《计算金融与Python实践》教学实施方案

《计算金融与Python实践》教学实施方案一、课程基本信息课程名称：计算金融与Python实践课程代码：学分：3学时：3学时/课，共51学时。二、任课教师、助教、教室等情况（一）任课教师：办公室：答疑辅导时间：电子邮件：（二）教学助理：答疑辅导时间：答疑辅导地点：电子邮件：（三）课程资源：（四）教室：实验室：（五）上课时间：（六）纪律：1、无特殊情况，不允许无故缺课。2、每次作业须在规定时间内提交。三、阅读材料（一）推荐教材：《计算金融与python实践》（二）参考教材:（三）进一步阅读材料:四、课程内容概要（一）课程目标本课程旨在通过理论与实践的紧密结合，达成以下三维目标：1.掌握核心知识与技能系统掌握现代金融学的核心理论，包括投资组合理论、资本资产定价模型、有效市场假说、行为金融理论以及金融衍生工具定价等。熟练运用Python语言及其数据分析生态（NumPy,Pandas,Matplotlib,Scikit-learn），实现金融数据的获取、处理、建模、分析和可视化。能够将金融理论与编程技术相结合，解决实际的金融问题。2.提升关键能力与思维培养运用计算思维和编程工具分析中国现实金融现象与金融问题的能力。通过将复杂的金融模型转化为可执行的代码，锻炼学生的逻辑推理、抽象建模和算法设计能力。依托案例驱动的实践项目，提升学生解决实际问题的综合能力、数据敏感性以及严谨的科学态度。3.塑造综合素养与价值观引导学生树立正确的金融价值观和职业道德观，深刻理解金融科技在服务实体经济、防范金融风险中的重要作用。在技术实践中，培养学生严谨求实、敬业守信的职业素养，并强化信息安全意识与科技伦理观念，成为又红又专、德才兼备的中国特色社会主义合格建设者和可靠接班人。（二）教学内容序号题目/学时知识点作用/目标1）金融市场投资理论基础/12学时

1.证券市场基础（3学时）

2.投资组合与资产定价理论（3学时）

3.有效市场假说与行为金融（3学时）

4.股票与衍生工具估值（3学时）证券市场基础：证券分类、市场结构、市场指数编制（价格加权、市值加权、无权重）。

投资组合理论：收益与风险度量、投资组合优化、有效前沿。

资本资产定价模型：模型假设、资本市场线、证券市场线、系统风险（Beta）。

市场有效性：弱、半强、强有效市场假说及其检验。

行为金融：对有效市场的质疑、期望理论、反应过度/不足、噪声交易。

股票估值：股利不变模型、股利增长模型。

衍生工具：期货、期权定价（BSM模型、二叉树模型）、金融风险管理（VaR方法）。作用：帮助学生建立扎实的现代金融理论基础，理解金融市场的运行规律、资产定价的核心逻辑以及风险管理的基本思想。

目标：使学生能够掌握金融学核心概念与模型，并能将理论模型转化为后续编程实践的量化目标和逻辑起点。

思政教育：通过讲解中国多层次资本市场体系建设、金融基础设施发展、宏观审慎政策框架等，引导学生了解中国金融改革的成就与方向；在讲授风险管理时，融入防范系统性金融风险的国家战略，培养学生的风险意识和社会责任感。2）Python编程与数据处理基础/18学时

1.Python基础语法（6学时）

2.NumPy库应用（3学时）

3.Pandas库应用（6学时）

4.Matplotlib库应用（3学时）Python基础：数据类型、控制结构、函数定义与调用、组合数据类型（列表、字典等）。

NumPy：多维数组（ndarray）的创建、索引、切片、变形、广播机制、通用函数与统计计算。

Pandas：Series与DataFrame数据结构、数据读取（CSV,Excel）、数据清洗（缺失值处理、重复值处理、数据转换）、数据筛选与排序、分组聚合（groupby）、数据合并（merge,concat）、时间序列处理（resample）。

Matplotlib：图形组成（标题、坐标轴、图例）、基本图形绘制（折线图、散点图、直方图、条形图、饼图）、多子图绘制、图形样式设置。作用：引导学生掌握Python编程的核心语法和进行数据分析所必需的第三方库（NumPy,Pandas,Matplotlib），为金融建模与数据分析提供强大的计算和可视化工具。

