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 42 条 · 预测／机器学习
清除筛选开源社区
ta（Technical Analysis Library in Python）是一个基于 Pandas 和 Numpy 的技术分析指标计算库，实现了 43 个常用技术指标，涵盖成交量（MFI/OBV/VWAP 等）、波动率（布林带/ATR/凯尔特纳通道等）、趋势（MACD/ADX/Ichimoku 等）和动量（RSI/Stochastic/Williams %R 等）四大类。GitHub 5000+ 星，PyPI 月下载量稳定。 ta 的核心设计理念是“特征工程友好”：它可
技术分析指标库 / 特征工程
开源社区
Machine Learning for Trading 是 Stefan Jansen 编写的畅销书《Machine Learning for Algorithmic Trading》（第二版）的配套代码仓库，GitHub 17000+ 星。它覆盖了金融机器学习的完整知识栈——从数据获取、特征工程到监督/非监督学习、深度学习、NLP、强化学习在量化交易中的应用，共 23 章 + 附录。 这个仓库的价值不在于它是一个可直接运行的产品，而在于它是“金融 ML 领域最完整的参考教
金融机器学习教程 / 全栈量化
开源社区
TorchQuant 是一个基于 PyTorch 的可微分量化金融库，目标是把衍生品定价、风险管理和随机模型校准构建成可自动求导、可 GPU 加速的计算框架。它把金融工具的结构与神经网络组件做类比，例如把期权 payoff 类比为 ReLU/Softplus，把美式期权的提前行权类比为最优停止和门控机制。 传统衍生品定价库通常是数值金融风格，强调解析公式、树模型和 Monte Carlo；TorchQuant 则更强调“可微分”和“深度学习友好”。这意味着模型参数、定价结果和
PyTorch 可微分量化金融 / 衍生品定价
开源社区
ml4t-backtest 是 Machine Learning for Trading 生态中的事件驱动回测引擎，由 Stefan Jansen 相关生态维护。它面向机器学习交易策略，强调真实执行建模、无未来函数、仓位和风险约束、订单行为导出与审计。项目仍处于 beta，但设计理念非常现代。 与轻量级回测框架相比，ml4t-backtest 更关注“研究结果是否可审计、是否接近真实执行”。它支持事件驱动架构、point-in-time correctness、先处理退出订单
事件驱动回测 / 机器学习交易生态
开源社区
pandas_market_calendars 是另一个常用的交易日历库，目标是在 pandas 生态中提供交易所假期、开盘、收盘、早收盘和有效交易时间序列。它最初从 Quantopian trading_calendars 衍生而来，长期用于量化研究和回测。 该库的使用方式非常直观：先获取某个市场日历，例如 NYSE，然后查询某段日期的 schedule，或生成仅包含有效交易时间的 DatetimeIndex。这对于高频数据重采样、收益率对齐、交易信号时间戳过滤都非常有用。
交易日历 / pandas 金融时序工具
开源社区
wraquant 是一个较新的综合量化金融工具箱，项目自称包含风险管理、制度状态识别、波动率建模、衍生品定价、回测、机器学习和技术分析等模块，并通过 MCP server 将 200+ 工具暴露给 AI Agent 调用。它的定位是“AI-native quant research lab”。 与传统量化库不同，wraquant 从一开始就强调 Agent 可用性：工具函数、工作流 prompt、DuckDB 工作区和 MCP 接口被组织在一起，使 Claude 或其他 MC
AI-native 量化金融工具箱 / MCP
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 ↗。