金融数据分析-教学计划(32学时)

教学参考计划（32学分）总课时数：32课时学分：2学分一、课程性质、目的和要求金融数据分析关注金融领域的数据获取、分析、展示及其在数据可视化、风险管理、投资组合优化、金融建模等方面的应用，它通过经济学、统计学、数学和计算机科学等方法，系统解读和分析金融市场数据（如股票价格、收益率、汇率等）和财务数据(财务指标、财务报表等)。在大数据时代，金融数据分析的重要性将日益突显，持续学习和创新将是掌握这门学科的不竭动力。通过对本书的学习,学生可以初步掌握金融时间序列线性模型、协整与向量自回归模型、GARCH族模型、极值事件、分位数回归与金融风险计量、Copula函数及其应用、面板与空间计量模型与应用、机器学习、深度学习与数据分析、文本数据分析等内容的理论与方法,具备系统的金融数据分析的知识框架。教师在教学中应注重将知识学习与研究能力相结合,提升学生的学术研究能力,培养学生运用所学的研究方法开展与课程相关的金融前沿和实际问题研究。同时,作者将尽可能多的中国金融改革发展和应对各类金融危机事件取得的成就融入教材之中,并以此切入,开展课程思政。二、预修课程高等数学、线性代数、概率论与数理统计、统计学、宏观经济学、微观经济学、金融学、金融市场学、证券投资学、计量经济学。三、教学方法作为经济管理类专业定量能力培养的课程,建议采用理论讲授、案例讨论和上机操作相结合的教学方法,同时辅以课后作业练习、课外阅读以拓宽视野,强化定量分析能力的培养。本书先通过基本理论讲授和例题讲解使学生掌握基本知识与基本原理;然后通过上机操作使学生掌握基本的计算建模分析方法并培养通过编程来处理金融数据的能力;最后,通过专题学习和案例分析,巩固和提高学生对理论内容的理解程度和应用水平。四、教学计划本书的讲授分为理论教学和实践教学两部分,对应的课时分别称为理论课时和实践课时。其中理论课时主要讲解课程的每个知识要点、例题和专题,使学生掌握本课程的基本知识、基本原理和基本方法;实践课时主要训练学生学会使用R和Python处理金融数据。实践教学可通过在机房专门的集中学习,或者学生上课时自备电脑,在理论学习的同时穿插上机学习等方式实现。本课程具体教学安排建议如下所示。序号教学内容理论课时实践课时总课时1第1章导论1.1金融数据分析概述 1.2常见的统计分布1.3收益率及其分布特征1.4R软件和Python软件介绍1.5专题1：金融数据的可视化2132第2章金融时间序列线性模型2.1相关性和平稳性 2.2简单自回归模型2.3简单移动平均模型 2.4简单ARMA模型 2.5单位根非平稳时间序列2.6季节模型2.7长记忆时间序列模型2.8专题2：基于ARIMA模型的中国居民消费价格指数预测3143第3章协整与向量自回归模型3.1协整分析 3.2向量自回归（VAR）模型3.3格兰杰因果检验3.4VAR模型与脉冲响应函数3.5VAR模型与方差分解 3.6结构向量自回归（SVAR）模型3.7TVP-VAR模型 3.8专题3金融开放、系统性金融风险与金融高质量发展的关系分析 2134第4章GARCH族模型4.1波动率模型的特征及结构4.2ARCH模型 4.3GARCH模型4.4IGARCH模型4.5GARCH-M模型 4.6指数GARCH模型4.7TGARCH模型4.8APARCH模型 4.9专题4：基于GARCH模型的人民币汇率建模与应用3.514.55第5章极值事件、分位数回归与金融风险5.1极值事件概述 5.2金融风险计量指标VAR和ES5.3风险度量制5.4基于GARCH模型的VAR计算5.5基于极值理论的VAR计算5.6分位数回归模型与金融风险计量5.7系统性金融风险计量模型 5.8专题5中国系统性金融风险评估报告3.514.56第6章市场有效性与事件分析法6.1有效市场理论6.2有效市场假说的实证检验6.3事件分析法6.4专题6:康美药业财务造假事件分析1127第10章机器学习与数据分析 10.1机器学习概述 10.2分类分析 10.3回归分析 10.4聚类分析10.5关联规则挖掘分析10.6模型评估与选择10.7专题10:基于机器学习的上证指数走势预测研究30.53.58第11章深度学习与数据分析11.1神经元 11.2BP神经网络 11.3卷积神经网络 11.4循环神经网络 11.5深度学习模型优化策略 11.6专题11:基于深度学习的上市公司财务风险预警研究30.