇信用卡欺诈检测、图欺诈检测和时空注意力相关论文的方法。项目覆盖 MCNN、STAN、STAGN、GTAN、RGTAN、HOGRL、Grad 等模型或方法，涉及卷积神经网络、时空注意力、图神经网络、属性驱动图表示、风险感知图表示等技术。 这个项目对银行从业者非常有价值，因为反欺诈是银行 AI 最典型、最接近生产的问题之一。与投研类项目不同，欺诈检测更强调稀有事件、样本不平衡、伪
金融反欺诈模型框架
开源社区
DGFraud 是一个基于图神经网络的欺诈检测工具箱，聚焦使用 GNN 识别伪装欺诈者、异常节点和复杂关系网络中的欺诈行为。虽然它不是 2026 年的新项目，但属于图反欺诈方向的经典开源工具之一，包含多个代表性图欺诈检测方法和论文实现，对理解欺诈关系建模仍有参考价值。 金融欺诈往往不是单点行为，而是关系网络：账户之间的转账、设备共用、地址共用、商户关联、手机号关联、IP 关联、推荐关系等。DGFraud 正是从这种网络视角出发，把用户、交易、评论、商户等对象建成图，再用图模型
图神经网络反欺诈工具箱
开源社区
FinMem 是一个基于大语言模型的交易智能体研究项目，核心思想是给 LLM Agent 设计“分层记忆”和“角色特征”，让它像交易者一样持续吸收市场信息、历史表现、新闻事件和经验反馈，再把这些记忆转化为交易决策。项目公开了论文代码，并在 2024 年有学术更新和金融大模型挑战相关信息。 FinMem 的价值在于展示了 LLM Agent 在金融场景中如何处理连续信息，而不是只回答单次问题。金融决策往往依赖过去经验、近期事件、长期趋势和短期噪声，FinMem 试图用记忆结构来
大模型交易智能体
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 ↗。