只做第一步也可以
构造资产和市场超额收益，明确频率、单位与样本期
保留真实输出或卡点，带到课堂；不要求一次完成全部。W11 · MODELING
统计建模：从估计到诊断OLS · Inference · Robust SE
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。
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
区分参数、估计量、估计值与标准误
用公式接口估计 OLS 并解释系数和置信区间
检查残差、异方差与影响点
比较常规与 HC3 稳健标准误，但不夸大因果
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
对合成资产收益做 CAPM 风格回归，比较常规与 HC3 标准误，检查残差与影响点，写出不夸大的结论。
成功复现可获得「复现 +1」，并具备展示资格。想多做再继续
加入多个因子并检查多重共线性
有拓展 +1，多拓展 +2；不影响零基础起步。完整复现步骤
构造资产和市场超额收益，明确频率、单位与样本期
用 statsmodels 公式接口估计 asset_excess ~ market_excess
输出系数、95% 置信区间、R² 与样本量；比较 nonrobust 与 HC3
画残差—拟合值图，识别影响点并做一次含/不含对照
用三句话写结论：估计值、证据强度、不能推出什么
Python · statsmodels 公式接口
import pandas as pd
import statsmodels.formula.api as smf
df = pd.read_csv("market_returns.csv")
df["asset_excess"] = df["asset_a"] - df["rf"]
df["market_excess"] = df["market"] - df["rf"]
base = smf.ols("asset_excess ~ market_excess", data=df).fit()
robust = base.get_robustcov_results(cov_type="HC3")
print(base.summary())
print(robust.summary())展示时可拿出的证据
- 变量构造代码与数据字典
- 两种标准误的并列表
- 至少一张诊断图
- 克制的三句话结论
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》W11，本周目标是：实验 09 · CAPM 回归与证据审计。 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：构造资产和市场超额收益，明确频率、单位与样本期
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。
回归系数显著是否等于经济意义重大？
R² 很高能否证明模型正确？
稳健标准误修复了什么，没有修复什么？
异常点应该删除还是解释？
相关回归何时可以、何时不可以使用因果语言？
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
- 收益率百分数和小数混用
- 只截 summary 星号，不解释估计对象
- 用稳健标准误后声称解决内生性
- 先看结果再修改样本而不记录
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
- 参数、估计量、估计值有什么区别？
- 标准误衡量什么？
- R² 不衡量什么？
- HC3 修正了哪部分？
- 为什么 CAPM 回归不能自动成为因果识别？
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
- 加入多个因子并检查多重共线性
- 用滚动窗口估计 beta
- 对另一资产重复并比较经济含义