1、教學大綱機器學習理論（雙語）教學大綱課程編號：111103A課程類型：口通識教育必修課 口通識教育選修課口專業(yè)必修課專業(yè)選修課口學科基礎課總學時：48講課學時：32實驗（上機）學時：16學分：3適用對象：投資學專業(yè)先修課程：金融計算機語言、金融計量學、量化金融學（雙語）一、教學目標當代投資學越來越多的采用人工智能技術解決復雜投資決策問題。人工智能的 理論和技術在當代投資中的地位越來越重要，甚至已有取代傳統(tǒng)投資決策和方法技 術之趨勢，因此投資學專業(yè)學生需要系統(tǒng)的學習人工智能理論在金融投資中的應用. 人工智能的理論和技術主要來自于機器學習理論。本課程系統(tǒng)的向學生講授機器學 習理論。機器學習理論與計

2、算機編程、統(tǒng)計學以及計量經濟學有密切的聯(lián)系，因此 學生在學習本課程前需要有足夠的背景知識。本課程將通過介紹機器學習理論，讓 學生了解如何利用機器學習理論以及人工智能技術進行金融問題研究和進行量化投 資決策。該課程是專業(yè)必修課中的一門重要課程，是一門跨學科的復合型課程，因 此需要學生對各先修學科有扎實的基礎，本課程突出學習前沿人工智能理論知識與 應用相結合，重點培養(yǎng)學生綜合運用跨學科知識進行量化投資。學生在學好本課程 后，將對其后續(xù)課程以及畢業(yè)論文設計幫助巨大，也將增強學生在大數(shù)據人工智能 時代的就業(yè)競爭優(yōu)勢。目標1:掌握主流和前沿的機器學習理論目標2:熟練運用機器學習理論結合投資學知識解決具體

3、問題目標3:融會貫通投資學、統(tǒng)計學、計量經濟學、計算機編程以及機器學習理 論，提升處理復雜投資決策問題的能力。目標4:充分了解投資學發(fā)展的前沿，了解人工智能與投資學發(fā)展邏輯聯(lián)系。二、教學內容及其與畢業(yè)要求的對應關系（一）教學內容機器學習理論涉及三大板塊知識。即基礎理論知識介紹、上機實習和綜合 運用。在基礎知識模塊主要介紹和講授機器學習理論的主要知識框架，包括：監(jiān)督 學習、無監(jiān)督學習和強化學習，其中監(jiān)督學習中的若干模型屬于精講內容，無監(jiān)督 學習屬于細講的內容，而強化學習屬于粗講的內容。上機環(huán)節(jié)主要采用Python、Matlab以及R語言，結合學理論知識，熟練運用計算機語言調用相關理論模型。 因為

4、這是一門跨學科復合型課程，在課程的后半段，教學內容將突出綜合應用，采 取在給定適當投資場景的前提下，以案例分析的形式，讓學生構建模型，提升綜合 能力。案例包括（但不限于）：量化投資與智能選股、人工智能與衍生品定價、機 器學習理論在股票預測中的應用、強化學習與投資決策、監(jiān)督學習與信用風險識別 等。止匕外，課程還會從行業(yè)發(fā)展與產業(yè)經濟學視角，引導學生了解智能投資以及科 技金融行業(yè)發(fā)展前景與趨勢，引導學生思考新興智能技術對金融投資行業(yè)職業(yè)的道 德操守倫理沖擊等前沿前瞻型問題。（二）教學方法與教學手段本課以課堂講授為主，上機實習為輔，問之以案例教學、隨堂練習和課后作業(yè)， 使學生既能掌握理論，也能動手操

