《金融大数据分析与建模》教学大纲

《金融大数据分析与建模》教学大纲课程编号：06220240英文名称：Financialbigdataanalysisandmodeling学分：2学时：总学时48学时，其中理论16学时，实践32学时先修课程：Python程序设计、线性代数、概率统计、管理统计课程类别：专业拓展课程（选修）授课对象：大数据管理与应用专业学生教学单位：商学院修读学期：第5学期一、课程描述和目标《金融大数据分析与建模》旨在培养学生运用现代数据分析技术解决金融领域复杂问题的能力。课程融合金融理论、统计学、计算机科学与新兴金融科技，通过16个理论课时与32个实践课时的系统学习，使学生掌握从数据获取、清洗、分析到建模预测的全流程技能。理论部分涵盖金融大数据概述、主流数据分析方法（包括描述性统计、时间序列分析、回归分析、机器学习）、金融建模技术（如风险评估、投资组合优化、市场预测模型）以及金融科技前沿应用（如区块链、人工智能）。课程强调理论与实践的紧密结合，通过深入浅出的讲解，帮助学生理解各类方法在金融市场中的实际应用情境。实践环节则通过一系列精心设计的实验项目，引导学生运用Python等编程语言处理真实金融数据，从数据预处理、特征工程到模型训练、验证与优化，全程动手操作。实践内容包括但不限于金融数据处理与探索、统计与预测模型构建、金融风险管理模型实现、以及金融科技应用案例开发。此外，课程还注重培养学生的数据伦理意识和合规性考量，确保其在未来职业生涯中能合法、合规地利用大数据进行金融决策。课程目标1：了解金融大数据的基本特征、来源和处理流程；掌握金融大数据常用的数学工具。课程目标2：熟练运用主流数据挖掘、统计分析与机器学习方法在金融领域的应用；能够运用Python或相关金融数据分析工具对大规模金融数据进行清洗、整理与预处理。课程目标3：能够构建并验证金融预测模型，进行风险评估、投资策略制定等实际问题的建模分析；提升批判性思维能力，通过案例研究理解金融大数据分析的实际应用场景及影响。

