CFA知識體系融入“AI+X”微專業的課程體系建設研究

關鍵詞：CFA知識體系；職業教育；學歷教育；融合式教學

1 國內外研究現狀述評

我國在大數據人才培養領域發展迅速，截至2022 年12月，共有440所高校設立了大數據與人工智能類本科專業。目前國內高校主要采用“1+N”的科教融合模式，其中“1”代表大數據基礎科學研究平臺，“N”是依托院校具有的優勢資源和學科，以此來構建以大數據應用研究與開發為支撐的科學研究體系。例如，中南大學以醫學大數據與教育大數據作為示范體系，武漢大學以信號處理等方向為目標融合方向。2021年11月，Communications of the ACM 期刊以“AI+X Micro-Program Fosters Interdisciplinary Skills in China”為題，刊發了浙江大學吳飛教授、何欽銘教授和吳超研究員的論文，全面介紹了“AI+X”微專業創新性一流交叉人才的培養方案[1]，為融合領域提供了新思路。吳飛（2023） 教授提出了以知識點為中心的“AI+X”微專業建設方案，并介紹了以教材、課程及平臺三位一體的微專業建設實踐[2]，為微專業的建設提供了理論基礎。

在“新文科，新財經”背景下，涌現了多樣化的“AI+金融”融合方法，然而在實際中大數據學科培養體系中通常約三分之一為數學等通識教育，三分之一為計算機專業教育，剩余三分之一為目標融合專業的課時，導致該方向的課時相對不足。對應用型財經類高校而言，特色專業與計算機學科重合較少，使得分配至特色領域的課時更加緊張。因此，探索金融大數據人才培養的新途徑和新模式十分必要。受職業教育課程體系高密度知識點特征啟發，職業教育融合學歷教育的方法備受關注。馬莉（2015） 研究了CFA課程融入我國金融學本科學歷教育的方法，分析了我國學歷教育與職業教育融合過程中形成的“滲入”和“植入”兩種教學模式，認為我國學歷教育與職業教育雖然各有利弊，但不存在孰優孰劣的問題，若處理好多種關系將更有助于提升兩種教育的融合效果[3]。朱旭強（2017） 分析了將CFA內容引入金融學專業的方案，并通過合理的實踐取得了一定的成效[4]。金素（2019） 研究了南京審計大學金融學（CFA） 專業的培養模式，認為在原有金融專業人才培養方案中引入CFA課程體系，能夠從適應職場工作要求的角度出發，是一種可行且有價值的培養模式選擇路徑[5]。

當前，持續性探索大數據人才培養的新途徑和新模式，構筑人工智能發展培養資源力量，才能推動人工智能領域人才培養的學習革命。

2 相關概念介紹

2.1 CFA 知識體系介紹

CFA考試一共分為3個等級，其中3級聚集于投資組合的策略與管理，與大數據專業重疊較少，故在此不做討論。1級與2級各包含10門科目，知識結構總體相似，所以本文以2019—2023年的1、2級考綱為基準，具體知識架構歸納見表1。

2.2 大數據專業的知識體系的介紹

大數據專業與計算機科學與技術、軟件工程等學科不同，學生不僅需要掌握計算方法和工具，還需要對數據本身的現象和規律、數據管理和處理的基礎理論，以及數據管理方法的整個生命周期有足夠的認識。因此，這一學科具有獨特的基礎和內涵。大數據專業的課程體系除了必修的數學、統計學以及計算機軟硬件的基礎知識外，其余課程知識點往往對應著具體的工作崗位，具體關系如表2所示。

3 CFA 與大數據專業知識點的連接

CFA課程體系不僅介紹了多樣化金融產品的基本概念，還關注定價、估值和投資組合配置的設計。它與大數據課程的聯系主要在于數值分析和算法方面，但與軟件設計和運維等方向的交叉相對較少。因此，本節在數據挖掘、數據建模和算法設計的三個模塊中建立了金融學知識點與大數據知識點之間的橋梁。

3.1 數據挖掘與資產分析

在研究某種金融工具時，除了在宏觀層面上討論該工具在投資中的作用，還需要挖掘其數值特征。因此，在金融資產分析的過程中，數據挖掘的知識成為不可或缺的一部分。表3列舉了在金融資產特征分析中使用到的數據挖掘知識點。

3.2 數據建模與定價估值

在金融資產的定價與估值過程中（不包括私募股權、地產投資等另類投資品，此處主要針對絕對估值法），常常會運用數據建模中的常用方法。其中，絕對估值法的核心是現金流貼現模型，可以通過循環語句和條件判斷語句來進行計算。數據建模與定價估值的知識點鏈接如表4所示。

3.3 算法設計與投資組合

投資組合配置與管理主要包含兩種形式，第一是基于資產大類的投資組合配置，工作流程及其知識點連接歸納為表5。

第二種投資組合配置方式是基于金融資產背后的風險敞口進行配置。首先需要確定每種資產的風險敞口，將具有相似風險的資產歸為一類。與資產面的配置方法相比，這種方法可以更有效地實現資產分散化。具體而言，權益類資產和固定收益資產的風險是通過敏感系數Beta和久期（Duration） 進行測量。權益資產的預期收益與市場風險溢價回歸分析可以得到Beta值，而債券價格與利率變化的百分比回歸分析可以得到久期。在這里，本文將使用統計學中的多元回歸方法進行計算。

4 分析與思考

大數據技術是一門理論與實踐并重的應用型專業學科。當與金融領域融合時，其知識體系主要體現在數據獲取、處理和分析等模塊。然而，它與操作系統、計算機硬件、網絡等方面的交叉相對較少。因此，在設計融合式教學課程體系時，重點放在了前者。實踐課程可以模擬數據項目中的各個融合環節，建立各科目知識點之間的聯系，幫助理論知識得以實際應用。大數據實際項目中主要任務的各個環節具體如表6所示。

實踐課程應該包含大量的案例項目作為支持。這些案例項目可以以主線為基準，擴展與各知識點相關的內容，形成多個小型案例。這些案例可以安排在專業課的實驗部分，例如金融數據采集實驗、金融大數據可視化實驗、金融數據預處理實驗等。這些實驗可以在專業課的課時內完成，并計入過程性考核的一部分。將這些小案例連接起來，可以形成綜合性的獨立實訓課程，例如金融數據挖掘實踐、機器學習在金融中的應用綜合實踐、Python量化投資等。通過這樣的設計體系，學生可以在實踐中盡可能地還原真實的工作場景，從而幫助他們更好地適應畢業后的工作崗位。

5 結束語

本文利用職業教育課程體系中精簡知識點的特點，將高濃度的知識點進行梳理和拆分，得到碎片化的知識點，并將其融入“AI+X”的微專業中，以解決“X”領域的復雜問題。具體而言，本文首先介紹了CFA一級和二級的知識體系，以及大數據專業課程，并匹配了它們的相應知識點，將兩套知識體系進行融合。最終，得出以下結論：

1） 大數據專業與金融學的知識點交叉主要體現在數據采集、處理、統計和分析方面，而與計算機軟件、網絡等知識點的交叉較少。因此，設計融合式課程體系的重點主要集中在前者。

2） 實踐應用案例可以以大數據實際應用項目的主線任務為基礎展開，每個環節的應用小實驗可以作為專業課的實際部分，并計入過程性考核成績。

3） 將大數據應用項目的多個環節組合形成一個獨立的綜合實訓課程。

本文提出了一種通過建立知識點橋梁的方法來構建實踐課程的方案，為促進學科交叉融合和產教協同，建立人工智能一流人才培養模式提供了新的思路。