5、作，切實做到理論與實踐相結合。課堂授課內容 突出了前瞻性、前沿性，上機實習環(huán)節(jié)使得學生有機會提升動手能力，解決復雜問 題的能力，突出了應用性人才培養(yǎng)的目標，切實做到理論與實踐相結合。（三）學習要求由于本課程實踐性比較強，所以修讀本課程須前期熟練掌握量化金融學（雙 語）、投資學、金融學、計量經濟學等基礎知識。考慮到本課程理論性較強，所以本課程的隨堂練習和課后作業(yè)相對較多。學生 須課前預習，課后復習。任課老師不定期的安排隨堂測驗。（四）實踐環(huán)節(jié)要求為保證學生能深刻的理解理論知識，本課程安排了若干計算機編程與模型的實 踐環(huán)節(jié)，因此要求學生對先修課程金融計算機語言有熟練的掌握，需熟練使用 Python

6、、Matlab以及R語言，學生個人電腦中應安裝這三種軟件，便于完成隨堂、 課后作業(yè)。（五）教學中應注意的問題因為本課程是理論性非常強的學科，因此要求學生對前期知識掌握熟練，有綜 合運用前期知識的能力，學生學習該課程最終優(yōu)秀與否，取決于對前期課程知識的 把握和熟練應用程度，因此在教學中任課老師因重點關注那些先修課程成績不突出 的學生，避免這些學生因為前期基礎不扎實而掉隊，失去上課的熱情和積極性。三、各教學環(huán)節(jié)學時分配以表格方式表現(xiàn)各章節(jié)的學時分配，表格如下:教學課時分配廳P京P內谷講課實驗其他合計1第一章導論222第二章監(jiān)督學習導論223第三章貝葉斯決策理論224第四章參數(shù)模型與方法2135第五

7、章 多元模型與方法2246第六章降維技術2247第七章聚類分析2138第八章非參數(shù)方法2249第九章神經網絡22410第十章支持向量機理論44811第章隱馬爾可夫模型22412第十二章增強學習2213第十三章機器學習實驗的設計與分析4414第十四章科技金融與智能投資行業(yè)發(fā)展的機遇與挑戰(zhàn)2215第十五章人工智能與金融投資的道德倫理11合計321648四、教學內容第一章導論第一節(jié)機器學習理論簡介第二節(jié) 機器學習理論的應用.學習聯(lián)合.分類.回歸分析.無監(jiān)督學習.增強學習本章是關于機器學習理論的導論章節(jié)，重點介紹了機器學習理論研究的重點以 及機器學習理論目前主流的研究學派。教學難點與重點：讓學生了解機

8、器學習理論研究的主要研究任務和主要的三大 流派的研究方式、關注點是本章主要的講授重點。教學難點是讓學生理解機器學習 理論與統(tǒng)計學習理論的區(qū)別聯(lián)系，以及和統(tǒng)計學、計量經濟學的聯(lián)系和區(qū)別。課程的考核要求：復習思考題:.什么是機器學習理論？其研究焦點是什么？.簡述機器學習理論和統(tǒng)計學習理論的區(qū)別和聯(lián)系。.談談你對機器學習理論和計量經濟學聯(lián)系和區(qū)別的認識。.什么是監(jiān)督學習？什么是無監(jiān)督學習？什么是增強學習?第二章 監(jiān)督學習理論第一節(jié)監(jiān)督學習的基本術語與概念第二節(jié) Vapnik-Chervonenkis 空間第三節(jié)正確學習的可能近似思想第四節(jié)機器學習模型中的噪音問題第五節(jié)多類學習問題第六節(jié)回歸理論與監(jiān)督

9、學習理論第七節(jié)模型選擇與一般化問題第八節(jié)監(jiān)督學習模型的建模技巧監(jiān)督學習作為機器學習理論中三大學習理論流派之一，有較為成熟的理論基礎 和完整的研究體系，因此本章是本課程教授的重點章節(jié)之一，學生只有充分的理解 本章講授的知識才可為以后的學習打下堅實的基礎。本章主要系統(tǒng)的講授了監(jiān)督學 習的基本術語及相關概念，進而引入 Vapnik-Chervonenkis空間，然后和學生介紹 監(jiān)督學習問題研究研究場景，基于特定的研究場景展開討論。教學難點與重點：本章主要是讓學生了解和熟悉涉及監(jiān)督學習理論的專業(yè)術語， 并讓學生掌握和理解這些專業(yè)術語的含義。Vapnik-Chervonenkis 空間的概念是教學的難點

