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
Qlib 是 Microsoft 开源的 AI 量化投资平台，目标是支持从研究想法到生产化实现的完整量化流程。它覆盖数据处理、特征工程、模型训练、策略回测、组合构建、风险分析等环节，并支持监督学习、市场动态建模、强化学习等多种范式。相比单个模型项目，Qlib 更像一个量化研究操作系统。 Qlib 的重要价值在于把“金融 AI 项目工程化”展示得比较完整。很多金融 AI 学习只停留在 notebook 或单个模型，但真实机构需要数据版本、特征管理、训练流程、回测框架、评估指标和
AI 量化投研平台
开源社区
FinRL 是 AI4Finance Foundation 的经典开源项目，专注金融强化学习。它把股票交易、组合管理等金融决策问题抽象成强化学习环境：智能体观察市场状态，采取买入、卖出、持有或调仓动作，然后根据收益、风险和交易成本获得奖励。项目包含数据处理、环境构建、算法训练、回测评估等模块，是学习“AI 如何在连续金融决策中训练策略”的代表性项目。 FinRL 的价值不只是交易策略本身，而是提供了一种完整的金融 AI 实验范式：先定义市场环境，再定义动作空间和奖励函数，再训
强化学习交易
开源社区
Freqtrade 是一个成熟的开源加密资产交易机器人，支持策略编写、回测、模拟交易、实盘交易、资金管理、图表展示和 Telegram/Web UI 控制。项目中的 FreqAI 模块进一步引入机器学习能力，用于训练预测模型、生成市场预测特征、自动重训练、异常值处理和策略优化。虽然它主要面向加密资产交易，但其工程结构对理解交易自动化和机器学习策略很有帮助。 Freqtrade 的学习价值在于它非常工程化：不仅有模型或策略，还包含交易执行、回测、风控参数、运行监控、异常恢复等真
开源交易机器人 / 机器学习策略
开源社区
TradeMaster 是一个面向量化交易的强化学习开源平台，目标是覆盖强化学习交易算法的设计、实现、评估和部署全流程。项目包含多模态市场数据、数据预处理、市场模拟器、强化学习算法实现、评价指标和用户接口。它更偏学术和研究平台，适合系统学习强化学习交易任务如何被标准化。 相比 FinRL，TradeMaster 更强调“平台化”和“任务基准”。它把不同交易任务、不同算法、不同评价指标放入统一框架中，让研究者可以比较算法效果。这对于学习金融 AI 很重要，因为金融领域很容易只展
强化学习量化平台
开源社区
AntiFraud 是 AI4Risk/FinInt 相关组织维护的金融反欺诈检测框架，收录和实现多篇信用卡欺诈检测、图欺诈检测和时空注意力相关论文的方法。项目覆盖 MCNN、STAN、STAGN、GTAN、RGTAN、HOGRL、Grad 等模型或方法，涉及卷积神经网络、时空注意力、图神经网络、属性驱动图表示、风险感知图表示等技术。 这个项目对银行从业者非常有价值，因为反欺诈是银行 AI 最典型、最接近生产的问题之一。与投研类项目不同，欺诈检测更强调稀有事件、样本不平衡、伪
金融反欺诈模型框架
开源社区
DGFraud 是一个基于图神经网络的欺诈检测工具箱，聚焦使用 GNN 识别伪装欺诈者、异常节点和复杂关系网络中的欺诈行为。虽然它不是 2026 年的新项目，但属于图反欺诈方向的经典开源工具之一，包含多个代表性图欺诈检测方法和论文实现，对理解欺诈关系建模仍有参考价值。 金融欺诈往往不是单点行为，而是关系网络：账户之间的转账、设备共用、地址共用、商户关联、手机号关联、IP 关联、推荐关系等。DGFraud 正是从这种网络视角出发，把用户、交易、评论、商户等对象建成图，再用图模型
图神经网络反欺诈工具箱
开源社区
deepdow 是一个把深度学习和组合优化连接起来的 Python 包。传统资产配置通常分两步：先预测未来收益或风险，再把预测结果输入优化器求组合权重。deepdow 的思路是把这两步尽量合并成端到端、可微分的神经网络流程，让模型直接从历史收益、成交量等特征中学习资产配置权重。 这个项目虽然不是大模型项目，但非常适合理解金融机器学习的另一个重要方向：把金融优化问题嵌入神经网络。它关注的不是聊天、问答或报告，而是“如何让模型直接输出投资组合配置”。这对理解智能投顾、组合管理、资
深度学习组合优化
开源社区
Jube 是一个开源 AML 和欺诈检测平台，面向实时交易监测、可疑交易识别、风险评分、规则引擎、机器学习检测和案件管理。它不是单一模型 notebook，而是更接近金融机构实际使用的交易监控系统：交易进入系统后，可以通过规则、阈值、速度检查、聚合统计、机器学习模型和工作流触发风险事件，再进入案件管理和人工调查。 这类项目对银行学习者价值很高，因为反洗钱和欺诈监控的真实难点不只是“训练一个模型”。真实难点包括规则和模型如何共存，误报如何处理，案件如何分派，审计留痕如何保存，模
AML / 欺诈实时监测
开源社区
IBM Multi-GNN 是 IBM 开源的反洗钱图神经网络项目，包含用于 AML 的多种 GNN 架构和适配代码。反洗钱天然是图问题：资金在账户、客户、商户、公司、设备、地址之间流动，单笔交易看起来可能正常，但在网络结构中可能暴露资金分层、循环转账、团伙账户、通道账户或异常集群。Multi-GNN 的意义在于把 AML 从单笔交易分类推进到交易网络建模。 对银行从业者来说，图神经网络不是为了追求算法炫技，而是因为洗钱行为往往故意拆分、绕转、伪装和分层。传统规则能发现部分简
反洗钱图神经网络
开源社区
budget_book 是一个银行交易下载、机器学习分类和支出分析项目，最初用于替代 comdirect Finanzmanager。它通过银行 API 下载交易，将交易保存到 CSV 数据库，再根据交易描述文本用机器学习进行分类，并用 Jupyter Notebook 做支出分析和可视化。虽然项目偏个人财务管理，但它很好地体现了银行交易数据从获取、分类到分析的流程。 银行交易描述通常很杂乱：商户名、渠道、备注、缩写、地区、交易类型混在一起。自动分类看似简单，实际上涉及文本清
银行交易下载、分类和分析
开源社区
Beanborg 是一个面向 Beancount 记账系统的 AI 自动交易分类工具。它根据历史账务数据学习交易描述和会计科目之间的关系，帮助用户把新交易自动归入对应账户或类别。它比普通支出分类更接近复式记账和会计科目的语境，因此对企业财务自动化、现金流管理和费用归集也有参考价值。 银行和财务系统里，交易分类往往不是简单的“餐饮/交通/购物”，而是要映射到会计科目、成本中心、税务类别、预算项目或监管报表口径。Beanborg 体现了从交易文本到会计分类的一个轻量实现。
记账交易自动分类
开源社区
Loan Default Interpretability 是一个关注贷款违约预测、模型可解释性和公平性的机器学习项目。它使用 Random Forest、SMOTE、SHAP、LIME、AIF360、Fairlearn 等工具，目标不仅是预测借款人是否违约，还要解释模型为什么这样判断，并评估不同群体是否受到不公平影响。 这个项目的价值在于它把信贷模型最容易被忽视的治理问题放到了核心位置。金融机构不能只说“模型准确率高”，还要回答：模型是否歧视某些群体？拒贷原因是否可解释？少
贷款违约预测 / 可解释与公平性
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 ↗。