只做第一步也可以
安装 numpy，读入预期收益、波动率和组合权重
保留真实输出或卡点，带到课堂；不要求一次完成全部。W06 · FOUNDATIONS
数值计算：数组、向量化与模拟NumPy · Floating Point · Monte Carlo
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。
0 / 0 已完成
01
知识范围 · 交互图谱
Know the map before details学完后大致能做到
解释 shape、dtype、axis 与广播规则
用向量化替代可替代的 Python 循环
识别浮点误差、单位和维度错误
用固定随机种子做 Monte Carlo，并用分位数表达风险
02
零基础起步
Start small · bring real progress不要等到「全部学会」才开始
先完成最小动作。哪怕没有成功复现，也请保留报错、截图和尝试过程；课堂可以展示卡点、旁听提问，并继续获得积分。
做出核心结果
基于给定资产参数，模拟多资产收益，计算组合损益分布、VaR 与 Expected Shortfall，并比较循环/向量化耗时。
成功复现可获得「复现 +1」，并具备展示资格。想多做再继续
用协方差矩阵生成相关收益
有拓展 +1，多拓展 +2；不影响零基础起步。完整复现步骤
安装 numpy，读入预期收益、波动率和组合权重
用 default_rng(seed) 生成至少 20,000 个情景
用矩阵/向量运算计算组合收益，报告 5% VaR 与 ES
用 time.perf_counter 比较 Python 循环与向量化实现
改变样本量或相关性，解释结果稳定性与假设局限
Python · 随机生成器与分位数
import numpy as np rng = np.random.default_rng(202609) mu = np.array([0.06, 0.09, 0.03]) / 252 sigma = np.array([0.16, 0.24, 0.08]) / np.sqrt(252) weights = np.array([0.4, 0.35, 0.25]) scenarios = rng.normal(mu, sigma, size=(20_000, 3)) portfolio = scenarios @ weights var_95 = -np.quantile(portfolio, 0.05) es_95 = -portfolio[portfolio <= np.quantile(portfolio, 0.05)].mean() print(scenarios.shape, var_95, es_95)
展示时可拿出的证据
- 数组 shape/dtype 的打印证据
- 固定种子下的 VaR/ES 结果
- 两种实现的计时表
- 一次敏感性分析与风险解释
本机自查清单
03
让 AI 一步一步带你做
Copy this starter prompt循环方式
- 告诉 AI：我是零基础、使用什么系统、当前做到哪一步
- 一次只要一个步骤，先看预期结果再执行
- 把真实输出或报错贴回 AI，不要只说「不行」
- 把验证过的步骤整理回飞书实验报告
- 重复：问 → 做 → 报错 → 修正 → 再做
给 AI 的起步提示词
我是金融学院硕士生，计算机零基础。我正在学习《金融编程与计算》W06，本周目标是：实验 04 · 组合情景模拟与向量化基准。 请把我当作第一次接触这些工具的人，并遵守： 1. 一次只给我一个步骤，不要一次倾倒完整答案。 2. 每一步先用日常语言解释目的，再给可复制的命令或代码。 3. 告诉我正常情况下应该看到什么，以及最常见的一个错误。 4. 如果不知道我的操作系统、目录或安装状态，先问我，不要假设。 5. 等我贴回真实输出或报错后，再判断下一步。 现在只带我完成第一步：安装 numpy，读入预期收益、波动率和组合权重
04
问题驱动
这些问题不是课前考试。遇到不懂就问 AI；最后只需能结合自己的操作，说清其中一部分。
为什么 NumPy 数组通常比 Python 列表循环快？
axis=0 与 axis=1 在二维收益率矩阵上分别算什么？
广播何时是便利，何时会成为静默 bug？
设置随机种子是否意味着模拟结果「真实」？
VaR 是损失分布的哪一个位置，它没有告诉你什么？
05
只交一份实验报告
The learning process is the deliverable建议结构
- 本周目标：我想完成什么，以及最后做到哪一步
- 环境：操作系统、软件版本、安装方式与必要依赖
- 操作步骤：按真实执行顺序写出可复制的命令或代码
- 结果：关键输出、截图及我如何判断它是否正确
- 踩坑与克服：现象 → 可能原因 → 实际排查 → 解决办法
- 结论：本周学会了什么，仍有什么没有解决
- 诚实标注：哪些来自 AI 建议，哪些已由本人亲自验证
本周常见坑
- 年化收益与日收益单位混用
- 权重没有求和为 1
- 数组形状不对却被广播「成功」
- 只报单个 VaR 数字，不说明置信水平、周期和假设
不另交 AI 使用记录
只需在实验报告中诚实标注：哪些步骤来自 AI 建议，哪些已经本人验证，哪些仍未验证。学习过程写好，报告就自然产生。
06
课堂时间全部用于验收
No new lecture · public verification两次考勤
上课提前 5 分钟点名，下课前 5 分钟再次点名。
自愿共享屏幕
用本人笔记本打开实验报告，展示真实操作、结果或卡点。
现场复现与双分
作者现场运行；同学也可仅凭该文档复现，作者与复现者都加分。
随机拷问与好问题
教师判断掌握程度；旁听同学可提出被采纳的好问题。
本周可能被问
- shape、dtype、axis 分别是什么？
- 向量化为什么快？
- 0.1 + 0.2 的误差来自哪里？
- 固定 seed 保证了什么？
- VaR 与 ES 的信息差别是什么？
07
本周课堂积分
Same rules every week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。
08
自由拓展与参考资源
拓展挑战
- 用协方差矩阵生成相关收益
- 比较正态分布与厚尾分布的风险
- 画出样本量增加时 VaR 估计的收敛轨迹