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 52 条 · 数据分析
清除筛选开源社区
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
开源社区
tidyxbrl 是一个用于解析 XBRL 数据的 Python 包，目标是以更简洁的方式把 XBRL 文件转换成 Python 可处理的动态结构。XBRL 是上市公司财务报告和监管报送中常见的结构化语言，能够把财务报表中的项目、数值、期间、单位和上下文机器可读化。对金融 AI 来说，XBRL 是连接“原始财报”和“结构化财务知识”的关键桥梁。 很多学习者会直接用 PDF 或 HTML 财报做 RAG，但对于财务指标和监管报表来说，文本问答并不够。比如收入、资产、负债、现金流
XBRL 解析 / 财报结构化
开源社区
FiNER-139 是一个面向 XBRL 标签的金融数值实体识别数据集，包含约 110 万句从美国上市公司年度和季度报告中抽取的句子，并标注了 139 类 XBRL 标签。它把财务报告中的数值识别和标签映射转化为实体识别任务，目标是让模型自动判断一个数字在上下文中对应哪个财务科目或披露标签。 这个项目非常适合放在金融 AI 数据批次里，因为它揭示了财报结构化的核心难点：数字本身没有语义，同样的 “100 million” 可能是收入、成本、资产、负债、现金流、员工费用或税费，
XBRL 标签 / 金融数值实体识别
开源社区
FinTagging 是 The-FinAI 组织开源的金融标签和数据构建相关项目，面向金融大模型训练、评测和任务组织。它的项目简介和材料体现了一个重要方向：金融 AI 不仅需要模型和原始数据，还需要可复用的标签体系、任务标签、数据切分和标注流程。虽然项目规模不大，但它与用户本次提出的“数据标注、清洗、开源数据源”主题高度相关。 金融数据标注不同于通用文本标注。金融文本往往涉及实体、指标、事件、情绪、风险类型、合规条款、时间、金额、方向和业务口径。一个句子可能既包含公司实体，
金融 LLM 数据标注 / 标签构建
开源社区
Swarm Trader 是基于 AI Hedge Fund 扩展的多智能体 AI 交易系统，强调双模式交易、多个投资风格智能体、免费数据源和 Alpaca paper trading 执行。它使用 SEC EDGAR 和 yfinance 作为免费数据层，并引入代码强制的风险管理层，避免智能体绕过硬性风控规则。 这个项目值得收录，是因为它把“智能体分析”和“交易执行风险”放到同一系统里。很多金融 agent 演示只停留在生成报告或建议，而 Swarm Trader 进一步考
多智能体交易系统 / 免费数据源 / 风控执行
开源社区
TradingGoose Studio 是一个开源的技术分析 + LLM 交易工作流平台，强调用可视化画布把行情、技术指标、AI agent、交易动作、API 集成等模块连接起来。它不是单一策略库，而更像一个面向交易研究和自动化的低代码/可视化工作台。 这个项目值得学习，因为它展示了金融 AI 从“脚本”走向“工作流平台”的形态。未来银行内部很多 AI 应用也可能不是一个模型接口，而是由数据源、规则、模型、人工审核、通知、报表和审批节点组成的流程。可视化工作流有助于非技术人员
技术分析 + LLM 交易工作流平台
开源社区
HiDy 是 K-Quant 团队开源的大规模层次化动态金融知识库，包含多类实体和关系，并按宏观、产业、中观、公司等层次组织金融知识。项目页面提到数十万关系和多类实体，目标是为金融任务提供可检索、可评测的知识基础。 这个项目适合与 FinRED、FIRE、Financial Knowledge Graph 一起阅读。FinRED 和 FIRE 更偏从文本中抽取实体关系，Financial Knowledge Graph 更偏用公开行情/财务数据建图，而 HiDy 更强调层次化
层次化动态金融知识库
开源社区
AKShare 是国内非常常用的开源财经数据接口库，覆盖股票、期货、期权、基金、债券、外汇、宏观、新闻、指数和另类数据等多类公开数据源。它的价值不在于提供预测模型，而在于让金融 AI 项目能快速获得结构化数据。 金融 AI 项目往往卡在数据层：行情、财务、宏观、行业、公告和新闻分散在不同网站，格式也不统一。AKShare 用统一 Python API 把这些数据拉进 DataFrame，适合做金融数据探索、量化研究、RAG 数据准备和模型特征工程。 对银行学习者来说，AKSh
开源财经数据接口 / 中国市场数据
开源社区
TuShare 是国内较早也较有影响力的金融数据接口项目，主要面向中国股票、基金、期货、指数、宏观等数据。它把大量金融数据整理成可通过 Python 调用的接口，长期被用于量化研究、教学和数据分析。 与 AKShare 类似，TuShare 的核心意义是数据工程。金融 AI 不是只靠模型，首先要有稳定、可追溯、字段清楚的数据输入。TuShare 可以帮助学习股票代码、交易日历、行情、财务指标、复权、公告和基础资料如何被组织成可分析数据。 对银行从业者来说，TuShare 也可
中国金融数据采集与清洗
开源社区
easyquotation 是一个用于获取股票实时行情的开源 Python 项目，曾被很多量化学习者用于快速接入 A 股、港股等行情数据。它的代码相对轻量，适合理解行情接口、实时数据抓取和简单监控。 在金融 AI 项目里，实时数据和历史数据同样重要。历史数据适合训练和回测，实时数据则用于监控、预警、触发工作流和生成当日市场解读。easyquotation 提供了一个轻量入口，帮助学习者理解实时行情如何进入程序。 对银行来说，实时行情可用于财富管理产品监控、市场风险提示、客户持
实时行情数据接口
开源社区
PyPortfolioOpt 是 Python 生态中非常常用的组合优化库，封装了均值方差优化、有效前沿、Black-Litterman、层次风险平价、预期收益估计和风险模型等功能。它把金融工程中的资产配置方法做成了易用 API。 金融 AI 学习不能只关注预测，还要关注预测如何转化为组合。即使模型能预测某些资产收益，也需要决定权重、约束、风险预算、再平衡和交易成本。PyPortfolioOpt 正好帮助理解从信号到组合的中间层。 对银行财富管理来说，组合优化是非常核心的知识
组合优化 / 资产配置
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 ↗。