# 金融编程与计算教学大纲

- 课程编号：z02510011020
- 英文名称：Financial Programming and Computation
- 学时 / 学分：32 学时 / 2 学分
- 开课院系：金融学院
- 班级：金融编程与计算（数字经济+量化专硕班）
- 任课教师：高强
- 时间地点：星期四（第 6–7 节），第 2–17 周；行知楼-106

## 教学方式

学生在课后使用 AI 自学，边操作边撰写飞书实验报告；课堂时间全部用于两次考勤、自愿共享屏幕、现场复现、同学双分复现、随机拷问、好问题和最佳文档评选。

## 每周课堂积分

- 考勤：出勤 +3；迟到 +2；早退 +2；请假 +1；旷课 +0。
- 复现：成功复现 +1；未能复现 +0。
- 拓展：多拓展 +2；有拓展 +1；无拓展 +0。
- 展示：课堂自愿共享屏幕展示 +3；无课堂展示 +0。
- 首讲：每节课堂最先自愿开讲的前 3 人 +1。
- 提问：认真旁听并提出被采纳的好问题 +0.5。
- 拷问：空心代工 −1；一知半解 +1；融会贯通 +2。
- 双分：仅凭文档课堂现场复现，作者与复现者都 +1。
- 精选：本周最佳文档，进入知识库并获得席位、署名与积分 +3。

无期末考试。成绩依据每周课堂积分累计及全班排名形成。

## 周次安排

### W02 课程契约：从「会用 AI」到「掌握计算」

本周不讲技术知识点，只建立规则、全景、基线与公平验收方式。课程的最小闭环是：能运行、能解释、能修改、能排错。

- 工具 / 范式：Course Contract
- 课后任务：课程系统演练与学习契约

### W03 把笔记本变成计算工作站

先理解程序运行所依赖的机器、操作系统、文件与网络，再安装工具。命令行不是复古，而是可复制、可审计、可自动化的操作界面。

- 工具 / 范式：WSL · Bash · Network
- 课后任务：实验 01 · 环境指纹与命令行证据链

### W04 Python 最小语法与程序结构

不追求背语法大全；用一个可运行的小程序建立对象、类型、控制流、函数、模块和异常处理的共同语言。

- 工具 / 范式：Python Core
- 课后任务：实验 02 · 现金流 NPV 命令行程序

### W05 工程化：环境、版本、调试与测试

就业中有价值的不是「写过一段代码」，而是能让代码被协作、被检查、被修改。Git、依赖锁定、测试和日志是最低工程纪律。

- 工具 / 范式：Git · pytest · ruff
- 课后任务：实验 03 · 修复一条「看似能跑」的收益率管线

### W06 数值计算：数组、向量化与模拟

金融计算的速度与正确性都依赖数据表示。NumPy 用同质数组与向量化把循环交给底层实现；随机模拟必须可复现并报告不确定性。

- 工具 / 范式：NumPy
- 课后任务：实验 04 · 组合情景模拟与向量化基准

### W07 Polars：从 Excel 思维到表达式思维

Excel 适合人眼交互，Polars 适合把清洗规则写成可重复执行的表达式管线。重点不是记 API，而是明确 schema、空值、粒度与变换顺序。

- 工具 / 范式：Polars
- 课后任务：实验 05 · 脏交易流水清洗与质量门

### W08 数据入口与互操作

真实工作不是从一张干净 Excel 开始。要理解 HTTP/JSON 的数据入口，用 schema 拦截坏数据，再让 Polars、SQL 与 Parquet 各司其职。

- 工具 / 范式：HTTP · JSON · SQL
- 课后任务：实验 06 · 可审计的数据采集器

### W09 探索性分析与可视化叙事

图不是装饰，而是把问题、比较关系和不确定性编码成视觉证据。先问「要比较什么」，再选图；必须保留数据与代码。

- 工具 / 范式：Matplotlib · Seaborn · Plotly
- 课后任务：实验 07 · 一页金融 EDA 证据板

### W10 可复现笔记本

Notebook 适合探索，但隐藏状态会制造「只在作者电脑上成立」的结果。JupyterLab 用于探索，marimo 用显式依赖和响应式执行把分析收束为可交付应用。

- 工具 / 范式：JupyterLab · marimo
- 课后任务：实验 08 · 从探索 Notebook 到响应式分析 App

### W11 统计建模：从估计到诊断

模型输出不是结论生成器。用 statsmodels 建立「问题—假设—估计—不确定性—诊断—解释」的最小实证链。

- 工具 / 范式：statsmodels
- 课后任务：实验 09 · CAPM 回归与证据审计

### W12 面板数据：固定效应与聚类标准误

数字经济研究常见「企业/地区 × 时间」数据。固定效应利用个体内部变化控制不随时间变化的遗漏因素，但仍不是自动的因果识别。

- 工具 / 范式：linearmodels
- 课后任务：实验 10 · 企业数字化与生产率面板模型

### W13 金融时间序列与风险计算

时间顺序是金融数据不可违背的结构。收益率、滚动窗口、滞后和训练测试切分必须只使用当时可得的信息。

- 工具 / 范式：Time Series
- 课后任务：实验 11 · 风险时间轴与前视偏差审计

### W14 机器学习：从特征到可复现预测

机器学习的核心不是调用 fit，而是把数据切分、预处理、模型和评价组织成无泄漏管线，并让指标对应真实决策成本。

- 工具 / 范式：scikit-learn
- 课后任务：实验 12 · 信用风险基线模型

### W15 验证、解释与模型风险

更高分不等于更好模型。要检查跨切分稳定性、概率校准、错误类型、解释边界和治理风险，并把这些写进模型卡。

- 工具 / 范式：Validation · Interpretation
- 课后任务：实验 13 · 模型审计与一页模型卡

### W16 Agent 工作流与综合项目装配

Agent 不是会聊天的神谕，而是「模型提出受约束行动—程序验证—工具执行—结果回传—全程留痕」的工作流。核心实验不要求付费 API，保证公平。

- 工具 / 范式：Agent · Pydantic · Capstone
- 课后任务：实验 14 · Evidence-first Agent + Capstone 检查点

### W17 现场答辩：把能力封装成作品

最终验收不是 PPT 汇报，而是在本人笔记本上从干净入口运行、现场修改、解释底层概念，并诚实陈述数据、模型和 AI 的边界。

- 工具 / 范式：Demo · Audit · Transfer
- 课后任务：实验 15 · Capstone 最终验收