只做第一步也可以
解析日期、排序并检查重复交易日与缺失；明确价格是否复权
保留真实输出或卡点，带到课堂；不要求一次完成全部。W13 · MODELING
金融时间序列与风险计算Returns · Rolling Windows · Leakage
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。
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
区分价格、简单收益与对数收益
正确处理日期索引、频率、复权和缺失
计算滚动波动、最大回撤与自相关
识别并修复前视偏差和随机切分风险
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
从合成日价格计算收益、滚动波动和回撤；设计一个错误的前视特征，再修复并比较结果。
成功复现可获得「复现 +1」，并具备展示资格。想多做再继续
比较 20/60 日窗口的响应速度
有拓展 +1，多拓展 +2；不影响零基础起步。完整复现步骤
解析日期、排序并检查重复交易日与缺失；明确价格是否复权
计算简单收益和对数收益，验证二者的时间聚合差异
计算 20 日滚动波动、累计净值与最大回撤并可视化
故意用 shift(-1) 或全样本标准化制造前视偏差，记录虚假提升
改用滞后特征和按时间切分，写出「决策时点可得信息表」
Python · 收益与风险骨架
import pandas as pd
df = pd.read_csv("prices_daily.csv", parse_dates=["date"]).sort_values("date")
df["ret"] = df["price"].pct_change()
df["vol20"] = df["ret"].rolling(20).std() * (252 ** 0.5)
df["wealth"] = (1 + df["ret"].fillna(0)).cumprod()
df["drawdown"] = df["wealth"] / df["wealth"].cummax() - 1
# 禁止把未来信息作为当期特征：检查所有 shift(-k)展示时可拿出的证据
- 日期质量检查与收益公式
- 风险时序图和最大回撤区间
- 有泄漏/无泄漏的对照结果
- 决策时点信息可得性说明
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》W13，本周目标是：实验 11 · 风险时间轴与前视偏差审计。 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：解析日期、排序并检查重复交易日与缺失；明确价格是否复权
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。
为什么价格不宜直接做普通回归而收益率更常见？
简单收益与对数收益何时差异不可忽略？
20 日滚动波动在第 20 日到底用了哪些数据？
随机打乱时间序列再切分为何危险？
最大回撤高低受样本起止点怎样影响？
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
- 日期按字符串而非时间排序
- 用未来收益定义当前特征
- 全样本标准化后再切训练测试
- 把年化波动公式用于错误频率
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
- 简单收益与对数收益各有什么可加性？
- 滚动窗口第一个有效值何时出现？
- 前视偏差是什么？
- 为什么时间序列不能默认随机切分？
- 最大回撤与波动率反映的风险有何不同？
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
- 比较 20/60 日窗口的响应速度
- 用 statsmodels 画 ACF/PACF
- 实现 expanding-window 的单步预测基线