10、。課程的考核要求：掌握復習思考題:.什么是 Vapnik-Chervonenkis 空間？.簡述監(jiān)督學習的研究場景。.用你自己的語言闡述在監(jiān)督學習場景下，監(jiān)督學習模型一般能幫你完成什么 樣的工作？.什么是訓練集？什么是測試集？.簡述監(jiān)督學習模型的建模技巧。第三章貝葉斯決策理論第一節(jié)貝葉斯統(tǒng)計導論第二節(jié) 分類問題與貝葉斯決策第三節(jié)損失與風險第四節(jié)判別函數(shù)與關聯(lián)準則本章是一章重要的理論課程章節(jié)。因為主流的機器學習理論的理論分析框架是 構建在貝葉斯決策理論分析框架下，因此有必要將貝葉斯理論較為系統(tǒng)和全面的介 紹給學生，因此本章是整個課程的重點章節(jié)之一。教學難點與重點：介紹貝葉斯決策理論是本章的重點，

11、該章節(jié)有一定的理論難 度，要求學生有較好的統(tǒng)計學背景，貝葉斯決策理論中的損失與風險是授課的難點, 在教學中應做到理論與實際應用相結合，利用淺顯的案例說明復雜的統(tǒng)計學理論思 想，便于學生理解和掌握。課程的考核要求：掌握復習思考題：.簡述貝葉斯決策理論的基本思想。.簡述貝葉斯決策理論與分類問題的關系。.請用貝葉斯決策理論的思想簡述什么是損失函數(shù)？第四章參數(shù)模型與方法第一節(jié)參數(shù)模型的基本思想第二節(jié)極大似然估計.伯努力分布.多元正態(tài)分布第三節(jié)偏差與方差在估計量評估中的應用第四節(jié)貝葉斯估計量第五節(jié)參數(shù)分類方法與原理第六節(jié)回歸分析第七節(jié)模型復雜度研究第八節(jié)模型選擇的步驟本章也是本課程需要重點講授的章節(jié)之一

12、，涉及大量的統(tǒng)計學以及計量經濟學 的概念，但是因為學生已修過數(shù)理統(tǒng)計和計量經濟學相關課程，因此學生在接受本 章節(jié)的知識時應不陌生。可以認為本章是機器學習理論視角下人工智能科研人員對 回歸分析、參數(shù)估計等計量經濟學知識的思考。因此，本章的教學任務更多的是需 要引導學生思考為何計量經濟學和機器學習理論對同一模型（比如：回歸模型）有 不同的視角。教學難點與重點：本章節(jié)重點講授機器學習理論視角下的極大似然估計、貝葉 斯估計、回歸分析等模型。本章的難點是引導學生思考計量經濟學與機器學習理論 的區(qū)別和聯(lián)系課程的考核要求：掌握、應用復習思考題：1,什么是統(tǒng)計推論？什么是預測？.你上學期已學習過了計量經濟學，

13、這學期在本課程中又學習了回歸模型, 談談這兩門課講授回歸模型時的區(qū)別，以及你認為造成這種區(qū)別的原因是什么？.什么是貝葉斯估計？. 什么是BLUE?第五章多元模型與方法第一節(jié)多元數(shù)據結構第二節(jié)多元參數(shù)估計第三節(jié)缺失數(shù)據問題第四節(jié)多元正態(tài)分布與多元分類問題第五節(jié)模型復雜度問題研究第六節(jié)離散特征與多元回歸模型本章將上一章討論的單元問題拓展到多元問題，重點討論了多元參數(shù)估計問題、 數(shù)據缺失問題、多元分類問題、模型復雜度問題和當被解釋變量為離散變量時的分 類問題。教學難點與重點：重點講授多元分類問題、模型復雜度問題等問題。本章的難 點主要是讓學生理解模型復雜度的概念。課程的考核要求：了解復習思考題：1,

