COURSE SYLLABUS
教学大纲Course Syllabus
课程把统一讲授压缩为必要的概念骨架，把真正的学习放在课后，把全部课堂时间用于多人公开验收、提问、复现和积分激励。
01
课程基本信息
金融编程与计算
Financial Programming and Computation
32 学时 / 2 学分
金融学院
金融编程与计算（数字经济+量化专硕班）
星期四（第 6–7 节），第 2–17 周
行知楼-106
高强
53 人
02
课程定位
面向零基础
不以既有编程经验筛选学生。每周都给出最低起步任务、完整复现目标和自由拓展，让完全零基础的学生也能先做出一个结果，再逐步增加难度。
课后学习
学生在课后向 AI 询问概念、步骤和报错，把建议整理进自己的飞书云文档，在本人电脑逐步验证，遇到问题再循环追问和修订。
课堂验收
课堂不再按假想的一对一节奏授课。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。
反空心化
允许 AI 辅助，但结果必须经本人操作验证。拷问只区分真实掌握程度：空心代工 −1，一知半解 +1，融会贯通 +2。
03
学习目标
敢于动手
面对陌生工具能从最低起步任务开始，借助 AI 获得一步一步的操作指导。
系统与工程基础
理解程序、进程、文件、网络、环境、Git、测试与调试的基本关系。
数据计算
能使用 Python、NumPy、Polars、API、SQL 与 Parquet 完成可复现处理。
实证与预测
能使用统计、面板、时间序列与机器学习工具，并克制解释结论。
AI 协作
能把 AI 建议转化为本人电脑上验证过的步骤，而不是提交未经核验的代工结果。
可复现表达
能用飞书实验报告指导另一位同学完成同样操作，并接受现场核验与拷问。
04
模块与学时
| 模块 | 学时 | 周次 | 主要内容 |
|---|---|---|---|
| 学习契约 | 2 | W02 | 课程规则、飞书交付与积分演练 |
| 计算地基 | 8 | W03–W06 | 系统、命令行、Python、工程化、数值计算 |
| 数据计算 | 8 | W07–W10 | Polars、API/SQL/Parquet、可视化、Notebook |
| 实证与机器学习 | 10 | W11–W15 | 回归、面板、时间序列、预测与模型风险 |
| Agent 与作品 | 4 | W16–W17 | 受控 Agent、综合原型与现场答辩 |
| 合计 | 32 | W02–W17 | 16 次课 × 2 学时 |
05
教学内容
| 周次 | 阶段 | 主题 / 工具 | 核心定位 |
|---|---|---|---|
| W02 | 学习契约 | 课程契约：从「会用 AI」到「掌握计算」 Course Contract | 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。 |
| W03 | 计算地基 | 把笔记本变成计算工作站 WSL · Bash · Network | 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。 |
| W04 | 计算地基 | Python 最小语法与程序结构 Python Core | 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。 |
| W05 | 计算地基 | 工程化：环境、版本、调试与测试 Git · pytest · ruff | 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。 |
| W06 | 计算地基 | 数值计算：数组、向量化与模拟 NumPy | 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。 |
| W07 | 数据计算 | Polars：从 Excel 思维到表达式思维 Polars | 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。 |
| W08 | 数据计算 | 数据入口与互操作 HTTP · JSON · SQL | 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。 |
| W09 | 数据计算 | 探索性分析与可视化叙事 Matplotlib · Seaborn · Plotly | 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。 |
| W10 | 数据计算 | 可复现笔记本 JupyterLab · marimo | 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。 |
| W11 | 实证与机器学习 | 统计建模：从估计到诊断 statsmodels | 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。 |
| W12 | 实证与机器学习 | 面板数据：固定效应与聚类标准误 linearmodels | 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。 |
| W13 | 实证与机器学习 | 金融时间序列与风险计算 Time Series | 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。 |
| W14 | 实证与机器学习 | 机器学习：从特征到可复现预测 scikit-learn | 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。 |
| W15 | 实证与机器学习 | 验证、解释与模型风险 Validation · Interpretation | 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。 |
| W16 | Agent 与作品 | Agent 工作流与综合项目装配 Agent · Pydantic · Capstone | 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。 |
| W17 | Agent 与作品 | 现场答辩：把能力封装成作品 Demo · Audit · Transfer | 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。 |
06
学习与验收闭环
AI 给步骤
学生明确自己是零基础，让 AI 一次只给一步，并说明预期结果和常见错误。
云文档边做边改
把建议整理成飞书实验报告，在本人电脑验证；报错就贴回 AI 继续排查。
课堂共享屏幕验收
自愿展示、现场复现、接受拷问；其他学生旁听、提问或仅凭文档复现。
07
成绩与积分
无期末考试。成绩依据每周课堂积分累计及全班排名形成；飞书应用展示过去 30 天积分榜和总积分榜。所有周页面均呈现以下同一规则。
考勤
上课提前 5 分钟点名，下课前 5 分钟再点名
出勤 +3迟到 +2早退 +2请假 +1旷课 +0
复现
使用 AI 自学，按照教学大纲完成了每周实验任务
成功复现 +1未能复现 +0
拓展
按照教学大纲完成一项或多项拓展任务
多拓展 +2有拓展 +1无拓展 +0
展示
主动共享屏幕展示复现过程，接受核验与拷问
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
前 3 人 +1
提问
认真旁听并提出被采纳的好问题
被采纳 +0.5
拷问
面对面随机拷问 · 反空心化闸门
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
知识库 + 席位 + 署名 + 积分 +3
做一点，也算一点
没有完成全部实验，也可以凭考勤、展示卡点、认真提问和真实回答获得积分；做得越扎实，展示、拓展、拷问、双分和精选带来的激励越多。飞书应用展示过去 30 天积分榜与总积分榜。