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
skfolio 是一个面向组合优化和风险管理的 Python 库，设计风格接近 scikit-learn，支持多种优化器、风险度量、交叉验证、模型选择和可视化。它把资产配置问题做成更接近机器学习工作流的形式。 它的价值在于连接金融工程和机器学习工程。传统组合优化常停留在公式和单次计算，而 skfolio 更强调 estimator、pipeline、cross-validation 和模型比较，这对金融 AI 非常重要，因为模型需要验证、调参和样本外测试。 对银行来说，skf
机器学习风格组合优化与风险管理
开源社区
Riskfolio-Lib 是一个功能丰富的组合优化和风险管理库，支持大量风险度量、风险平价、均值风险优化、层次聚类组合、Black-Litterman 和多种约束。它适合深入学习资产配置中的风险建模。 相比更入门的组合优化库，Riskfolio-Lib 更强调风险口径多样化。金融机构做组合管理时，不只看波动率，还会关注 CVaR、最大回撤、下行风险、尾部风险、集中度和风险贡献。 银行财富管理和理财业务中，风险预算思想非常重要。一个组合看起来收益高，但如果风险集中在少数资产、
风险预算 / 组合优化 / 资产配置
开源社区
finmlkit 是一个面向金融机器学习的 Python 工具包，聚焦特征工程、采样、事件驱动 bars、标签构造和模型评估等内容。它的思想与 Marcos López de Prado 的金融机器学习体系有关，强调金融数据不能简单按普通机器学习方式处理。 金融时间序列有强噪声、非平稳、时间相关和标签泄露风险。finmlkit 这类项目帮助学习者理解：在训练模型前，需要先决定如何从 tick 或价格序列构造样本，如何定义事件，如何设置标签，如何避免未来函数。 对银行来说，虽然
金融机器学习特征工程 / 标签构造
开源社区
mlfinpy 是一个开源金融机器学习工具箱，参考了金融机器学习经典方法，尝试用现代 Python 技术栈实现采样、标签、特征和验证相关工具。项目定位是替代某些闭源金融 ML 工具的开放实现。 它适合与 finmlkit 一起阅读。两者都提醒学习者，金融 ML 的难点不是调用 RandomForest 或 XGBoost，而是如何构造样本、如何标记事件、如何做交叉验证、如何处理重叠标签和时间依赖。 银行风控、反欺诈、营销响应和客户流失模型也有类似问题。比如一个客户在多个时间窗
金融机器学习工具箱
开源社区
vectorbt 是一个高性能向量化回测和量化研究框架，擅长用 NumPy/Pandas/Numba 思路同时测试大量策略参数、资产和时间序列。它把回测问题转成矩阵计算，非常适合大规模策略筛选和可视化分析。 在金融 AI 中，模型产生的信号需要被验证。vectorbt 可以帮助学习者把很多信号、参数和资产组合放到同一框架里比较，观察收益、回撤、交易次数和风险指标。 对银行来说，vectorbt 的直接交易属性不一定适用，但“批量回放与策略评估”的思想很有价值。营销策略、风控阈
向量化回测 / 大规模策略实验
开源社区
TensorTrade 是一个面向强化学习交易的开源框架，提供交易环境、数据流、交易所、钱包、订单、奖励函数和 agent 训练接口。它适合学习如何把金融交易问题转化为强化学习环境。 强化学习在金融中很吸引人，因为交易天然是连续决策问题：观察市场状态、选择动作、承担风险、获得收益或损失。但金融环境非平稳、噪声大、交易成本高，奖励函数设计非常困难。TensorTrade 提供了一个可实验的框架。 银行学习者可以把它作为“决策环境建模”案例，而不是只看交易。授信额度调整、催收策略
强化学习交易框架
开源社区
backtrader 是经典的 Python 事件驱动回测框架，支持数据 feed、指标、策略、订单、经纪商模拟、优化和图表。很多量化学习者通过它理解交易策略如何从代码变成可回测流程。 它的核心价值是事件驱动架构。金融系统不是一次性计算，而是随着时间推进不断接收新数据、更新状态、触发规则、发出订单或信号。backtrader 把这些过程拆成清晰对象，适合学习回测系统设计。 对银行场景而言，这种事件驱动思想可以迁移到风控预警、交易监测、客户行为触发和运营流程。每当新交易、新余额
事件驱动回测 / 交易策略框架
开源社区
Zipline 是 Quantopian 开源的算法交易回测引擎，也是许多量化研究框架的经典代表。它提供事件驱动回测、数据 bundle、交易日历、pipeline 和绩效输出等能力。 Zipline 的学习价值在于平台化思路。它不只是一个策略脚本，而是把数据加载、交易日历、每日调度、订单模拟、组合状态和结果分析组织成完整框架。这对任何金融 AI 策略验证都很重要。 虽然原始 Quantopian 已经停止运营，Zipline 生态也出现了社区维护分支，但它仍然是理解算法交易
算法交易回测引擎
开源社区
NautilusTrader 是一个高性能、生产级的开源交易平台，核心使用 Rust，提供 Python 接口，强调回测、模拟和实盘交易使用一致的事件驱动架构。它适合学习金融系统工程，而不仅是策略研究。 它与传统 notebook 回测最大的不同是工程化程度。真实交易系统需要高性能事件总线、订单管理、风险控制、数据适配、持久化、日志、异常处理和多市场支持。NautilusTrader 展示了更接近生产系统的设计。 对银行来说，它的交易方向可能不是直接应用重点，但系统设计思想很
生产级交易引擎 / 回测与实盘一致性
开源社区
QuantConnect Lean 是 QuantConnect 开源的算法交易引擎，支持股票、期权、期货、外汇、加密资产、差价合约等多资产类别，并支持回测和实盘部署。它是理解专业量化平台架构的重要项目。 Lean 的价值在于完整性。它包含数据订阅、证券对象、组合、订单、经纪商适配、算法生命周期、指标、调度和结果输出。金融 AI 策略如果要进入真实平台，就必须与这些模块交互。 对银行学习者来说，Lean 可以帮助理解金融平台如何把多资产、多市场、多数据源和策略执行统一管理。财
多资产算法交易引擎
开源社区
bt 是一个灵活的 Python 回测框架，重点面向组合策略和资产配置，而不是逐笔订单级交易。它使用算法块的方式组合策略步骤，例如选择资产、设置权重、再平衡和计算绩效。 这个项目适合学习“组合策略”而不是“交易策略”。银行财富管理和理财产品更关心资产配置、再平衡、风险收益和客户组合表现，不一定需要模拟每一笔交易撮合。bt 的抽象更贴近这类需求。 bt 与 PyPortfolioOpt、Riskfolio-Lib 可以组合学习：前者负责回测组合规则，后者负责生成优化权重。AI
灵活组合回测框架
开源社区
Alphalens 是 Quantopian 开源的因子分析工具，用于评估股票因子的预测能力，包括分位数组合收益、信息系数 IC、换手率、行业分组和可视化报告。它是量化研究中非常经典的因子检验工具。 金融 AI 模型经常输出某种 score，例如股票上涨概率、客户违约概率、欺诈风险分、产品购买倾向。Alphalens 对选股因子的分析思想可以迁移到这些 score 的分层检验：高分组和低分组是否真的有差异，稳定性如何，换手或动作成本如何。 对银行学习来说，Alphalens
Alpha 因子绩效分析
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 ↗。