二、课程目标对毕业要求的支撑关系毕业要求指标点课程目标权重2-1大数据管理基础理论：具有系统化管理思维、较高人文和管理素质，系统掌握大数据商务分析中的数学、统计学、计算机科学、数据科学、经济学与管理学基础理论。课程目标1L2-2理论知识整合学习能力：掌握管理科学与工程专业数据、模型与决策、统计学等主干课程，同时融入机器学习与人工智能等新技术新方法，并整合商科优势，培养学生更加注重对于现代管理、电子商务、营销与金融等商业背景知识的学习。课程目标1、2M2-3学科视野：了解国内外大数据发展的历史和现代管理理论发展范式，了解大数据管理理论中不同学科分支的相关理论知识、研究范式和前沿动态，能够运用不同学科分支下的理论和方法解决实际应用中的问题，具备科学化与数量化进行商业分析的复合型思维。课程目标2M2-4国际化交流与现代化工作能力：具有熟练的英语语言应用能力和计算机运用技能，能够胜任国际化交流和现代化工作。课程目标3M3-2大数据管理技术综合运用能力：熟练掌握商务数据建模与决策分析的相关技术、方法和工具，具备运用大数据技术和软件工具为不同行业进行商业分析、量化管理和商业智能决策的能力。课程目标2M3-3专业知识与素养：具有宽阔视野、扎实专业基础，以及较高商业道德素养、创新能力、创业精神。课程目标3L三、教学内容、基本要求与学时分配理论课：序号教学内容基本要求及重、难点（含德育要求）学时教学方式对应课程目标1金融大数据基础金融大数据概述、金融数据源与获取途径、数据隐私与合规性2集中讲授、课堂演练课程目标1、22描述性统计与可视化了解描述性统计与数据可视化的基本概念；掌握常见的二维绘图、金融学报表和3D绘图的基本方法2集中讲授、课堂演练课程目标1、23时间序列分析掌握pandas的使用方法，了解时间序列分析的基本概念，掌握金融数据（包含高频数据）的处理方法2集中讲授、课堂演练课程目标1、2、34多元相关与线性回归分析了解多元回归分析和多元相关的基本概念；掌握多元线性回归分析、多元相关分析的数学原理以及Python实现方法2集中讲授、课堂演练课程目标1、2、35主成分分析与机器学习入门了解主成分分析与因子分析的基本思想与Python实现方法；初步了解监督学习、无监督学习、强化学习等机器学习的基本方法3集中讲授、课堂演练课程目标1、2、36投资组合优化与资产定价了解投资组合优化理论与资产定价的核心概念、方法与模型；掌握有效边界、资本市场线、资本资产定价模型等概念和方法3集中讲授、课堂演练课程目标1、2、37金融模型的模拟了解随机数生成、泛型模拟类、几何布朗运动、跳跃扩散和平方根扩散等金融模型模拟方法以及Python实现2集中讲授、课堂演练课程目标1、2、3合计16实验课：序号实验项目实验内容与要求学时类型对应课程目标1金融数据处理与探索使用Python导入金融数据集；数据清洗、缺失值处理与异常值检测；数据标准化与特征工程；初步数据分析4上机课程目标2、32描述性统计与可视化使用Python进行金融数据的描述性统计与可视化4上机课程目标2、33时间序列分析使用Python进行金融数据的时间序列分析；练习ARIMA、季节性分解等具体技术4上机课程目标2、34多元相关与线性回归分析使用Python进行金融数据的多元线性回归分析、Logistic回归、多元相关分析4上机课程目标2、35主成分分析使用Python进行金融数据的主成分分析，构造PCA指数2上机课程目标2、36机器学习模型训练与评估使用Python针对金融数据进行机器学习；练习决策树、随机森林、神经网络4上机课程目标2、37预测模型应用使用Python构建预测模型；练习股票价格预测、信用评分等常见应用4上机课程目标2、38投资组合优化与资产定价使用Python进行投资组合优化模拟以及资产定价模型的构建4上机课程目标2、39金融模型的模拟随机数生成、泛型模拟类、几何布朗运动、跳跃扩散和平方根扩散等金融模型模拟方法的Python实现2上机课程目标2、3合计32四、课程教学方法集中讲授、课堂演练、上机操作五、学业评价和课程考核（一）考核方式及具体要求1.课程成绩构成与要求课程考核注重形成性和终结性评价相结合，考核内容主要由课堂互动（线上线下平台）、课程作业、期末考核组成，均按百分制计分，其中期末考核成绩占60%、课堂互动占10%、课程作业成绩占30%。课程作业为上机实验报告，期末考核采用课程论文形式，要求学生完成一个金融大数据分析与建模案例。2.课程目标达成考核与评价序号教学环节课程目标1（分值）课程目标2（分值）课程目标3（分值）合计1课堂互动550102课程作业101010303期末考核20202060课程目标对应分值353530100（二）考核与评价标准1.课堂互动考核与评价标准线下互动：根据参与小组讨论的情况、课堂回答的情况相应给分。对于有独特、创新见解的回答给予高分，对于基本符合要点的回答给予中高分数，对于不到要点的回答给予低分。线上互动：根据参与线上学习平台的情况相应给分，包括线上平台的习题和讨论等。2.课程作业考核与评价标准分值观测点90-100分70-89分60-69分0-59分课程作业

（实验报告）按时完成，90%以上的作业内容齐全，基本知识点理解、掌握到位，操作方法准确，建模方法完全正确。按时完成，70%以上的作业内容齐全，基本知识点理解、掌握较到位，操作方法大体准确，建模方法基本正确。延时完成，60%以上的作业内容齐全，基本知识点理解、掌握基本到位，操作方法和建模方法有一定错误。不交和补交，50%以下的作业内容齐全，基本知识点理解、掌握有偏差，操作方法和建模方法完全错误。3.期末项目考核与评价标准分值观测点90-100分70-89分60-69分0-59分期末考核

（金融大数据分析与建模案例）建模方法和分析方法准确无误；格式规范，符合课程论文写作要求；参考文献充分、正文引用恰当，文献引文格式符合文献标准；无摘录摘抄痕迹，能恰当运用自己的语言组织素材，论点正确。建模方法和分析方法大体准确；格式符合课程论文写作要求；参考文献充分、正文能够较好对文献进行引用，文献引文格式基本符合科技期刊论文文献标准；正文主题大部分运用自己的语言组织素材，论点正确。建模方法和分析方法有不合理之处；格式符合课程论文写作要求；参考文献有，文献引文格式基本符合科技期刊论文文献标准；正文有部分摘抄，论点分析较清晰。建模方法和分析方法存在根本性谬误；论文格式不符合课程