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 57 条 · 文档／报告
清除筛选开源社区
LLaMA3 Financial Analyst 是一个基于 Llama-3 的金融分析项目，把 LoRA 参数高效微调与 SEC 10-K 文件 RAG 管道结合起来，用于回答上市公司年报相关复杂问题。项目处理 10-K 中的风险因素和 MD&A 等部分，并使用开源 embedding 模型进行语义检索。 这个项目适合学习“微调 + RAG”的组合。很多金融应用只做 RAG，模型本身未必适应金融问答格式；也有项目只做微调，却缺少最新资料引用。LLaMA3 Financial
SEC 10-K RAG / LoRA 金融分析
开源社区
SEC Filings RAG Assistant 是一个面向 SEC 10-K/10-Q 文件的 RAG 助手项目，流程包括下载 EDGAR 报告、解析和清洗 HTML、切分文档、生成 embedding、写入 ChromaDB，并在回答问题时返回带来源引用的结果。 它的价值在于流程完整且贴近金融文档问答。很多 RAG 示例只演示上传 PDF 后问答，但金融披露文件非常长、格式复杂、章节结构明显，且答案必须可追溯。这个项目把解析、清洗、分块、检索、多样性召回和引用格式都拆开
SEC 文件 RAG / 引用型问答
开源社区
Financial Document Analyzer 是一个 AI 财务文档抽取平台，支持银行流水、发票和收据等文档上传，并使用 Google Gemini 抽取结构化 JSON。它采用 Next.js、TypeScript、Supabase、Trigger.dev 等现代 Web 技术栈，面向多租户组织和后台处理流程。 这个项目适合补充“金融文档智能”方向。银行和企业财务中有大量半结构化文件：银行对账单、发票、收据、报销凭证、流水清单、结算单。传统 OCR 只能识别文字，
AI 财务文档抽取 / 银行流水与票据结构化
开源社区
Lumio 是一个开源财务数据平台，面向银行流水导入、交易处理、报表分析和协作工作区。它强调自托管、隐私、bank statements、transaction processing 和 reporting，适合放在金融 + AI 数据工程与运营自动化方向。 与单纯的 bank statement parser 不同，Lumio 更像一个财务运营平台：导入流水后，还要处理交易、生成报表、支持团队协作和权限管理。对银行或企业财务来说，数据从文件进入系统只是第一步，后面还有分类、
银行流水导入 / 财务运营数据平台
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
开源社区
pyfolio 是 Quantopian 开源的组合绩效和风险分析工具，能生成策略收益、回撤、滚动风险指标、持仓暴露、交易分析和 tear sheet 报告。它常与 Zipline、Alphalens 等工具配合使用。 金融 AI 项目常常只展示模型输出，却缺少完整绩效报告。pyfolio 的价值在于把策略结果转成标准化风险收益分析，让使用者看到最大回撤、波动率、滚动 Sharpe、极端时期表现和基准对比。 对银行财富管理、理财产品和策略研究来说，绩效解释非常重要。客户和管理
组合绩效与风险分析
开源社区
QuantStats 是一个基于 Python 的量化绩效分析库，能够一行代码生成策略或投资组合的完整绩效报告，包括夏普比率、最大回撤、月度回报热力图、收益分布和基准对比等可视化输出。项目在 GitHub 拥有超过 7000 星，是量化投研领域被引用最频繁的绩效分析工具之一。 QuantStats 内部由三个子模块组成：stats 提供风险收益计算（alpha/beta/夏普/Sortino/Calmar 等）、plots 提供 matplotlib/plotly 可视化，r
量化绩效与风险分析 / 策略报告
开源社区
empyrical 是 Quantopian 开源的金融风险与绩效指标计算库，为 Zipline、pyfolio 等量化工具链提供底层指标运算。它实现了数十个常见的绩效和风险度量函数，包括最大回撤、Alpha/Beta、夏普比率、Sortino 比率、Omega 比率、年化收益、年化波动、上行/下行捕获率等。 empyrical 的核心价值在于它将金融绩效指标的计算抽象为纯函数：输入收益率序列（numpy array 或 pandas Series），输出标量或序列化指标值。
金融风险与绩效指标计算库
开源社区
yfinance 是 Python 生态中使用最广泛的金融数据获取库之一，提供对 Yahoo Finance 公开 API 的 Pythonic 封装。它可以获取全球股票、ETF、指数、期权、加密货币的历史行情（日/周/月/分钟级）、实时报价、财务报表（资产负债表/利润表/现金流量表）、公司基本面、分析师评级、持仓变动、股息和拆股信息等。GitHub 超过 22000 星，PyPI 月下载量超百万。 yfinance 的核心设计是 Ticker 对象：通过 yf.Ticker
全球金融市场数据接口 / Yahoo Finance
开源社区
edgartools 是一个现代化的 Python 库，将 SEC EDGAR 的各类公告（10-K/10-Q/8-K/13-F/Form 4 等）解析为结构化的 Python 对象。与直接下载 HTML/XML 原始文件不同，edgartools 提供 Company、Filing、Financials 等高级对象，可以直接获取资产负债表、利润表、现金流量表的 DataFrame，以及内幕交易、基金持仓等数据。GitHub 2000+ 星，维护活跃（2026 年仍有频繁发布
SEC EDGAR 数据分析与财报解析
开源社区
sec-parser 是 Alphanome.AI 开源的 SEC EDGAR HTML 文件语义解析器。它的核心功能是将 SEC 公告的 HTML 文件（如 10-K/10-Q）解析为一棵语义元素树（semantic tree），其中每个节点对应文档的一个语义单元——标题、段落、表格、列表等——并标注其层级关系。这种“图像语义分割”概念应用到 HTML 文档的方法，使 LLM/RAG 应用可以按语义而非简单分块来处理 SEC 文件。 传统做法是用 BeautifulSoup
SEC 公告语义树解析 / AI 数据预处理
开源社区
FinDKG（Financial Dynamic Knowledge Graph）是一个将大语言模型（LLM）与时序知识图谱（Temporal Knowledge Graph）结合的金融研究项目。它从金融新闻和文档中抽取实体和关系，构建一个随时间变化的金融知识图谱，然后用图神经网络（KGTransformer）在时序图上做链接预测和异常检测。论文发表在学术期刊，GitHub 180+ 星。 FinDKG 的核心创新是“动态”——传统金融知识图谱是静态快照（某个时间点的公司-行
金融动态知识图谱 / LLM 驱动
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 ↗。