14、什么是模型復雜度？第六章降維技術第一節(jié) 無監(jiān)督學習導論第二節(jié)子集選擇問題第三節(jié)主成份分析法第四節(jié)特征嵌入第五節(jié)因子分析第六節(jié)奇異值分解與矩陣因子分解第七節(jié)多維縮放比例模型第八節(jié)線性判別式分析第九節(jié)典型相關分析第十節(jié)Isomap模型的原理與應用第十一節(jié)局部線性嵌入模型第十二節(jié)拉普拉斯特征圖模型本章主要講授了主流的數(shù)據榨取技術。數(shù)據榨取技術是大數(shù)據時代分析海量數(shù)據重要的技術手段，該技術的核心思想是“降維技術”，學生首先需要理解降維技術的應用場景以及主要的算法和理論。本章的第一和第二小節(jié)介紹了降維技術的基 本概念和相關術語。本章的第三至第十二節(jié)，共九節(jié)，每一節(jié)介紹了一種主流的降 維算法。教學難點與重

15、點：該章要求學生有扎實的線性代數(shù)和數(shù)理統(tǒng)計學基礎，本章節(jié) 重點講授九種降維技術。教學的難點是本章算法多、數(shù)理統(tǒng)計知識和線性代數(shù)知識 要求高，學生在學習中會有一定壓力，因此授課老師應注重理論和實驗相結合，幫 助學習理解和掌握這九種降維算法。課程的考核要求：掌握、應用復習思考題：. 什么是PCA舒么是SVD. 簡述PC所口 LDA的區(qū)別。.什么是CCA?么是偏最小二乘法？.偏最小二乘法與PCAB區(qū)別和聯(lián)系？.什么是Isomap?什么是LLE?fS述它們的區(qū)別和聯(lián)系。.什么是因子分析法？它和金融計量學和投資學中講授的因子分析是 一樣的嗎？.實證金融學中常提到的數(shù)據偵視(data scoping )概

16、念和人工智能研究人員 提到的數(shù)據挖掘(data mining )概念有什么區(qū)別和聯(lián)系？. 什么是 Laplacian Eigenmaps?第七章聚類分析第一節(jié)聚類分析導論第二節(jié)混合密度第三節(jié)K-均值聚類分析第四節(jié)EM算法入門第五節(jié)混合隱變量模型第六節(jié) 譜分析視角下的聚類分析第七節(jié)分層聚類模型第八節(jié) 聚類模型的優(yōu)勢與局限本章講授聚類分析，該理論是無監(jiān)督學習理論的重要組成部分，因此本章的知識是本課程的授課重點之一。教學難點與重點：本章重點講授 EM算法,EM算法除了在無監(jiān)督學習理論研究 中有大量的應用，該算法還是目前最主流的處理數(shù)據丟失的算法，因此學生需要重 點掌握EM算法的基本思想和推導流程。本

17、章的教學難點是該章知識點多、算法模 型多、若干概念相似度高。課程的考核要求：掌握、應用復習思考題：.什么是K-均值聚類分析？.什么是EM算法？ Ef么是E-step ?什么是 M-step?.簡述分層聚類模型的基本思想。第八章非參數(shù)方法第一節(jié)非參數(shù)方法簡介第二節(jié)非參密度估計.直方圖估計.核估計.k-近鄰估計第三節(jié)非參分類問題研究第四節(jié)近鄰分類模型第五節(jié)基于距離的分類模型第六節(jié)異常值檢測第七節(jié) 平滑模型與非參回歸.核平滑模型第八節(jié) 平滑參數(shù)的選擇問題研究本章主要介紹非參模型，前面的課程都關注于討論參數(shù)模型或半參模型。非參 模型也是計量經濟學理論研究的重點和熱點。本章重點介紹了主流的非參模型，然

