awesome-ai-in-finance

Awesome AI in Finance 是由开发者 George Zou 于 2018 年发起并持续维护的开源金融 AI 资源索引，核心定位是“一张覆盖 AI 金融全生命周期的、经过策展的资源地图——从学术论文到生产级交易系统，从 LLM 交易 Agent 到 MCP 数据服务器，把所有‘用 AI 在市场里赚钱’相关的论文、代码、工具和策略，收进一份结构化的清单里”。它不满足于做又一份“量化链接合集”或零散的“金融 ML 教程推荐”，而是将 Agents、LLMs、Skills、MCP Servers、Market Data、Trading Execution、Research & Analysis、Papers、Courses & Books & Blogs、Strategies & Research、Time Series、Portfolio Management、High Frequency Trading、Event Drive、Crypto Strategies、Technical Analysis、Arbitrage、Trading System、Exchange API 等 20+ 个类别、200+ 条外部资源整合于一份结构化的 Markdown README 中，全部配有中英双语版本、CC0 1.0 公共领域贡献协议，以及 5.9k–6.7k GitHub Stars、680–840 Forks 的社区验证。

一、Awesome AI in Finance 是什么

Awesome AI in Finance 采用“单文件策展 + 多范式覆盖 + 双语可读”的极简架构，通过 GitHub 完全开源发布，采用 CC0 1.0 Universal 协议——在法律允许的最大范围内放弃所有版权，任何人都可以自由复制、修改、分发、甚至用于商业目的，无需署名。项目由 George Zou 于 2018 年 8 月发起，至今持续活跃更新，最近一次更新在 2026 年 9 月附近，社区贡献者超过 100 人。

它的运作机制与市面上所有“金融 AI 课程”或“量化交易教程”都有本质区别。打开仓库，你不会看到一个可执行的交易系统或一个训练好的模型——DeepWiki 的概述写得非常直白：“Unlike traditional codebases, this repository does not contain executable trading systems but rather serves as a comprehensive reference catalog”（与传统代码库不同，这个仓库不包含可执行的交易系统，而是一个综合性的参考目录）。它做的事情是策展（Curation）：在“AI 金融”这个信息极度分散、质量参差不齐、概念快速迭代的领域里，替你把值得看的东西挑出来、分好类、放在一处。README 开篇的定位句是：“This list contains the research, tools and code that people use to beat the market.”——它收录的是人们用来跑赢市场的研究、工具和代码。

二、Awesome AI in Finance 能做什么

三大 AI 范式的全景覆盖——Agent、LLM、强化学习（范） ——不是“只追一个热点”，而是“把当前 AI 金融的三条主线都收进来”。DeepWiki 的概述明确指出仓库强调三大范式：AI Agents（多 Agent 交易框架与自进化交易平台，代表项目如 nofx、TradingAgents、FinRobot）、Large Language Models（金融分析、情绪与交易决策，代表项目如 FinGPT、PIXIU、GPT-4 相关研究）、Reinforcement Learning（深度强化学习用于组合优化与策略学习，代表项目如 FinRL、TensorTrade、各类 Gym 环境）。这种“三线并收”的设计，让你不会因为追一个范式而错过另外两条路上正在发生的事。

Agents 与 Skills——从自主交易系统到 Claude Code 专用技能（代） ——不是“只列框架不列用法”，而是“既收录平台级 Agent，也收录可直接装进编码代理的技能”。Agents 类别覆盖多交易所 AI 交易平台、多 Agent LLM 交易框架、自进化系统、可审计的多 Agent 投资评估运行时等。Skills 类别专门收录 Claude Code 技能——SEC EDGAR + 市场数据分析技能、CFA Institute 的投资分析偏差检测技能、交易日志技能（记录论点、计划与情绪，按决策质量而非盈亏评分）、量化研究回测验证技能、市场简报技能等，并且每条都标注了许可证（MIT / Apache 2.0）。这种“平台 + 技能”并收的方式，让“想搭系统的人”和“想给 Agent 装能力的人”都能在同一份清单里找到入口。

