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
FinCast 是一个面向金融时间序列预测的基础模型项目，论文方向为 CIKM 2025，采用 decoder-only Transformer，在大量金融时间点数据上训练，强调零样本、少样本和监督场景下的预测能力。它使用点预测和概率预测结合的损失，并引入 Mixture-of-Experts 以适配不同金融领域和时间分辨率。 这个项目代表金融 AI 的一个新趋势：不再为每个资产、每个指标、每个频率单独训练一个小模型，而是尝试训练能适配多种金融时间序列的基础模型。对银行从业者
金融时间序列基础模型
开源社区
Kronos 是一个面向金融市场“语言”的基础模型项目，尝试把金融市场数据看作一种可建模的序列语言。项目在 2025 年开源并获得较高关注，定位是通过基础模型理解市场时间序列、形态和潜在规律。它与 FinCast 一样代表金融时间序列模型从传统特征工程向大规模序列建模演进的方向。 Kronos 的启发意义在于：金融市场不仅是数值表格，也可以被看作由价格、成交、波动、趋势、跳变、周期等组成的“市场语言”。这种思想对银行内部也有启发，例如客户行为序列、账户交易序列、贷款还款序列、
金融市场基础模型
开源社区
SEC MD&A RAG 是一个针对美国上市公司 10-K 报告中 MD&A（管理层讨论与分析）章节的 RAG 系统。项目使用 FAISS + BM25 的混合检索，再通过 Reciprocal Rank Fusion 融合排序，并在回答中提供段落级引用。它提供命令行和 Streamlit 交互界面，适合学习一个较完整但不臃肿的金融 RAG 项目。 MD&A 是财报中信息密度很高的部分，管理层会解释收入、成本、风险、流动性、资本支出和未来趋势。与完整 10-K 相比，聚焦 M
SEC 10-K MD&A RAG
开源社区
AIReceiptParser 是一个使用 OCR 和 GPT-4 将收据图片转换成结构化数据的应用。它通过 Tesseract OCR 提取文本，再用大模型把原始 OCR 文本整理成严格 JSON，并提供本地 SQLite 存储、CSV 导出和简洁 Web 界面。项目还提供 mock 测试模式，便于在没有真实 API 调用时调试流程。 虽然它面向个人收据处理，但背后的思路对银行和金融运营很有价值。银行业务里大量票据、凭证、收据、发票、费用单、报销单、POS 小票都需要从图片
票据 OCR / LLM 结构化
开源社区
budget_book 是一个银行交易下载、机器学习分类和支出分析项目，最初用于替代 comdirect Finanzmanager。它通过银行 API 下载交易，将交易保存到 CSV 数据库，再根据交易描述文本用机器学习进行分类，并用 Jupyter Notebook 做支出分析和可视化。虽然项目偏个人财务管理，但它很好地体现了银行交易数据从获取、分类到分析的流程。 银行交易描述通常很杂乱：商户名、渠道、备注、缩写、地区、交易类型混在一起。自动分类看似简单，实际上涉及文本清
银行交易下载、分类和分析
开源社区
Beanborg 是一个面向 Beancount 记账系统的 AI 自动交易分类工具。它根据历史账务数据学习交易描述和会计科目之间的关系，帮助用户把新交易自动归入对应账户或类别。它比普通支出分类更接近复式记账和会计科目的语境，因此对企业财务自动化、现金流管理和费用归集也有参考价值。 银行和财务系统里，交易分类往往不是简单的“餐饮/交通/购物”，而是要映射到会计科目、成本中心、税务类别、预算项目或监管报表口径。Beanborg 体现了从交易文本到会计分类的一个轻量实现。
记账交易自动分类
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
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 ↗。