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
FinNLP 是 AI4Finance Foundation 开源的金融互联网数据项目，定位是为金融 NLP、金融大模型和金融情绪分析提供数据采集、整理和实验管道。它并不是单一模型，而更像一个“金融文本数据工作台”：把新闻、社交媒体、公告、财经网站、行情相关文本等来源接入 Python 环境，再把这些数据转换成后续模型训练、微调、检索和分析可以使用的表格或文本格式。 这个项目值得放在“金融 + AI 数据底座”里，是因为很多金融 AI 项目真正的瓶颈不是模型，而是数据。银行想
金融互联网数据采集 / 金融 NLP 数据管道
开源社区
FinanceDatabase 是一个开源金融标的数据库，收集并整理了股票、ETF、基金、指数、货币、加密资产和货币市场等大量金融工具的基础信息。它的价值不在于预测模型，而在于提供金融 AI 项目经常需要但容易被忽视的“主数据层”。任何涉及资产、证券、指数、行业、交易所、币种的模型，如果没有干净的标的主数据，就很容易出现代码混乱、名称不一致、市场分类不准和历史样本偏差。 在金融机构里，主数据治理是非常基础但非常关键的工作。比如同一家公司可能有普通股、ADR、不同交易所代码、历
金融标的主数据 / 证券基础数据
开源社区
FinMind 是一个开源金融数据平台，主要提供台湾市场相关金融数据，同时也包含部分宏观、汇率、利率、大宗商品等数据。项目提供 Python SDK、API 和示例 notebook，帮助使用者用统一方式获取多类金融时间序列和基本面数据。它很适合放在本批次，因为它不是单纯模型项目，而是金融 AI 项目需要的数据源和数据服务样板。 对于学习金融 AI 的人来说，FinMind 的重要性在于展示“区域市场数据平台”应该怎么组织。金融数据往往具有强烈地区差异：交易所制度不同、字段名
开源金融数据平台 / 台股与宏观数据
开源社区
FinRL-Meta 是 AI4Finance 生态中的市场环境和数据集层，目标是为数据驱动的金融强化学习提供动态数据集、市场环境和基准。它与 FP-003 FinRL 关系紧密，但定位不同：FinRL 更偏强化学习交易算法和策略开发，FinRL-Meta 更偏“训练智能体之前的数据和环境怎么准备”。因此本批次把它作为数据底座项目单独收录，不算与 FinRL 重复。 强化学习在金融交易中很容易被误解为“让模型自己学会赚钱”。实际上，交易智能体能学到什么，很大程度取决于市场环境
金融强化学习数据集和市场环境
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
FinQA 是 EMNLP 2021 论文对应的金融数值推理问答数据集和代码库，任务是让模型基于财报中的表格和文本回答需要计算的问题。它不是简单的文本问答，而是要求模型找到相关证据、生成计算程序或推理步骤，并得到最终数值答案。对于金融大模型学习来说，FinQA 是理解“金融问答为什么难”的经典数据集。 金融问题往往不是问“某句话是什么意思”，而是问“同比增长多少”“某项费用占收入比例是多少”“现金流变化由哪些项目造成”“某指标是否满足阈值”。这些问题需要读取表格、理解上下文、
金融数值推理问答数据集
开源社区
TAT-QA 是一个面向金融报告的表格与文本混合问答数据集，包含真实金融报告中的表格、相关段落和问题答案。它的全称是 Tabular And Textual Question Answering，核心特点是把半结构化表格和非结构化文本放在同一个上下文中，要求模型综合两者进行理解和数值推理。 它与 FinQA 相似但关注点不同。FinQA 更强调程序化数值推理，TAT-QA 更强调混合上下文：很多问题必须同时阅读表格和旁边的解释性段落。金融报告里经常出现这种情况：表格给出数字，
表格 + 文本金融问答数据集
开源社区
ConvFinQA 是 EMNLP 2022 的对话式金融数值推理问答数据集，进一步把金融问答从单轮问题扩展到多轮对话。它要求模型在连续提问中保留上下文，理解上一轮问题和答案对下一轮的影响，并继续执行数值推理。这个任务非常贴近真实金融分析，因为用户往往不是一次性提出完整问题，而是边看材料边追问。 例如分析师可能先问“公司 2021 年收入是多少”，再问“相比上一年增长多少”，再问“这种增长主要来自哪个业务”。后续问题依赖前文实体、指标和时间范围。如果模型不能维护对话状态，就会
对话式金融数值推理问答
开源社区
FinanceBench 是 Patronus AI 发布的金融开放书问答评测基准，用于评估大模型在公开上市公司文件上的问答能力。它包含一批公开样例，问题围绕真实公司、真实文件和可验证答案展开，并强调证据字符串。FinanceBench 的重要性在于，它不是展示模型多聪明，而是揭示当前大模型在金融问答中的可靠性不足。 该项目论文中提到，即使使用强模型和检索增强，很多问题仍然会出现错误、拒答或幻觉。这对银行非常有警示意义：金融问答不能只看回答是否流畅，而要看是否引用正确文件、是
金融开放书问答评测基准
开源社区
FIRE 是一个金融关系抽取数据集，全称可以理解为 Financial Relation Extraction。它标注了金融领域文本中的实体和关系，支持联合命名实体识别与关系抽取任务。项目包含多种实体类型和关系类型，例如公司、金融实体、数量、日期以及数值变化、属性归属等关系。 金融 AI 如果只做情绪分类或摘要，往往停留在文本层面；如果要构建知识图谱、风险网络、事件库和可推理系统，就必须识别实体之间的关系。比如“某公司收入增长 14%”“某银行收购某资产”“某债券评级下调”“
金融实体与关系抽取数据集
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 ↗。