MCP Servers——把 AI 助手直接接到金融数据和交易 API（接） ——不是“只给数据源链接”，而是“给出可运行的 MCP 服务器”。MCP Servers 类别收录开源 Model Context Protocol 服务器，让 Claude、Cursor、VS Code Copilot 等 AI 助手能够直接连接金融数据与交易 API。细分覆盖 Market Data（如 TradingView 数据接入）、Trading Execution（如韩国投资证券官方 Open API 的 MCP 集成）、Research & Analysis（如三层记忆架构的交易记忆 MCP、SEC EDGAR 直接访问 MCP、技术指标与财报日历 MCP）。在一个“MCP 正在成为 Agent 连接外部世界标准”的时间点上，这个类别让“AI 助手查财报、读行情、分析技术指标”从想法变成了可直接安装的服务器。

策略与研究——70+ 个可运行实现，覆盖主流与前沿（策） ——不是“只列论文不列代码”，而是“策略类目下直接给可运行的 GitHub 仓库”。DeepWiki 的统计显示，Strategies & Research 类别收录了 70+ 个 AI 驱动的交易策略实现，每个策略分类下包含可运行代码、研究论文和回测框架。进一步细分覆盖 Time Series Data、Portfolio Management（深度强化学习组合管理、skfolio 等）、High Frequency Trading（Interactive Brokers API 的配对与均值回归模型、全订单簿 Tick 数据策略、Bitcoin 高频分析）、Event Drive（如 Trump 推文驱动的交易 bot）、Crypto Currencies Strategies、Technical Analysis、Arbitrage、Lottery & Gamble 等。这种“按策略类型细分 + 每个类型给可运行实现”的结构，让“学一个策略”和“跑一个策略”之间的距离被压到最短。

从论文到课程到博客——研究入口的全链路覆盖（研） ——不是“只给实战不管理论”，而是“从 1900 年的 Bachelier 到 2025 年的 LLM 金融基准，都给你指了路”。Papers 类别收录了从 Bachelier 1900 年的《投机理论》、Osborne 1959 年的布朗运动论文，到 FinRL 2020、深度强化学习集成策略 2020 等横跨百年的关键文献。Courses & Books & Blogs 类别提供结构化学习路径。LLMs 类别下的论文和基准覆盖了 GPT-4 财报分析、ESG 多模态基准 MMESGBench、ESG 知识评估基准 ESGenius 等前沿方向。这种“从经典理论到最新基准”的时间跨度，让这份清单不只是一个“当前热门合集”，而是一张有历史纵深的地图。

三、Awesome AI in Finance 适合谁用

量化研究者与金融 ML 工程师 ——需要系统性地了解“AI 在金融里到底有哪些被验证过的应用方向”，而不是在零散的论文和博客中随机游走。仓库的 20+ 类别、200+ 资源和 70+ 策略实现，提供了一张可以直接按图索骥的领域地图。

想用 LLM/Agent 做金融应用的开发者 ——已经熟悉 LLM 应用开发，但不确定“金融场景下有哪些现成的框架、数据和 MCP 服务器可以用”。Agents、LLMs、Skills、MCP Servers 四个类别的组合，正好覆盖了从“搭一个交易 Agent”到“给 Claude Code 装一个财报分析技能”的完整光谱。

金融从业者想理解 AI 能做什么 ——不需要自己写代码，但需要判断“AI 在投研、交易、组合管理、风控中已经能做到什么程度、有哪些现成工具”。仓库的“策略 + 论文 + 工具”三层结构，提供了一个非技术视角也能读懂的“能力边界地图”。

AI 编码代理的重度用户 ——已经在用 Claude Code、Cursor、Codex 等 Agent，希望找到可以直接安装的金融领域技能和 MCP 服务器。Skills 类别下的 Claude Code 技能和 MCP Servers 类别，正是为这种“即装即用”的需求准备的。

学生与自学者 ——希望进入“AI + 金融”这个交叉领域，但不知道从哪里开始。Courses & Books & Blogs 类别提供了结构化入口，Papers 类别提供了理论纵深，Strategies & Research 提供了动手项目。

