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 49 条 · 预测／机器学习
清除筛选开源社区
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
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
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
开源社区
pandas_market_calendars 是另一个常用的交易日历库，目标是在 pandas 生态中提供交易所假期、开盘、收盘、早收盘和有效交易时间序列。它最初从 Quantopian trading_calendars 衍生而来，长期用于量化研究和回测。 该库的使用方式非常直观：先获取某个市场日历，例如 NYSE，然后查询某段日期的 schedule，或生成仅包含有效交易时间的 DatetimeIndex。这对于高频数据重采样、收益率对齐、交易信号时间戳过滤都非常有用。
交易日历 / pandas 金融时序工具
开源社区
wraquant 是一个较新的综合量化金融工具箱，项目自称包含风险管理、制度状态识别、波动率建模、衍生品定价、回测、机器学习和技术分析等模块，并通过 MCP server 将 200+ 工具暴露给 AI Agent 调用。它的定位是“AI-native quant research lab”。 与传统量化库不同，wraquant 从一开始就强调 Agent 可用性：工具函数、工作流 prompt、DuckDB 工作区和 MCP 接口被组织在一起，使 Claude 或其他 MC
AI-native 量化金融工具箱 / MCP
DBS
传统企业教练通常只覆盖高管或高潜人才，因为一对一教练成本高、难规模化。但银行员工面对岗位变化、技能更新、职业路径选择和工作生活平衡问题，也需要个性化指导。 DBS 将职业韧性视为未来工作能力的重要组成部分，并通过 Education、Exposure、Experience 的 Triple E 框架支持员工成长。
2025 年推出，目标是把教练能力扩展给 DBS 网络内员工。 DBS Learning Hub 提供 10,000+ 课程。 2024 年员工参与 4,000+ 次 Be My Guest 跨部门机会。 DBS 2025 年在 TIME 亚太 500 家最佳公司中排名第一，并连续多年获雇主认可。
Monzo
数字银行的竞争优势很大程度来自数据和模型能力。欺诈防控、客户服务、信贷、个性化和产品体验都需要持续学习和快速迭代。Monzo 的 2025 年机器学习总结不是单一案例，而是展示一家数字银行如何把 ML 从早期试验发展成覆盖核心业务的能力体系。 该案例对银行从业者很有价值，因为它把 AI 应用按成熟度分层：反欺诈已是成熟高影响场景，客户与金融犯罪运营正在快速发展，信贷决策是负责任放贷基础，个性化是最新前沿，而 ML 平台是所有场景的基础设施。
Monzo 披露，机器学习每年帮助防止数百万英镑的未授权交易、诈骗和 money-muling 损失。LLM 驱动的运营系统已经带来一批强结果，包括自动处理部分客户查询、更快的决策工作流、可衡量的客户满意度提升，以及更快、更一致、更具上下文感知的支持。 在信贷方面，Monzo 使用 ML 预测信用风险、理解额度使用和估计产品倾向，从而在风险偏好内向更多客户提供合适价格和额度。个性化方面，Monzo 正在用消费、储蓄和产品使用数据推荐下一步行动，帮助客户更好地管理钱。
State Street Investment Management
投资管理面对的不是单一客户问题，而是海量市场数据、非结构化文本、风险因子、交易信号和投资组合约束。AI 可以提升预测、研究和风险分析能力，但如果模型不可解释、过度复杂或对输入过度敏感，就可能影响投资纪律。 State Street Investment Management 的案例强调“AI backed by investment principles”。它把 AI 看作放大人类判断的工具，而不是替代投资专家的黑箱。对于银行资管、理财和投研团队来说，这种纪律性尤其重要。
官方文章披露，AI/ML 已在投资流程中服务交易、预测、风险分析和研究自动化。该机构持续增强量化投资平台，并用生成式 AI 强化这些平台的灵活性、可扩展性和自动化。 虽然文章没有给出收益率提升数字，但它提供了非常重要的治理框架：在投资领域，能否解释、能否稳健、能否融入流程，比单次预测准确率更关键。这对银行学习 AI 投研尤其有价值。
PT Bank Central Asia Tbk（BCA）
东南亚大型零售银行的 AI 价值往往不只来自一个“爆款助手”，而是来自大量高频运营流程的持续优化。ATM 现金和 CRM 补货、EDC 终端耗材、抵押品估值、欺诈检测、数字开户安全、客户问答，都是数据密集且影响客户体验的场景。 BCA 在 2025 年举办首届 BCA Data Conference，主题为“Ignite the Future with AI”，并将 AI 治理、伦理、监管和透明解决方案放在公开议题中。这个案例适合学习银行如何把 AI 能力与负责任采用框架一起
2025 年 6 月 BCA Data Conference 约 400 名客户参与。 BCA 披露 AI 已用于 ATM/CRM 补货、EDC/热敏纸预测、欺诈检测、DIVA 抵押估值、VIRA 客服、生物识别和数字开户验证。 DIVA 创新获得 2024 年 Brandon Hall Group Excellence in Technology Awards 认可。 BCA 曾获得 DataGovAI Summit, Expo & Awards 2018 银行数字服务最佳数据治理奖。
Grupo Financiero Banorte
Banorte 的案例来自墨西哥银行零售信贷和信用卡申请中的高频、重复、强合规流程。客户在申请工资贷款、即时信用卡等产品时，需要提交身份证明、地址证明等材料；银行后台必须抽取文件信息、核验真实性，并与内部系统进行比对。传统做法依赖人工逐件查看，容易在高峰期形成积压，也会把运营人员长期困在机械性校验工作里。 这个场景的价值在于它不是“炫技型生成式 AI”，而是把 AI 与流程机器人放进真实银行运营链条，直接改造客户开户、授信、发卡和合同流程中的瓶颈。对于大型零售银行，文档验证速
Banorte 披露，该项目获得 SS&C Blue Prism Customer Excellence Awards 2025 区域奖项，被评为 Innovation Brilliance 类别的代表案例。银行披露，文档验证能力从人工分析师 1 至 1.5 小时处理约 100 个案例，提升到系统每小时可验证多达 500 个信贷或新卡案例。 运营指标改善非常具体：信贷和工资贷款申请中的文档审核时间下降 86.6%；此类申请自动审批率从 2022 年的 70% 提升至 2024 年的 91%；工资贷款拒绝率从 1.12% 降至 0.2%。银行也强调，项目释放了员工在机械任务上的时间，使其转向更具分析性、战略性和创新性的工作。
Discovery Bank
Discovery Bank 是南非 Discovery Group 旗下数字银行，提供交易、贷款、住房贷款、储蓄、投资和外汇等全功能银行服务。该集团的特色是“shared-value”共享价值模式：通过激励客户更健康、更理性地管理财务，降低违约、提高储蓄率，并让客户、银行和社会共同受益。 这种模式要求银行对每个客户的金融健康状况有细颗粒度理解，并能给出个性化下一步建议。传统规则和分散数据平台难以支撑这种实时、个性化、跨产品的客户经营。Discovery Bank 需要一个既
Microsoft 案例披露，Discovery Bank 使用这些工具并引导客户采取下一最佳行动，进一步提升客户金融健康，同时提高业务盈利能力。该项目实现 500% ROI，并提升客户满意度；AI 助手支持 200 名坐席。 该案例说明，银行 AI 的商业价值不只来自节省人力，也可以来自更好的客户行为引导：提升储蓄、降低违约、增加合适产品使用、改善满意度。对银行而言，AI 坐席助手若能与客户画像和下一最佳行动体系结合，就会从“客服效率工具”升级为“客户经营工具”。
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 ↗。