倪禾HE NI
登录 / 注册
/

Teaching

Python在金融中的应用

课程围绕 Python 与 AI、开发环境和工具链、核心数据分析包、MySQL 数据库、量化投资案例、经济类因果分析案例展开，强调从零基础到可复现实证项目。

本科生课程 · 2026版

Python 和人工智能IDE 与 AI 辅助编程虚拟环境与依赖管理NumPy / Pandas / 绘图MySQL 数据库量化投资模拟普惠金融因果分析事件驱动分析智能体
2026 秋季学期 班级钉钉群

扫码加入

2026 秋季学期 · 班级钉钉群

选课同学请扫码加入班级群，课程通知、课件与作业信息均在群内发布。

分章节计划

第一部分

Python、人工智能与开发环境

让学生完成从“不会配置环境”到“能在 IDE 中写出、运行、修正一段 Python 代码”的基础训练。

  1. 1. Python 与人工智能导论

    解释 Python 为什么成为金融数据分析、机器学习和 AI 应用中的常用语言；用简单例子说明“程序、数据、模型、提示词”之间的关系。

  2. 2. IDE 的选择、安装、写代码与调试

    介绍 VS Code、PyCharm、JupyterLab、Trae、Cursor、国内云端 IDE 等工具的定位。课堂以 Trae 为例，带学生完成下载安装到创建项目、运行第一个脚本、使用 AI 修改错误代码；同时学习文件结构、运行按钮、终端、报错信息、断点、变量查看，并训练学生把报错复制给 AI 后判断 AI 修改是否正确。

  3. 3. 虚拟环境、环境变量与依赖包

    解释为什么不同项目需要不同环境；演示 venv/conda 的基本概念，创建虚拟环境，设置环境变量，使用 pip 安装 numpy、pandas、matplotlib、seaborn、statsmodels、scikit-learn 等依赖。

  4. 4. Git、GitHub 与 Gitee 基础

    理解版本控制、仓库、commit、branch、README；学习如何在 GitHub 和 Gitee 搜索 Python 金融、数据分析、量化投资、普惠金融相关学习资源，并判断项目是否可靠。

第二部分

Python 重要包与普惠金融数据分析

通过合成的小微信贷数据，让学生掌握数组计算、表格处理、数据清洗、描述统计和可视化。

  1. 5. NumPy：从数组到小微信贷案例

    用合成小微信贷样本讲解数组、向量化计算、随机数、均值方差、相关系数。示例：生成 500 个小微商户的贷款金额、月流水、还款压力和违约标记；进一步构造授信额度、利率、违约损失率和预期收益，计算不同授信策略下的组合收益与风险，让学生理解“不是每笔贷款都只看收益，还要看风险分布”。

  2. 6. Pandas：表格数据处理与普惠金融案例

    学习 DataFrame、筛选、分组、缺失值处理、透视表、merge。示例：小微商户基础表、交易流水表、还款记录表的合并；进一步计算城市、行业、客户类型维度的平均授信额度、逾期率和服务覆盖率，训练学生从表格中形成业务解释。

  3. 7. 绘图包与金融图表表达

    使用 matplotlib、seaborn、plotly 画折线图、柱状图、散点图、箱线图和热力图。强调图表标题、坐标、单位、颜色和结论表达。

  4. 8. 数据库、MySQL 与 Python 连接

    介绍为什么金融数据不能长期只放在 Excel 文件中，什么时候应该使用数据库；以 MySQL 为例讲解表、字段、主键、查询、写入和权限；演示如何用 Python 连接 MySQL，创建小微信贷客户表，插入样例数据，查询并读入 Pandas。补充阿里云 RDS MySQL、轻量数据库服务、学院服务器和本机 MySQL 四种练习环境的选择。

第三部分

金融应用实例：量化投资与因果分析

把 Python 工具连接到金融问题：一个模拟量化投资项目，一个普惠金融因果分析项目。

  1. 9. 量化投资应用：模拟场景、策略与回测

    构造 5 只资产的日收益率、波动率和相关性，设定投资目标、风险约束和调仓规则。学生需要写出投资方案，再用 Python 计算累计收益、最大回撤、夏普比率和组合权重；实现等权组合、均值方差组合、动量策略和简单风控规则；比较不同策略在模拟数据中的收益与风险，并讨论为什么模拟结果不能直接等同于真实交易。

  2. 10. 经济类因果分析：问题、模型、Python 实现与结果解释

    解释相关关系与因果关系、处理组和控制组、反事实、固定效应、双重差分。用生活例子说明“看起来一起变化”不等于“一个导致另一个”；构造研究问题：城市普惠金融发展是否促进小微企业活跃度、创业活力或地区经济韧性？课堂可先使用合成结果变量，也可后续合并真实经济变量。模型从双向固定效应开始，进一步讨论政策冲击、分组处理和稳健性检验；使用 pandas 整理面板数据，使用 statsmodels 或 linearmodels 估计固定效应模型，绘制城市普惠金融指数变化趋势和处理组/控制组对比图，最后写出一页实证结果解释。

  3. 附：中国城市普惠金融综合指数

    使用“中国城市普惠金融综合指数（2015–2023）”城市面板数据。该数据包含 2015–2023 年、230 个城市、2070 条城市—年份观测，核心变量包括综合指数总分、服务可得性、服务深度与密度、商业可持续性、发展基础及多级指标。

第四部分

Python—金融事件驱动分析智能体

把前面学到的 Python、Pandas、API 和 AI 辅助能力连接成一条可复现、可解释、带安全边界的金融事件分析链路。

  1. 11. API、AKShare与事件数据管线

    理解 HTTP 请求—响应、状态码、JSON、鉴权和限流；用 AKShare 获取股票行情与财经资讯，完成字段检查、时间对齐、去重、异常处理和结构化摘要。

  2. 12. 云端大模型与 Coze 智能体

    使用环境变量保存密钥，调用官方大模型 Chat Completions 接口；设计事实—可能机制—不能确认—数据边界四段式提示词；在扣子平台配置 Bot、代码节点、变量、测试和发布，并比较代码路线与低代码路线。

  3. 13. 私有化部署与校内 GPU API

    了解 ModelScope 模型卡、权重、分词器和 GPU 推理；用 FastAPI 将校内 GPU 模型封装为受控 POST 服务，学生端通过 requests 调用；比较公有云、Coze、本机模型和校内 API 的算力、隐私和维护成本。