四、Awesome AI in Finance 的应用场景是什么

“AI 金融到底有哪些方向”的领域摸底场景 ——一个 ML 工程师想转向量化金融，但不知道“除了用 LSTM 预测股价之外还有什么”。打开仓库，从上到下扫一遍 20+ 类别——Agents、LLMs、MCP、强化学习、组合管理、高频、事件驱动、套利——一张图看完领域全景，然后挑一个方向深入。

给 Claude Code / Cursor 装金融能力的场景 ——一个开发者想在 Claude Code 里直接分析 SEC 财报、查技术指标、做回测验证。Skills 类别下有现成的 Claude Code 技能（SEC EDGAR 分析、偏差检测、交易日志、回测验证），MCP Servers 类别下有可直接接入的金融数据 MCP 服务器。安装和配置路径从“读 README 链接”开始。

从论文到代码的“落地路径”查找场景 ——读了一篇关于深度强化学习组合管理的论文，想知道有没有可运行的实现。Strategies & Research 类别下的 Portfolio Management 子类直接给出 DeepDow、PGPortfolio、qtrader 等 GitHub 仓库；Papers 类别给出原始论文链接。从“知道有这个方法”到“跑一个 baseline”的距离被压缩。

策略灵感与横向对比场景 ——一个量化研究者想知道“当前开源社区在加密策略上都有哪些做法”。Crypto Currencies Strategies 子类收录 LSTM 价格预测等项目；High Frequency Trading 子类收录 IB API 配对交易、全订单簿 Tick 策略、Bitcoin 高频分析。同一类别下的横向对比，比在搜索引擎里逐个翻找高效得多。

AI 金融教育与课程设计场景 ——一位讲师需要为“AI 金融”课程准备阅读清单和项目素材。Papers 类别的百年文献脉络、Courses & Books & Blogs 的学习路径、Strategies & Research 的可运行项目，三者组合可以直接构成一份有理论、有工具、有动手的课程大纲。

五、Awesome AI in Finance 为什么值得关注

从“信息过载”到“策展地图”的认知升维。AI 金融是一个信息极度分散、概念快速迭代、质量参差不齐的领域——arXiv 每天有新论文、GitHub 每天有新仓库、Twitter 每天有新“圣杯策略”。这个仓库的核心价值不是“生产新知识”，而是策展：在 200+ 条资源中，替你挑出值得看的、分好类、放在一处，并且持续维护更新。对于一个想进入或深入这个领域的人来说，这层过滤省去的是方向选择的试错成本，而不是学习本身的努力。

三大范式 + 20+ 类别的覆盖广度——一张有纵深的领域地图。大多数“AI 金融资源合集”要么只追 LLM 热点，要么只覆盖传统量化 ML。这个仓库同时收 Agents（多 Agent 交易、自进化系统）、LLMs（金融分析、ESG 基准、财报理解）、强化学习（组合管理、策略学习）三条主线，再向下细分到 MCP Servers、Skills、高频、套利、事件驱动、加密策略 等 20+ 类别。这种“范式 × 类别 × 资源类型”的三维结构，让不同背景的使用者都能找到自己的入口。

CC0 1.0——没有任何使用限制的公共领域贡献。项目采用 CC0 1.0 Universal 协议，在法律允许的最大范围内放弃所有版权。这意味着你可以自由复制、修改、分发这份清单，甚至用于商业目的，无需署名、无需许可。对于一个策展类项目来说，这种“零摩擦”的许可边界，让它的内容可以最大程度地流动和再利用。

2018 年至今的持续维护——不是“一次性合集”。项目从 2018 年 8 月建仓，至今仍在活跃更新，最近加入了 MCP Servers 板块（23 个开源金融 MCP 服务器）、MMESGBench（多模态 ESG 基准）和 ESGenius（ESG 知识评估基准）等 2025 年的新内容。在一个“awesome-list 很容易写完就死”的生态里，持续八年的维护本身就是一种质量信号。