目标：使学生能够独立编写Python程序，熟练运用NumPy进行高效数值计算，使用Pandas进行复杂数据处理与清洗，并利用Matplotlib进行数据可视化，为后续案例实现打下坚实的编程基础。

思政教育：通过介绍我国超级计算、人工智能等发展历程，激发学生的民族自豪感和科技报国的使命感；在数据清洗和处理教学中，强调数据安全、信息保护和实事求是的科学精神。3）金融数据分析与机器学习/9学时

1.Scikit-learn机器学习库（6学时）

2.模型选择与评估（3学时）Scikit-learn介绍：数据集加载、数据预处理（标准化、归一化、编码、缺失值处理）、常用模型（线性回归、逻辑回归、决策树、支持向量机、K近邻）、集成学习（随机森林）。

模型选择与评估：训练集/测试集划分、交叉验证、超参数调优（GridSearchCV）、分类模型评估（准确率、精确率、召回率、ROC/AUC、混淆矩阵）、回归模型评估（MSE,R²）。作用：引导学生进入数据驱动的金融分析领域，理解机器学习在金融预测、分类等问题中的应用价值，并掌握利用Python工具进行建模和评估的流程。

目标：使学生能够运用Scikit-learn库完成数据预处理、模型构建、模型选择和性能评估的全过程，具备初步的金融数据建模能力。

思政教育：通过案例引导学生正视我国在芯片、光刻机等核心技术领域与发达国家的差距，激发自主创新、砥砺前行的斗志；在模型构建与评估中，培养学生严谨的逻辑思维和精益求精的工匠精神。4）综合案例实战/12学时

1.金融数据获取与处理（3学时）

2.期权定价与投资组合优化（3学时）

3.市场风险价值（VaR）计算（3学时）

4.基于机器学习的股票价格预测（3学时）数据获取：使用Tushare、从财经网站下载等途径获取历史交易数据。

期权定价：实现布莱克-斯科尔斯模型、二叉树模型、蒙特卡洛模拟期权定价。

投资组合优化：构建投资组合、计算有效前沿、实现特定期望收益/风险下的组合优化、计算夏普比率。

市场风险度量：实现参数法、历史模拟法、蒙特卡洛法计算VaR。

股票价格预测：构建K线图、数据平稳性检验、使用KNN/逻辑回归/ARIMA模型预测股价涨跌。作用：将前序学习的金融理论与Python技术融会贯通，通过解决真实世界中的金融问题，提升学生的综合应用能力和工程实践能力。

目标：使学生能够独立完成从数据获取、清洗、分析、建模到结果可视化的完整项目流程，能够灵活运用多种模型解决期权定价、组合优化、风险管理和价格预测等实际问题。

思政教育：结合《生成式人工智能服务管理办法（征求意见稿）》等最新政策，引导学生理解技术发展中的伦理与法律边界，树立正确的科技伦理观；在项目实践中，强调团队协作、诚信守则，培养新时代金融科技人才的职业素养。（三）课程要求本课程是金融理论与编程实践的深度融合，要求学生具备以下能力：理论理解上：需深入理解现代金融投资学的核心理论（如投资组合、CAPM、有效市场、期权定价），并清楚其假设条件、数学表达和经济学含义。能够将理论问题转化为可量化、可编程的数学问题。实践操作上：要求能熟练运用Python及NumPy,Pandas,Matplotlib,Scikit-learn等库，独立完成从数据采集、清洗、分析、建模到可视化的完整流程。强调动手能力，通过大量的编程练习和综合案例，提升代码编写、调试、优化以及解决实际金融问题的能力。综合应用上：要求能够将金融理论与编程实践相结合，针对具体的金融问题（如资产配置、风险管理、衍生品定价、市场预测），设计并实现有效的量化分析和解决方案。（四）教学安排进度教学内容授课方式重点和难点第01周金融理论基础（一）：证券市场与投资组合

