金融与投研 AI Skill 榜 TOP10

本文整理了金融与投研领域最受关注的 Top 10 AI Skill 与 Agent 工具，涵盖金融数据接入、财报精读、估值建模、量化回测与多智能体协同等核心能力。

TOP10 榜单速查总览

数据参考 GitHub 开源项目 Star 数与平台内置热度统计（截至 2026 年 10 月）。

核心应用场景与 Skill 详解

1. 金融数据底座与行情获取

为大模型提供高质量、结构化的实时与历史市场数据，是所有投研分析的第一步。

• OpenBB (⭐ 74.5k)

  • 定位：开源金融数据界的事实标准，旨在平替传统昂贵的商业数据终端。
  • 核心功能：支持全球股票、外汇、商品、宏观经济指标（FRED）、加密货币等上百个数据接口；提供开箱即用的 Python SDK、CLI 以及标准化的 AI Agent 扩展接口。
  • 适用场景：构建全球宏观资产配置、多市场对比研究及专业机构底层数据网关。

• a-stock-data (⭐ 11.0k)

  • 定位：专注中国 A 股及港股通市场的纯粹取数工具。
  • 核心功能：精准提取上市公司公告（PDF/文本）、核心财务指标、龙虎榜异动、北向资金流向与股东户数变化等。
  • 适用场景：A 股市场短线异动排查、年报季批量提取财报原始明细数据。

2. 财报精读、基本面与估值建模

利用大模型的长文本理解与结构化推演能力，大幅缩短研读数百页长财报的时间。

• financial-services (⭐ 40.7k)

  • 定位：端到端的全套金融分析建模套件。
  • 核心功能：一键解析资产负债表、利润表和现金流量表；自动计算 DuPont 杜邦分析拆解指标、PE/PB/PS 历史分位数以及常用相对估值法倍数。
  • 适用场景：快速生成公司初筛报告与同业对比对比底稿。

• Dexter (⭐ 27.7k)

  • 定位：专注于绝对估值与财务建模的轻量级 Skill。
  • 核心功能：基于企业未来 3~5 年营收预期与资本开支假设，自动化推导折现现金流（DCF）模型，并生成针对贴现率（WACC）和永续增长率的双向敏感性分析表。
  • 适用场景：深度研究阶段测算目标价区间与安全边际。

• ai-berkshire (⭐ 16.8k)

  • 定位：伯克希尔哈撒韦/巴菲特理念驱动的长期价值投资研究助手。
  • 核心功能：专注穿透式阅读上市公司管理层致股东信（MD&A），比对多年前后叙述的一致性；分析企业定价权、ROIC（资本回报率）与竞争壁垒（护城河）。
  • 适用场景：中长线白马股深度调研、公司治理与管理层诚信度审查。

3. 市场复盘与交易跟踪

跟踪市场动态，快速识别异动与宏观情绪变化。

• daily_stock_analysis (⭐ 66.8k)

  • 定位：每日盘后自动复盘与情报聚合利器。
  • 核心功能：自动拉取主流财经门户和交易所要闻，总结两市成交量变化、赚钱效应分布，过滤噪音并提炼出最具影响力的 3~5 个市场主线逻辑。
  • 适用场景：每日盘前/盘后 5 分钟快速把握市场脉搏与行业轮动。

• AI-Trader (⭐ 22.9k)

  • 定位：量化技术面跟踪与交易信号捕获器。
  • 核心功能：监控 MACD、RSI、均线金叉死叉等经典技术形态；结合分时放量突破、筹码集中度异动等实时事件输出参考提示。
  • 适用场景：辅助波段操作与交易执行前的关键买卖点位佐证。

4. 策略回测与多智能体（Multi-Agent）投研

• Vibe-Trading (⭐ 36.2k)

  • 定位：极简量化策略回测与因子挖掘环境。
  • 核心功能：支持自然语言描述交易策略逻辑（如“双均线金叉配合突破 20 日新高”），自动将其转译为回测代码；提供夏普比率、最大回撤、胜率等回测报告，并支持期权波动率曲面分析。
  • 适用场景：量化初学者验证交易灵感、因子研究与期权策略组合推演。

• TradingAgents-CN (⭐ 32.4k)

  • 定位：国内首创的多智能体协同投研体系。
  • 核心功能：模拟基金公司的投研流程——设置“宏观分析师”、“行业研究员”、“风险控制官”和“交易主管”等多个角色相互辩论、质疑和补充，输出多维度的综合决策备忘录。
  • 适用场景：复杂宏观事件推演、重大投资决策前的全视角博弈分析。

• OpenAlice (⭐ 7.4k)

  • 定位：集数据检索、交互式图表与研究笔记于一体的个人投研工作台。
  • 核心功能：内置模块化交互图表、个股跟踪看板与 Markdown 投研笔记管理，支持将各类分析结果沉淀为结构化知识库。
  • 适用场景：个人投资者打造一体化的私有研报管理与复盘系统。

典型智能投研工作流搭配

不同的 Skill 各有所长，实践中通常将它们组合编排成链式工作流：

flowchart TD
  subgraph Data["1. 数据与行情获取"]
    D1["OpenBB (宏观/海外)"]
    D2["a-stock-data (A股数据)"]
  end

  subgraph Analysis["2. 深度分析与研读"]
    A1["ai-berkshire (护城河分析)"]
    A2["financial-services (三大报表勾稽)"]
    A3["Dexter (DCF 估值测算)"]
  end

  subgraph Decision["3. 决策协同与回测"]
    M1["TradingAgents-CN (多智能体辩论)"]
    M2["Vibe-Trading (量化回测)"]
  end

  subgraph Tracking["4. 日常复盘与跟踪"]
    T1["daily_stock_analysis (每日复盘)"]
    T2["AI-Trader (异动提醒)"]
  end

  Data --> Analysis
  Analysis --> Decision
  Decision --> Tracking

推荐组合方案

1. 基本面价值派工作流：
   OpenBB / a-stock-data（拉取原始财报） $\rightarrow$ ai-berkshire（精读年报与商业模式） $\rightarrow$ financial-services（财务指标诊断） $\rightarrow$ Dexter（DCF 估值确定买入区间）。
2. 多智能体前瞻研判工作流：
   daily_stock_analysis（提取宏观行业热点） $\rightarrow$ TradingAgents-CN（多角色对冲辩论） $\rightarrow$ OpenAlice（归档并生成投研报告）。
3. 技术面与量化派工作流：
   OpenBB（获取高频/日线行情） $\rightarrow$ Vibe-Trading（因子编写与策略回测） $\rightarrow$ AI-Trader（盘中信号追踪）。

实战注意事项

[!CAUTION] 风险提示与使用边界

• 防范模型“数字幻觉”：金融数据容错率极低。在使用大模型解析财报时，涉及营收增速、利润率等核心财务数据，务必结合原始表格或调用确定性代码（Python 工具）进行二次核验。
• 关注 API 调用频率与成本：部分工具底层对接第三方数据源，频繁高频调用可能会触发速率限制或产生数据服务费用。
• 辅助工具不构成投资决策：上述开源工具仅用于提升研究效率与信息处理速度，不能替代独立且理性的投资判断。