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
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
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
FraudGT 是一个面向金融欺诈检测的图 Transformer 项目，论文题目聚焦“Financial Fraud Detection via Graph Transformer”。它将交易、账户、实体之间的关系建成图结构，并用图神经网络/Transformer 思路识别欺诈模式。 这个项目适合补齐图 AI 在金融风控中的位置。传统反欺诈模型常看单笔交易或单个客户特征，但很多欺诈、洗钱、团伙作案和账户套利都体现为网络关系。图模型可以捕捉账户之间、商户之间、设备之间、资金流
金融欺诈图 Transformer
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-edgar-downloader 是一个轻量级 Python 包，专门用于从 SEC EDGAR 数据库批量下载公司公告文件。它支持按 ticker 或 CIK 搜索，可以下载 10-K、10-Q、8-K、13-F、S-1、DEF 14A 等几乎所有 SEC 表单类型，并自动保存为本地文件目录结构。GitHub 660+ 星，长期维护。 sec-edgar-downloader 的设计哲学是“只做下载、做好下载”：它不试图解析文件内容，而是提供可靠、合规、可配置的批量
SEC EDGAR 公告批量下载工具
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
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 ↗。