1.证券与证券市场、市场指数（1.5学时）

2.投资组合的收益与风险度量（1.5学时）课堂教学重点：理解证券分类、市场指数编制方法；掌握组合收益与方差的计算。

难点：协方差与相关系数的经济学含义。第02周金融理论基础（二）：投资组合优化与资产定价

1.最优投资组合的构建（1.5学时）

2.资本资产定价模型（CAPM）（1.5学时）课堂教学重点：掌握有效前沿、资本市场线、证券市场线的推导与应用。

难点：最优风险组合的数学求解。第03周金融理论基础（三）：市场有效性与行为金融

1.有效市场假说与检验（1.5学时）

2.行为金融理论（1.5学时）课堂教学重点：理解三种有效市场的内涵；掌握行为金融对有效市场的挑战。

难点：市场异象背后的行为金融学解释。第04周金融理论基础（四）：股票与衍生品估值

1.股票估值模型（股利贴现模型）（1.5学时）

2.期货与期权定价基础（1.5学时）课堂教学重点：掌握股利增长模型；理解期货与期权的区别与联系。

难点：BSM模型的假设与逻辑。第05周Python基础语法

1.数据类型、运算符与表达式（1.5学时）

2.程序控制结构（分支与循环）（1.5学时）课堂教学+实践重点：掌握变量、表达式、分支和循环结构。

难点：循环逻辑的构建。第06周Python函数与组合数据类型

1.函数定义、参数传递与作用域（1.5学时）

2.列表、元组、字典、集合的操作（1.5学时）课堂教学+实践重点：掌握函数封装与复用；掌握列表、字典的常用操作。

难点：理解可变与不可变数据类型。第07周NumPy数值计算基础

1.多维数组的创建与属性（1学时）

2.数组索引、切片与变形（2学时）课堂教学+实践重点：掌握NumPy数组的基本操作和切片索引。

难点：理解数组的广播机制。第08周Pandas数据处理（一）：数据结构与基础操作

1.Series与DataFrame的创建与索引（1.5学时）

2.数据读取、查看与筛选（1.5学时）课堂教学+实践重点：掌握DataFrame的创建与行/列索引。

难点：loc与iloc的区别与使用。第09周Pandas数据处理（二）：数据清洗与转换

1.缺失值、重复值处理（1.5学时）

2.数据替换、重命名、类型转换（1.5学时）课堂教学+实践重点：掌握fillna,dropna,drop_duplicates等清洗方法。

难点：灵活运用map,apply进行数据转换。第10周Pandas数据处理（三）：分组、合并与时间序列

1.groupby分组与聚合（1.5学时）

2.merge与concat合并、时间序列入门（1.5学时）课堂教学+实践重点：掌握分组聚合（agg,transform）操作；掌握时间序列重采样。

难点：理解不同合并方式的区别（inner,left,outer）。第11周Matplotlib数据可视化

1.图形组成与基本绘图（折线图、散点图、条形图）（1.5学时）

2.多子图与图形美化（1.5学时）课堂教学+实践重点：掌握常用图形绘制；掌握多子图的创建与布局。

难点：图形参数（颜色、线型、标签）的设置与调整。第12周Scikit-learn机器学习（一）：数据预处理与回归模型

1.数据标准化、编码、缺失值处理（1.5学时）

2.线性回归、岭回归、逻辑回归（1.5学时）课堂教学+实践重点：掌握标准化的作用；掌握回归模型的构建与评估。

难点：理解正则化（L1,L2）的作用。第13周Scikit-learn机器学习（二）：分类与集成模型

1.决策树、支持向量机（1.5学时）

2.随机森林、模型选择与评估（交叉验证、网格搜索）（1.5学时）课堂教学+实践重点：掌握分类模型的构建与评估指标；掌握交叉验证与网格搜索。

难点：理解集成学习的原理与优势。第14周综合案例（一）：数据获取与期权定价

1.金融数据获取（Tushare等）（1学时）

2.BSM模型与二叉树模型实现（2学时）课堂实践重点：掌握实际金融数据获取方法；将BSM模型转化为代码。

难点：期权定价模型的参数估计与代码实现细节。第15周综合案例（二）：投资组合优化与VaR计算

1.基于历史数据的投资组合构建与优化（1.5学时）

2.参数法与历史模拟法计算VaR（1.5学时）课堂实践重点：运用Pandas和NumPy实现投资组合优化；掌握VaR的计算逻辑。

难点：优化求解库（scipy.optimize）的应用与约束条件的设置。第16周综合案例（三）：基于机器学习的股票价格预测

1.数据处理与特征工程（1学时）

2.构建KNN/Logistic回归预测模型（2学时）课堂实践重点：掌握将时间序列问题转化为监督学习问题的方法；掌握分类模型的评估。

难点：特征工程的设计与选择。第17周课程总结与项目展示

1.核心知识点回顾（1学时）

2.学生小组项目展示与点评（2学时）课堂教学+实践重点：串联课程知识体系；检验学生综合应用能力。

难点：项目