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
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
Alpha-Agent 是 LLMQuant 组织下的多智能体量化投资研究框架，定位是用大语言模型和多智能体流程辅助 Alpha 研究。项目尝试自动完成从研究报告和论文中抽取想法、识别市场状态、检索相关策略、生成代码、调试错误、接入 Qlib 回测等步骤。它代表了金融智能体从“问答助手”走向“研究流程自动化”的方向。 Alpha-Agent 的特点是把金融知识库、市场状态、策略生成和回测连接起来。对金融 AI 学习者来说，它是观察“LLM + 量化研究 + 工具调用”的好样本
多智能体 Alpha 研究
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
FinMem 是一个基于大语言模型的交易智能体研究项目，核心思想是给 LLM Agent 设计“分层记忆”和“角色特征”，让它像交易者一样持续吸收市场信息、历史表现、新闻事件和经验反馈，再把这些记忆转化为交易决策。项目公开了论文代码，并在 2024 年有学术更新和金融大模型挑战相关信息。 FinMem 的价值在于展示了 LLM Agent 在金融场景中如何处理连续信息，而不是只回答单次问题。金融决策往往依赖过去经验、近期事件、长期趋势和短期噪声，FinMem 试图用记忆结构来
大模型交易智能体
开源社区
edgarmcp 是一个面向 SEC EDGAR 的开源 MCP 服务，可以让 AI 客户端实时查询、读取和检索美国上市公司披露文件。它提供 get_filings、read_document、search_filings、view_financials、search_edgar 等工具，支持读取 filings、附件、注释、XBRL 财务报表，并提供可点击引用。项目创建于 2026 年，属于较新的“金融数据 + MCP + AI 工具调用”方向。 这个项目很适合学习 AI
SEC EDGAR MCP 服务
开源社区
FinancialAdvisorGPT 是一个金融分析 RAG 与 LLM 样板项目，技术栈包括 MongoDB、Chroma、FastAPI、LangChain、Mistral 模型和 React UI 子模块。它的目标是处理股票数据、新闻、SEC filings 或本地 PDF，并生成带来源引用的金融报告。虽然项目规模不算大，但它很好地体现了一个金融 RAG 应用的基本结构。 这个项目适合初学者理解：金融 RAG 不只是把 PDF 扔给大模型，而是要有文档解析、向量存储、
金融 RAG 报告生成
开源社区
Canada Banks RAG Chatbot 是一个面向加拿大银行公开报告的 RAG 聊天机器人项目，目标是帮助用户检索和理解 RBC、CIBC、TD 等加拿大主要银行发布的财务报告。项目使用 PDF 处理、向量存储、检索增强生成、对话记忆和 Streamlit 界面，并在说明中提到使用 AWS S3 存储报告、Bedrock 管理模型能力。 这个项目与本仓库的银行学习目标非常贴近，因为它不是泛泛的 PDF 问答，而是直接针对银行公开报告。它适合用来学习如何把多家银行年报
银行年报 RAG 助手
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
quantflow 是一个量化金融和衍生品定价工具库，覆盖随机过程、期权定价、校准、数据接口等模块。项目还包含 quantflow.ai 模块，可以作为 AI 客户端的 MCP 服务使用，把量化定价和金融计算能力暴露给智能体。它代表了另一个值得关注的方向：不是让大模型自己算金融数学，而是让大模型调用可靠的金融计算工具。 对金融 AI 学习者来说，quantflow 的价值在于把“AI + 金融计算”连接起来。许多金融问题不能靠语言模型凭空回答，例如期权价格、波动率、随机过程模
量化金融 / 衍生品定价 / MCP
开源社区
Banko AI Assistant 是 Cockroach Labs field 团队开源的银行类智能助手示例，展示了 RAG、Agentic AI、多模型供应商、CockroachDB 向量检索、LangGraph 多智能体工作流、持久化 checkpoint、收据 OCR、费用分析和欺诈检测等能力。项目有 PyPI 包和 Docker 相关资源，定位是一个可演示的金融/银行智能助手应用。 这个项目对本仓库很有启发，因为它把多个真实金融 AI 组件放在一起：用户上传或输入
银行支出分析 / RAG / 智能体
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 ↗。