CFA知识体系融入“AI+X”微专业的课程体系建设研究

关键词：CFA知识体系；职业教育；学历教育；融合式教学

1 国内外研究现状述评

我国在大数据人才培养领域发展迅速，截至2022 年12月，共有440所高校设立了大数据与人工智能类本科专业。目前国内高校主要采用“1+N”的科教融合模式，其中“1”代表大数据基础科学研究平台，“N”是依托院校具有的优势资源和学科，以此来构建以大数据应用研究与开发为支撑的科学研究体系。例如，中南大学以医学大数据与教育大数据作为示范体系，武汉大学以信号处理等方向为目标融合方向。2021年11月，Communications of the ACM 期刊以“AI+X Micro-Program Fosters Interdisciplinary Skills in China”为题，刊发了浙江大学吴飞教授、何钦铭教授和吴超研究员的论文，全面介绍了“AI+X”微专业创新性一流交叉人才的培养方案[1]，为融合领域提供了新思路。吴飞（2023） 教授提出了以知识点为中心的“AI+X”微专业建设方案，并介绍了以教材、课程及平台三位一体的微专业建设实践[2]，为微专业的建设提供了理论基础。

在“新文科，新财经”背景下，涌现了多样化的“AI+金融”融合方法，然而在实际中大数据学科培养体系中通常约三分之一为数学等通识教育，三分之一为计算机专业教育，剩余三分之一为目标融合专业的课时，导致该方向的课时相对不足。对应用型财经类高校而言，特色专业与计算机学科重合较少，使得分配至特色领域的课时更加紧张。因此，探索金融大数据人才培养的新途径和新模式十分必要。受职业教育课程体系高密度知识点特征启发，职业教育融合学历教育的方法备受关注。马莉（2015） 研究了CFA课程融入我国金融学本科学历教育的方法，分析了我国学历教育与职业教育融合过程中形成的“渗入”和“植入”两种教学模式，认为我国学历教育与职业教育虽然各有利弊，但不存在孰优孰劣的问题，若处理好多种关系将更有助于提升两种教育的融合效果[3]。朱旭强（2017） 分析了将CFA内容引入金融学专业的方案，并通过合理的实践取得了一定的成效[4]。金素（2019） 研究了南京审计大学金融学（CFA） 专业的培养模式，认为在原有金融专业人才培养方案中引入CFA课程体系，能够从适应职场工作要求的角度出发，是一种可行且有价值的培养模式选择路径[5]。

当前，持续性探索大数据人才培养的新途径和新模式，构筑人工智能发展培养资源力量，才能推动人工智能领域人才培养的学习革命。

2 相关概念介绍

2.1 CFA 知识体系介绍

CFA考试一共分为3个等级，其中3级聚集于投资组合的策略与管理，与大数据专业重叠较少，故在此不做讨论。1级与2级各包含10门科目，知识结构总体相似，所以本文以2019—2023年的1、2级考纲为基准，具体知识架构归纳见表1。

2.2 大数据专业的知识体系的介绍

大数据专业与计算机科学与技术、软件工程等学科不同，学生不仅需要掌握计算方法和工具，还需要对数据本身的现象和规律、数据管理和处理的基础理论，以及数据管理方法的整个生命周期有足够的认识。因此，这一学科具有独特的基础和内涵。大数据专业的课程体系除了必修的数学、统计学以及计算机软硬件的基础知识外，其余课程知识点往往对应着具体的工作岗位，具体关系如表2所示。

3 CFA 与大数据专业知识点的连接

CFA课程体系不仅介绍了多样化金融产品的基本概念，还关注定价、估值和投资组合配置的设计。它与大数据课程的联系主要在于数值分析和算法方面，但与软件设计和运维等方向的交叉相对较少。因此，本节在数据挖掘、数据建模和算法设计的三个模块中建立了金融学知识点与大数据知识点之间的桥梁。

3.1 数据挖掘与资产分析

在研究某种金融工具时，除了在宏观层面上讨论该工具在投资中的作用，还需要挖掘其数值特征。因此，在金融资产分析的过程中，数据挖掘的知识成为不可或缺的一部分。表3列举了在金融资产特征分析中使用到的数据挖掘知识点。

3.2 数据建模与定价估值

在金融资产的定价与估值过程中（不包括私募股权、地产投资等另类投资品，此处主要针对绝对估值法），常常会运用数据建模中的常用方法。其中，绝对估值法的核心是现金流贴现模型，可以通过循环语句和条件判断语句来进行计算。数据建模与定价估值的知识点链接如表4所示。

3.3 算法设计与投资组合

投资组合配置与管理主要包含两种形式，第一是基于资产大类的投资组合配置，工作流程及其知识点连接归纳为表5。

第二种投资组合配置方式是基于金融资产背后的风险敞口进行配置。首先需要确定每种资产的风险敞口，将具有相似风险的资产归为一类。与资产面的配置方法相比，这种方法可以更有效地实现资产分散化。具体而言，权益类资产和固定收益资产的风险是通过敏感系数Beta和久期（Duration） 进行测量。权益资产的预期收益与市场风险溢价回归分析可以得到Beta值，而债券价格与利率变化的百分比回归分析可以得到久期。在这里，本文将使用统计学中的多元回归方法进行计算。

4 分析与思考

大数据技术是一门理论与实践并重的应用型专业学科。当与金融领域融合时，其知识体系主要体现在数据获取、处理和分析等模块。然而，它与操作系统、计算机硬件、网络等方面的交叉相对较少。因此，在设计融合式教学课程体系时，重点放在了前者。实践课程可以模拟数据项目中的各个融合环节，建立各科目知识点之间的联系，帮助理论知识得以实际应用。大数据实际项目中主要任务的各个环节具体如表6所示。

实践课程应该包含大量的案例项目作为支持。这些案例项目可以以主线为基准，扩展与各知识点相关的内容，形成多个小型案例。这些案例可以安排在专业课的实验部分，例如金融数据采集实验、金融大数据可视化实验、金融数据预处理实验等。这些实验可以在专业课的课时内完成，并计入过程性考核的一部分。将这些小案例连接起来，可以形成综合性的独立实训课程，例如金融数据挖掘实践、机器学习在金融中的应用综合实践、Python量化投资等。通过这样的设计体系，学生可以在实践中尽可能地还原真实的工作场景，从而帮助他们更好地适应毕业后的工作岗位。

5 结束语

本文利用职业教育课程体系中精简知识点的特点，将高浓度的知识点进行梳理和拆分，得到碎片化的知识点，并将其融入“AI+X”的微专业中，以解决“X”领域的复杂问题。具体而言，本文首先介绍了CFA一级和二级的知识体系，以及大数据专业课程，并匹配了它们的相应知识点，将两套知识体系进行融合。最终，得出以下结论：

1） 大数据专业与金融学的知识点交叉主要体现在数据采集、处理、统计和分析方面，而与计算机软件、网络等知识点的交叉较少。因此，设计融合式课程体系的重点主要集中在前者。

2） 实践应用案例可以以大数据实际应用项目的主线任务为基础展开，每个环节的应用小实验可以作为专业课的实际部分，并计入过程性考核成绩。

3） 将大数据应用项目的多个环节组合形成一个独立的综合实训课程。

本文提出了一种通过建立知识点桥梁的方法来构建实践课程的方案，为促进学科交叉融合和产教协同，建立人工智能一流人才培养模式提供了新的思路。