學科交叉融合培養新時代金融人才

摘要：本文探討了如何將證券投資學的傳統金融理論與心理學、大數據結合的教育方法。通過對傳統經濟學的局限性分析，認識到多學科融合的必要性，尤其是在面對復雜市場環境時。文章進一步提出了模塊化教學的實踐導向，包括基礎理論的掌握、行為金融學的引入以及量化交易技術的應用，以此提高學生的市場分析與決策能力。

關鍵詞：學科交叉融合；人才培養；行為金融學；數據驅動

一、多學科融合的時代背景與需求

在全球經濟一體化和科技迅猛發展的背景下，金融市場變得更加復雜和動態。傳統的金融理論，主要基于理性經濟人的假設，雖為理解市場提供了基礎，但在應對日益復雜的市場行為和不確定性時表現出局限性[1]。這種局限性促使學術界尋求更加多元和交叉的學科視角，以更全面地解釋市場現象和制定有效的投資策略。此外，大數據和機器學習技術的應用在金融市場分析中變得越來越重要。它們通過挖掘海量數據提供精確的市場預測和風險評估。而現代經濟學和管理學對宏觀經濟、政策和企業管理的理解，為市場分析提供關鍵視角。

二、傳統與新興學科的結合

（一）傳統理論的局限性

證券投資學課程的基礎來自傳統經濟學和金融經濟學，特別是微觀經濟學中的理性經濟人假設。這一假設長期以來被視為傳統理論的前提條件，并廣泛用于課程中的基本面分析和投資決策模型，如均值—方差優化[2]。然而，歷史上多次出現的市場泡沫和崩盤事件表明，市場價格并不總是合理的，這挑戰了有效市場假說的普適性。另外，傳統的基本面分析方法，雖然關注公司的財務健康和盈利能力，但往往忽略了市場情緒和心理因素對價格的短期影響。基本面分析的局限性在于，它無法完全捕捉到市場信息的快速變化和投資者情緒的波動[3]。均值—方差優化模型假設投資者僅權衡收益與風險，但實際市場中風險和風險偏好的復雜性限制了模型的應用。

（二）交叉學科的必要性

在現代金融市場中，交叉學科的整合對于提升證券投資學的教學效果至關重要。統計學和機器學習提供了分析市場數據、識別模式和趨勢的工具，從而為市場預測和投資組合優化提供科學依據，使投資決策更精確和理性。此外，心理學的引入為理解投資者的非理性行為提供了新的視角。研究表明，投資者常常受到如過度自信、行為反射不適度以及羊群效應等心理偏差的影響，這些因素在市場波動和價格異常中起到關鍵作用[4]。

三、課程模塊化與實踐導向

（一）基礎理論模塊

在基礎理論模塊，主要針對金融市場基礎、證券工具以及市場微觀結構等方面的分析，在這一模塊，注重掌握證券投資的宏觀經濟分析，行業分析以及公司分析等基本分析方法[5]。學生將學習市場動態和金融工具在資本配置與風險管理中的作用，并通過技術分析如K線圖來識別市場趨勢和價格模式，分析歷史價格走勢、預測未來變化，從而學會從市場數據中提取信息。這些知識為深入分析金融市場奠定基礎。

（二）融入行為金融學

行為金融學是行為學和心理學在金融市場上的實際表現，當前的證券投資分析大多基于理性人的假說，然而真實的金融市場投資者其實是非理性的，存在許多影響投資者決策的因素比如損失厭惡、從眾心理等，了解這些因素對于實際分析金融市場尤其重要。以投資者投資情緒為例，當投資者投資熱情高漲時，對于股票的短期上漲更可能出現追漲的現象，對未來股市抱有樂觀的預期，相反，當投資者投資情緒低落時，對股票市場呈現悲觀狀態，這個時候即使出現一個股票的短期上漲也不足以完全引誘投資者投入資金。

（三）融入大數據和機器學習

在現代金融市場中，量化操作已經成為股市和基金等交易中廣泛應用的一種策略。這種交易方式的普及，尤其在機構投資者中表現得尤為明顯。在股市中，主力投資者往往是依靠量化交易策略的機構，通過運用復雜的算法和模型來執行交易。這些量化交易策略背后離不開大數據和機器學習的支持，這使得它們能夠從龐大的數據集中提取有價值的信息，以指導投資決策。

量化交易的一個顯著優勢在于其能夠最大限度地減少情緒因素對投資決策的影響。傳統的投資決策往往受到投資者的情緒波動影響，如過度自信、恐懼和從眾心理等，這些情緒容易導致非理性的市場行為。然而，量化交易基于數據驅動的決策過程，通過機器學習算法分析歷史數據、市場趨勢和其他相關指標，提供客觀的市場分析和預測。這種基于數據的交易方式能夠更準確地識別市場機會和風險，降低人為因素帶來的不確定性，從而提高投資決策的準確性和一致性。

四、數據分析驅動市場理解

（一）數據選擇

在變量的選擇上，鑒于本文研究股票市場對實體經濟的影響作用，對于股票市場的指標，選取的是上證綜合指數，對于實體經濟的指標，選取的是中證行業指數的五個行業，分別是原材料、能源、公共事業、信息技術和工業。經過初步篩選，保留了各指標2014年7月25日到2024年7月18日的數據。為消除異方差的影響，使各序列更好地反映實際情況，對各指數序列取自然對數，然后再將其轉換為對數收益率，具體計算方法為，其中，R表示在t時刻金融市場的對數收益率，Pt表示在t時刻的價格指數。