18、后重點討論了非參思想在分類問題中的應用，然后以案例的形式討論了在利用非參 模型構建機器學習模型時應注意的問題和處理改進方法和思路。教學難點與重點：重點講授直方圖估計、核估計、k-近鄰估計、近鄰分類模型、非參回歸。教學的難點是讓學生在掌握模型的理論時能夠利用計算機進行編程，調 用相應的軟件工具包。課程的考核要求：了解、應用復習思考題：1,簡述直方圖估計、核估計、k-近鄰估計的區(qū)別和聯(lián)系。.什么是非參模型？什么是半參模型？什么事參數(shù)模型？請分別舉一個常見的 模型來說明。第九章神經網絡第一節(jié)神經網絡的基本思想和發(fā)展歷史1.神經網絡與腦科學2,并行計算與神經網絡模型第二節(jié)感知器與神經網絡第三節(jié)感知器的

19、訓練第四節(jié)布爾函數(shù)與神經網絡第五節(jié)多層感知器第六節(jié)全局近似器與多層感知器的聯(lián)系第七節(jié)反向傳播算法1.非線性回歸模型2,兩分組判別問題3.多分組判別問題4,多隱含層模型第八節(jié) 神經網絡的訓練步驟1,收斂問題以及改進方法2,過度擬合問題及討論.神經網絡的構建.綜合建議第九節(jié)神經網絡規(guī)模與調試第十節(jié) 貝葉斯視角下的神經網絡學習機制第十一節(jié)降維技術與神經網絡第十二節(jié)時間序列數(shù)據與神經網絡1.含時間遞延的神經網絡2,常返神經網絡模型第十三節(jié)深度學習理論初探本章是講授神經網絡理論的章節(jié)，是本課程非常重要的一個章節(jié)。神經網絡理 論目前人工智能行業(yè)最主流和常用的理論模型。該章節(jié)理論復雜，涉及概念較多， 是本課

20、程較難的一個章節(jié)。神經網絡理論已大量的應用在股票價格預測、信用風險 分析等金融領域，因此任課老師會配合具體的金融案例教授學生如何利用Python和R語言的神經網絡包進行建模，解決實際金融投資問題。教學難點與重點：本章概念較多，而且神經網絡理論本身就是一個跨學科的理論，往往要求學生具備一樣的心理學和腦科學知識，故對經濟管理類學生而言理解該理論會有一定的難度。本章重點介紹反向傳播算法，該算法是較為基礎的神經網絡模型，在學生熟練掌握了神經網絡理論的相關術語和建模理論后，開始重點介紹神經網絡的訓練步驟。本章另外一個教學難點是需引導學生熟練使用Python和R語言的神經網絡包進行建模，解決實際金融投資問

21、題。課程的考核要求：掌握、應用復習思考題：.什么是反向傳播算法？.傳統(tǒng)神經網絡的缺點和挑戰(zhàn)？.什么是深度學習網絡？.簡述貝葉斯視角下的神經網絡學習機制原理。第十章支持向量機理論第一節(jié)核方法理論與支持向量機第二節(jié)最優(yōu)分離超平面問題第三節(jié) 軟邊際超平面問題與不可分離問題第四節(jié) vSVM第五節(jié)核技巧第六節(jié)矢量化核與核的定義第七節(jié) 多核學習方法第八節(jié) 多分組核學習機第九節(jié)核學習機與回歸第十節(jié) 核學習機與排序第十一節(jié) 單組核學習機第十三節(jié) 大間隔近鄰分類器第十四節(jié)降為技術的核方法本章是機器學習理論課程授課中的重要授課章節(jié)之一。SVM理論在機器學習理論中占有非常重要的地位。本章系統(tǒng)和全面的講授了SVM!論

22、。SVM理論已大量的應用在股票價格預測、信用風險分析等金融領域，因此任課老師會配合具體的金融 案例教授學生如何利用 Python和R語言的SVM包進行建模，解決實際金融投資問 題。教學難點與重點：全面理解SVM!論需要學生理解核方法理論與支持向量機的 關系、最優(yōu)分離超平面問題和軟邊際超平面問題與不可分離問題，這些概念即是本 章的講授重點也是難點。本章另外一個教學難點是需引導學生熟練使用Python和R語言的SVMfe進行建模，解決實際金融投資問題。課程的考核要求：復習思考題：.什么是 “ kernel trick ” ?.什么是最優(yōu)分離超平面問題？.什么是軟邊際超平面問題與不可分離問題？. “

