吴克坤

• Email: kkwu#zuel.edu.cn (Pls replace # with @)
• Wechat:

系统提升：

• 自主研究能力
• 跨学科能力
• 使用AI辅助研、学能力

“基础+LLMs辅助探索+分享汇报”教学模式

• 教师：快速讲授核心概念、方法、原理、逻辑（50%课时）
• 学生：分组探讨（40%学时）+分享汇报（10%学时）
  • 问题导向
  • 自由探索
  • AI辅助

1. 讲授阶段：做“延迟摘录”
   • 只记录自己“听不懂”或“想要深挖”的点，标序号（Q1、Q2…）。
   • 课后再用 LLMs 或教材补缺。
2. 选题前：写“一页纸提案”
   • 明确：①金融场景与目标变量；②可获得的数据源；③预期用到的算法 1–2 个；④评估指标。
   • 组内成员达成一致，避免“想到哪做到哪”。
3. Prompt 设计：遵循 P.A.R. 模板
   • P（Problem）一句话描述任务；
   • A（Action）告诉 LLM 要做什么，如“给出 Python 代码并解释每行”；
   • R（Requirement）列出限制，如“使用 sklearn、不调用私有 API”。
   • 保存所有 prompt 与回复，汇报时展示 2–3 个代表性示例。
4. 代码验证三步走
   1. 先在极小样本（10 行）上跑通流程；
   2. 打开 `warnings`、打印维度，确认数据流正确；
   3. 交叉验证或留出法，再看训练/测试差距是否异常。
5. 组内分工但“交叉备份”
   • A 负责数据清洗，B 负责建模，C 负责可视化 & 汇报。
   • 每人至少能独立复现另一个成员的工作 —— 交叉检查能显著减少汇报前的“翻车”。
6. 善用金融解释而非只报分数
   • 讲清楚特征/因子为什么对收益或风险有意义；
   • 当模型性能提升有限时，尝试用残差分析找业务角度的改进。
7. 引用与合规
   • 复制粘贴代码块时在注释里标明来源（URL 或 GPT-4）。
   • 不得上传包含个人隐私或商业敏感的原始数据到公共 LLM；必要时先脱敏或取样。
8. 反思与复盘
   • 汇报后 24 h 内，每人写 150 字“踩坑记录”：最难的问题、解决思路、下次如何做得更好。

教学计划可能根据教学情况调整

# 课程教学内容与预期成果表

• 平时表现：30%
  • 主动参与课堂活动（满足基本的质量要求）
    • 一次：60分
    • 两次：85分
    • 三次：100分
  • 被动参与课堂活动：
    • 满足基本的质量要求每次10分
    • 不满足基本的质量要求：每次5分
• 课程展示：30%
  • 体现创新性
  • 通过百度网盘提交
• 课程报告：40%
  • 体现高阶性、挑战度
  • 在AI辅助下解决一个金融（工程）问题（学术/非学术）

1. TBA
2. DDLs：
   1. 确定分组选题：wk9 (Tue)
   2. 中期：TBA
   3. 提交：wk17 (Sat)