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
FinEmotion 是 AI4Finance Foundation 开源的金融情绪标注算法项目，旨在为金融文本构建更细粒度的情绪标签，而不仅仅停留在“正面/负面/中性”三分类。项目基于 Text2Emotion 等情绪识别方法，结合金融语境做适配，用于生成或辅助生成金融情绪数据集。 传统金融情感分析往往只判断一句话对资产价格是利好、利空还是中性，但真实的市场文本更复杂：投资者可能表达焦虑、恐慌、兴奋、乐观、困惑或愤怒。FinEmotion 的学习价值在于提醒我们：金融 NL
金融情绪标注算法 / 情感数据增强
开源社区
StockEmotions 是一个发表在 AAAI 2023 的金融情绪数据集项目，包含 10,000 条从 StockTwits 平台收集的英文投资者发言，标注了 2 类情感（看涨/看跌）和 12 类情绪（乐观/恐慌/愤怒/困惑/兴奋等），同时附带对应时间段内 38 家公司的历史股价数据。项目旨在探索投资者情绪与股票价格变动之间的多变量时间序列关系。 与传统金融情感数据集（如 Financial PhraseBank 仅提供正/负/中性标签）不同，StockEmotions
金融社交情绪数据集 / 情感与时间序列
开源社区
Fraud-Detection-Handbook 是一本以 Jupyter Notebook 形式呈现的“可复现机器学习信用卡欺诈检测实践手册“，由布鲁塞尔自由大学（ULB）机器学习团队编写。项目包含完整的数据生成、特征工程、模型训练、评估和部署流水线，覆盖欺诈检测领域的关键方法论问题。GitHub 690+ 星。 手册的核心价值不是“又一个 sklearn 教程“，而是系统性地解决欺诈检测中的独特挑战：极端不平衡（欺诈样本不到 1%）、时序数据泄露（未来信息不能用于训练）、
信用卡欺诈检测 / 机器学习实践手册
开源社区
OctoBot 是 Drakkar-Software 开源的加密货币自动交易机器人，支持 AI、Grid、DCA、TradingView 信号和多交易所接入。与偏研究型的回测框架不同，OctoBot 更像一个完整的自动化交易工作台：用户可以配置策略、连接交易所、运行机器人、查看执行结果，并通过界面管理交易逻辑。 OctoBot 的金融 + AI 价值在于它把“策略信号”“资金执行”“风险限制”“用户界面”放在同一个系统里。很多学习者只会写一个预测模型，却不知道预测结果如何变成
AI / Grid / DCA 加密交易机器人
开源社区
FlowScope 是一个基于多部图（multipartite graph）的洗钱检测算法实现，对应论文“FlowScope: Spotting Money Laundering Based on Graphs“。它的核心思想是将银行账户间的资金转账建模为多部图，然后检测从源头到目的地的大额资金流——洗钱者通过多层中间账户转移资金的完整链路。 与传统欺诈检测方法（基于单笔交易特征的分类器或基于规则的阈值告警）不同，FlowScope 着眼于“资金流的全局结构“——它不看单笔交
洗钱流向检测 / 图算法
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
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
Backtesting.py 是一个轻量级的 Python 交易策略回测框架，以“简洁至上”为设计理念。用户只需定义一个继承 Strategy 类的策略（实现 init() 和 next() 方法），然后传入 OHLCV 数据即可运行回测，自动获取绩效统计和交互式 HTML 图表。GitHub 8000+ 星。 Backtesting.py 的核心优势是学习曲线极低：与 backtrader 或 Zipline 的复杂事件驱动架构不同，Backtesting.py 的策略定义
轻量级策略回测框架
开源社区
yfinance-mcp 是一个基于 Model Context Protocol（MCP）的 Yahoo Finance 金融数据服务，它把 yfinance 的行情、财务、期权、持仓、新闻等能力封装成 AI 助手可调用的标准工具。项目的意义不只是“再包一层 yfinance”，而是展示了金融数据如何以 MCP 工具形式交给大模型安全调用。 在传统 RAG 或 Agent 项目中，大模型经常需要访问实时或准实时金融数据。如果直接把数据 API 写进 prompt 或让模型自
金融数据 MCP 服务 / AI 助手工具调用
开源社区
Hummingbot 是一个开源的高频交易和做市框架，支持在 140+ 个中心化和去中心化交易所上部署自动化交易策略。项目 GitHub 18000+ 星，据统计用户累计产生超过 340 亿美元交易量。其核心使命是“让高频交易民主化”——将原本只有量化对冲基金才能使用的做市和套利策略开放给所有人。 Hummingbot 内置多种策略模板：纯做市（Pure Market Making）、跨交易所做市（Cross Exchange Market Making）、套利（Arbitr
开源做市与高频交易框架
开源社区
Jesse 是一个以“简洁“为核心设计理念的加密货币算法交易框架，GitHub 7800+ 星。它的目标是让策略研究者用最少的 Python 代码定义策略，然后进行精确的回测、参数优化和实盘部署。与 freqtrade 侧重功能全面不同，Jesse 更强调代码简洁和回测精确。 Jesse 的策略定义非常直观：继承 Strategy 类，实现 should_long()、should_short()、go_long()、go_short() 等方法，用 self.close、s
加密货币算法交易 / 策略研发框架
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
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 ↗。