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
MASTER 是上海交通大学 DMTai 团队发布的 AAAI 2024 论文官方代码，全称 Market-Guided Stock Transformer for Stock Price Forecasting。它针对股票价格预测中的两个关键问题设计：一是股票之间存在横截面相关性，二是不同市场状态下有效特征会变化。MASTER 通过市场信息引导 Transformer 的特征选择和相关性建模，试图让模型不仅看单只股票的历史序列，还能理解市场整体环境和股票间联动。 项目的核心
股票价格预测 / 市场引导 Transformer
开源社区
TLOB 是 2025 年发布的限价订单簿（Limit Order Book, LOB）价格趋势预测项目，官方代码对应论文《TLOB: A Novel Transformer Model with Dual Attention for Price Trend Prediction with Limit Order Book Data》。它使用双注意力机制建模订单簿数据中的空间依赖和时间依赖，用于预测短期价格趋势。 限价订单簿是金融市场微观结构的核心数据，记录了不同价格档位上的
限价订单簿预测 / 双注意力 Transformer
开源社区
AI Bank Statement Document Automation 是一个围绕银行流水 PDF 自动化处理的开源项目，结合 YOLOv8 布局检测、OCR、LLM 表格抽取、RAG 问答和 AG2 智能体分析。它的目标是把非结构化银行流水文档转换为结构化交易数据，并进一步生成收入支出分类、趋势分析和月度/年度财务报告。 这个项目非常贴近银行业务，因为银行流水、对账单、收入证明、消费记录等文档在零售金融、信贷审批、小微企业贷、反欺诈和个人财务管理中都很常见。传统处理依赖
银行流水 OCR + LLM + RAG + 智能体
开源社区
InvOCR 是一个面向发票、收据和金融文档的 OCR 处理系统，支持 PDF、PNG、JPG、TIFF 等输入，并能输出 JSON、XML、HTML、PDF 等格式。它提供 FastAPI 服务、CLI 工具、Docker 部署、多语言 OCR、表格抽取、签名检测和格式转换能力。 与单纯的 OCR demo 不同，InvOCR 更像一个企业级文档处理后端：它不仅把图片转文字，还试图完成“文档 → 结构化数据 → 标准格式”的完整转换。对金融场景来说，这类能力可以用于发票报销
发票/收据/金融文档 OCR 处理系统
开源社区
TorchQuant 是一个基于 PyTorch 的可微分量化金融库，目标是把衍生品定价、风险管理和随机模型校准构建成可自动求导、可 GPU 加速的计算框架。它把金融工具的结构与神经网络组件做类比，例如把期权 payoff 类比为 ReLU/Softplus，把美式期权的提前行权类比为最优停止和门控机制。 传统衍生品定价库通常是数值金融风格，强调解析公式、树模型和 Monte Carlo；TorchQuant 则更强调“可微分”和“深度学习友好”。这意味着模型参数、定价结果和
PyTorch 可微分量化金融 / 衍生品定价
开源社区
ml4t-backtest 是 Machine Learning for Trading 生态中的事件驱动回测引擎，由 Stefan Jansen 相关生态维护。它面向机器学习交易策略，强调真实执行建模、无未来函数、仓位和风险约束、订单行为导出与审计。项目仍处于 beta，但设计理念非常现代。 与轻量级回测框架相比，ml4t-backtest 更关注“研究结果是否可审计、是否接近真实执行”。它支持事件驱动架构、point-in-time correctness、先处理退出订单
事件驱动回测 / 机器学习交易生态
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
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 ↗。