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 462 条
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
开源社区
MASTER 是上海交通大学 DMTai 团队发布的 AAAI 2024 论文官方代码，全称 Market-Guided Stock Transformer for Stock Price Forecasting。它针对股票价格预测中的两个关键问题设计：一是股票之间存在横截面相关性，二是不同市场状态下有效特征会变化。MASTER 通过市场信息引导 Transformer 的特征选择和相关性建模，试图让模型不仅看单只股票的历史序列，还能理解市场整体环境和股票间联动。 项目的核心
股票价格预测 / 市场引导 Transformer
开源社区
TLOB 是 2025 年发布的限价订单簿（Limit Order Book, LOB）价格趋势预测项目，官方代码对应论文《TLOB: A Novel Transformer Model with Dual Attention for Price Trend Prediction with Limit Order Book Data》。它使用双注意力机制建模订单簿数据中的空间依赖和时间依赖，用于预测短期价格趋势。 限价订单簿是金融市场微观结构的核心数据，记录了不同价格档位上的
限价订单簿预测 / 双注意力 Transformer
开源社区
AI Bank Statement Document Automation 是一个围绕银行流水 PDF 自动化处理的开源项目，结合 YOLOv8 布局检测、OCR、LLM 表格抽取、RAG 问答和 AG2 智能体分析。它的目标是把非结构化银行流水文档转换为结构化交易数据，并进一步生成收入支出分类、趋势分析和月度/年度财务报告。 这个项目非常贴近银行业务，因为银行流水、对账单、收入证明、消费记录等文档在零售金融、信贷审批、小微企业贷、反欺诈和个人财务管理中都很常见。传统处理依赖
银行流水 OCR + LLM + RAG + 智能体
开源社区
InvOCR 是一个面向发票、收据和金融文档的 OCR 处理系统，支持 PDF、PNG、JPG、TIFF 等输入，并能输出 JSON、XML、HTML、PDF 等格式。它提供 FastAPI 服务、CLI 工具、Docker 部署、多语言 OCR、表格抽取、签名检测和格式转换能力。 与单纯的 OCR demo 不同，InvOCR 更像一个企业级文档处理后端：它不仅把图片转文字，还试图完成“文档 → 结构化数据 → 标准格式”的完整转换。对金融场景来说，这类能力可以用于发票报销
发票/收据/金融文档 OCR 处理系统
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
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 ↗。