23、支持向量”的本質是什么意思？請畫圖說明。第十一章隱馬爾可夫模型第一節(jié)離散馬爾可夫過程第二節(jié)隱馬爾可夫模型原理.基本概念.建模步驟.參數(shù)估計問題本章主要介紹隱馬爾可夫模型，該模型已廣泛的應用于股票價格預測中，因此 學生有必要學習該模型。學習該模型對學生進一步深入學習高級量化交易課程將非 常有幫助。此外該模型的基本思想還大量的應用在經濟與金融學研究中，理解該模 型對學生學習研究生或博士課程都非常有幫助（比如：高級宏觀經濟學）。本章首先系統(tǒng)的介紹了馬爾可夫鏈以及馬爾可夫過程的基本原理、概念和相關術語，其中 包括馬爾可夫鏈的：周期性、遍歷性、常返性、可約性、反射性和吸收性進行介紹。 本章還將介紹隱馬爾

24、可夫模型與貝葉斯分析框架之間的聯(lián)系。教學難點與重點：馬爾可夫過程是一個非常重要的數(shù)學知識和概念，其大量的 應用在金融、經濟與人工智能學領域，而學生在大學四年中，并沒有哪一門系統(tǒng)的 介紹馬爾可夫過程，因此，本課程這一章節(jié)將成為彌補該“空白”的重要教學緩解。 因此，本章節(jié)也是本課程的授課重點之一。本章的重點是讓學生了解馬爾可夫鏈以 及馬爾可夫過程的基本原理、概念和相關術語。本章教學的難點是知識點多，而教 學時間較緊，因此需要求學生刻苦學習，在課前做好預習，課后做好復習，任課老 師也將給學生配備大量習題便于學生扎實掌握知識。課程的考核要求：掌握、應用復習思考題：.簡述馬爾可夫鏈中常返性和遍歷性的定義

25、和區(qū)別。.什么是可約性？什么是吸收性？.簡述HM城模原理。第十二章增強學習理論第一節(jié)增強學習理論的基本思想第二節(jié)動態(tài)最優(yōu)化理論第三節(jié)貝爾曼方程與動態(tài)規(guī)則第四節(jié)信函數(shù)與策略函數(shù)第五節(jié) 時間差分學習模型.勘探策略與開發(fā)策略.確定情形下的獎勵機制與行動準則.隨機情形下的獎勵機制與行動準則第六節(jié)部分觀測狀態(tài)模型.情景的設定與建模的假設.案例分析：老虎問題本章介紹了機器學習理論的第三大學習流派 -增強學習。該章節(jié)首先介紹了 增強學習研究的重點，重點討論該學習理論與監(jiān)督學習和無監(jiān)督學習的區(qū)別和聯(lián)系。 因為增強學習可以歸納為一個動態(tài)規(guī)則問題，因此本章系統(tǒng)的介紹了動態(tài)規(guī)則的基 本原理和貝爾曼方程的概念，在明確

26、了這些基本概念后，開始討論動態(tài)規(guī)則的一般 解法和步驟。增強學習理論來自于動態(tài)規(guī)則，但也有其若干自身特點，本章重點介 紹了時間差分學習模型，并結合一定的學習場景討論了增強學習理論的建模思路和 解決問題的思路。教學難點與重點：重點講授和推導動態(tài)規(guī)則，重點討論強化學習理論與監(jiān)督學 習和無監(jiān)督學習的區(qū)別和聯(lián)系。難點是介紹時間差分學習模型。課程的考核要求：了解復習思考題：.什么是貝爾曼方程?.什么是動態(tài)規(guī)則？.增強學習的主要研究對象是什么？它和監(jiān)督學習和無監(jiān)督學習的區(qū)別和聯(lián)系?.簡述勘探策略與開發(fā)策略的區(qū)別和聯(lián)系。.什么是時間差分學習模型？第十三章機器學習實驗的設計與分析第一節(jié)設計的建議第二節(jié)實驗的要素