（二）描述性統計

指標選擇確定后，為了更好地體現數據特征以及理解和解釋數據，本文進行了描述性統計操作，表1為描述性統計的結果。根據表1可以看出，六個指標的對數收益率均值均為正，且都存在左偏的現象。峰度值顯示出上證綜合指數和公用事業行業指數存在尖峰的情況。標準差反映了不同類別數據的離散程度，其中信息技術類別的波動性較大。所有類別的ADF檢驗值均顯著平穩，表明這些數據在1%水平上顯著拒絕單位根假設。總體來看，各類別數據在波動性和分布特征上存在顯著差異，但整體上表現出穩定性。

（三）相關性分析

相關性熱力圖展示了上證綜合指數、原材料行業指數、能源行業指數、公用事業行業指數、信息技術行業指數和工業行業指數六個類別之間的相關性。相關系數值的范圍從-1到1，其中正值表示正相關，負值表示負相關，值越接近1或-1，相關性越強。顏色從淺到深表示相關性由弱到強，白為負相關，灰為正相關。

通過相關性熱力圖可以看出，上證綜合指數與各類別的相關性均為正，且與工業（0.917）、原材料（0.757）和信息技術（0.769）的相關性較高。這表明上證綜合指數與這些類別的變動方向一致，特別是與工業類別的關系最為密切。值得注意的是，能源行業指數與信息技術行業指數（-0.148）為負相關，顯示出能源行業與信息技術行業之間的走勢存在一定的反向關系。能源與公用事業的相關性為0.711，說明這兩個行業之間存在顯著的正相關關系。能源行業的波動可能直接影響到公用事業的發展，這可以認為是能源成本對公用事業運營會有直接影響。工業行業不僅與上證綜合相關性最高，還與原材料、公用事業、信息技術有較高的相關性，顯示出其在整體經濟中扮演著重要角色。

（四）回歸分析

為探究股市與實體經濟的聯系，本文對上證綜指與五大實體經濟指標（原材料、能源、公用事業、信息技術、工業）進行了回歸分析。這些分析旨在揭示各實體經濟指標對股市的具體影響，為投資和政策提供科學依據。

本文通過對上證綜合指數和其他五個中證行業指數構建單變量回歸模型，利用SPSS對這六個變量分別進行擬合，得到結果R2的數據如表2。根據表2可以看出，在所有行業中，工業行業的R2值最高，達到了0.825，表明模型對工業行業的數據有非常強的解釋能力，能夠解釋82.5%的數據變異。相比之下，能源行業的R2值最低，為0.575，盡管模型對能源行業的數據解釋能力相對較弱，但仍然能夠解釋57.5%的數據變異。總體來看，所有行業的模型在各個行業都有一定的解釋能力，尤其是在工業和原材料行業中，模型的擬合效果較好，解釋能力較強。

根據系數矩陣，得出上證綜合指數與其他五個中證行業指數的回歸方程如下：

1.上證綜合指數與原材料行業指數：y=0.871x1

2.上證綜合指數與能源行業指數：y=0.758x2

3.上證綜合指數與公用事業行業指數：y=0.784x3

4.上證綜合指數與信息技術行業指數：y=0.773x4

5.上證綜合指數與工業行業指數：y=0.908x5

回歸分析顯示，上證綜合指數與各行業指數之間存在顯著的線性關系。其中，工業行業指數與上證綜合指數的相關性最強，其回歸系數為0.908，表明上證綜合指數每變動一個單位，工業行業指數平均變動0.908個單位。而能源行業指數的回歸系數為0.758，是所有行業中最低的，這表明其與上證綜合指數的相關性相對較弱。總體來看，上證綜合指數對各行業指數的解釋力較強，但不同行業的敏感度有所差異，其中工業行業最為敏感，能源行業相對較低。

五、未來展望與成效

隨著全球金融市場的不斷演變和科技的快速發展，學科交叉融合在證券投資學中的應用將繼續深化、持續創新。通過深度學習算法和實時數據分析，投資者能夠更迅速地捕捉市場變化，并制定更加智能化的投資策略。此外，區塊鏈技術的應用有望提升交易的透明度和安全性，從而進一步推動金融市場的健康發展。

參考文獻：

[1]劉艷博．應用型本科證券投資學課程教學改革探析[J]．市場周刊（理論研究），2017（05）：170-171+155．

[2]馬甜．均值—方差模型理論及其在我國股票市場的應用[J]．財富時代，2022（01）：148-150．

[3]陳靜，張克雯．行為金融學視角下的證券投資行為研究[J]．中國管理信息化，2022，25（13）：155-157．

[4]周子琦．基于行為金融學的證券投資者行為分析[J]．投資與合作，2024（05）：37-39．

[5]王明國．基于應用創新能力培養的證券投資學課程多元立體化教學體系的建設探索[J]．商業會計，2017（03）：117-119．

｛基金項目：河北省2023年度創新創業類社會實踐課程建設立項（429“證券投資學”，冀教高函

〔2023〕86號）；東北大學秦皇島分校2022年課程思政示范項目（NO：2022KCSZ-B02）｝

（作者簡介：劉喆，東北大學秦皇島分校經濟學院講師；王屹凡、于晨浩，河北省秦皇島市東北大學秦皇島分校經濟學院；通訊作者：劉懿誠，東北大學秦皇島分校經濟學院）