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 66 条 · 生成式 AI
清除筛选开源社区
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
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
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
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 ↗。