27、、相應與策略第三節(jié)響應面設計第四節(jié)隨機試驗第五節(jié) 機器學習實驗的指導意見第六節(jié)交叉檢驗與再抽樣方法1.K-折交叉檢驗2.5 X2交叉驗證法3.Bootstrapping 在抽樣方法第七節(jié)分類器表現(xiàn)的評估策略與區(qū)間估計.區(qū)間估計與假設檢驗.統(tǒng)計推論與方差分析本章重點節(jié)介紹如何利用統(tǒng)計學方法構建機器學習實驗，并對設計結果進行分 析。該章要求學生具有較為扎實的統(tǒng)計知識和計量經濟學知識。教學難點與重點：重點介紹統(tǒng)計學的關于模型比較的方法。難點在于讓學生將 本學期所學的知識和前期的統(tǒng)計學、數(shù)理統(tǒng)計、計量經濟學的知識融會貫通。課程的考核要求：應用復習思考題：. 簡述AIC、BIC與Cross-valida

28、tion的同性和差異。.什么是過度擬合？.簡述K-折交叉檢驗的步驟。.簡述5X2交叉驗證法的實驗設計步驟。.簡述Bootstrapping再抽樣方法的原理。第十四章科技金融與智能投資行業(yè)發(fā)展的機遇與挑戰(zhàn)第一節(jié) 科技金融與智能投資的內涵和外延第二節(jié) 科技金融與智能投資的前沿科技介紹第三節(jié)國外科技金融與智能投資行業(yè)發(fā)展現(xiàn)狀第四節(jié)國內科技金融與智能投資行業(yè)發(fā)展現(xiàn)狀第五節(jié)科技金融與智能投資行業(yè)發(fā)展的機遇與挑戰(zhàn)本章主要是從產業(yè)經濟學視角,從行業(yè)與產業(yè)發(fā)展角度向學生介紹科技金融與 智能投資行業(yè)發(fā)展的機遇與挑戰(zhàn)。教學難點與重點：重點講授科技金融與智能投資的內涵和外延，并對科技金融 與智能投資的前沿科技進行介

29、紹，此外重點討論國內外科技金融與智能投資行業(yè)發(fā) 展現(xiàn)狀。課程的考核要求：了解復習思考題：.談談你對FinTech的理解。.簡述中國科技金融與智能投資行業(yè)發(fā)展的機遇與挑戰(zhàn)。第十五章人工智能與金融投資的道德倫理第一節(jié)人工智能的興起與傳統(tǒng)倫理的沖突第二節(jié)金融投資的道德倫理研究第三節(jié)倫理沖突與新時代的挑戰(zhàn)本章主要討論人工智能與金融投資的道德倫理問題，該課程主要以講座形式進 行，擬邀請倫理學研究的學者進行講座。教學難點與重點：人工智能的興起帶來對傳統(tǒng)道德倫理的挑戰(zhàn)，也對金融行業(yè) 的道德倫理與職業(yè)操守帶來的挑戰(zhàn)，這些前沿跨學科問題是講授的重點。課程的考核要求：了解復習思考題：.談談你對人工智能的興起與傳統(tǒng)倫理的沖突的看法和思考。.有人說“在智能時代，傳統(tǒng)金融行業(yè)即將沒落，將帶來大量的金融從業(yè)人員 的失業(yè)。”談談你對這種觀點的看法和思考。五、考核方式、成績評定本課程期末考試采取閉卷形式，全英文試卷，學生需自備CF試所認可的計算器作答，考試時間為120分鐘。期末考試成績占總成績的 60%平時成績占30% 平時成績包括：出勤5%平時作業(yè)成績15%課程設計10%本課程共有三次作業(yè)， 每次作業(yè)占總成績的 5%本課程有一個基于計算機編程的課程設計，該課程設計 占總成績的10%六