金融大数据复合型人才培养模式研究

刘芳 吴炎太

[摘    要] 随着我国金融产业步入大数据时代，对金融大数据人才培养提出了新的要求。针对目前金融大数据人才培养挑战和存在问题，基于金融大数据人才需求进行探索，构建金融大数据复合型人才培养模式，从培养课程体系、培养模式、培养模式运行机制以及培养模式评价体系四个方面进行人才培养改革，从而培养具有金融大数据思维和实践能力的人才。

[关键词] 金融大数据;人才培养;教育学

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2019. 19. 085

[中图分类号] G420    [文献标识码]  A      [文章编号]  1673 - 0194（2019）19- 0198- 05

1      引    言

近年来，中国经济走向新常态，越来越多的金融产业正在步入大数据时代。大数据具有体量巨大（Volume）、变化速度快（Velocity）、类型繁多（Variety）、数据真实（Velocity）四个方面的特点。预计2017-2022年，中国金融行业大数据应用市场规模年均复合增长率为55.21%，到2022年，达到497亿元。在银行、证券等产业中受到追捧，通过大数据的分析，可以挖掘更有价值的信息。

大数据开启了一次重大的时代转型，与此同时，国家和越来越多的企業家开始重视金融大数据，探索金融大数据的机遇与挑战。

国务院于 2016 年 1 月颁布的《推进普惠金融发展规划（2016 ～ 2020 年 ）》中直接提到“鼓励金融机构运用大数据、云计算等新兴信息技术，打造互联网金融服务平台”[1]。工信部2016年12月发布的《大数据产业发展的规划（2016-2020年）》选取重点大数据的业务行业领域，包括金融行业[2]。网易金融CEO王一栋在2016年在中国移动互联网创新趋势峰会上表示“大数据引领互联网金融发展”[3]。百度金融负责人沈抖在2016年畅想金融

科技的未来十年上表示“金融科技要有大数据，更要把数据用好”[4]。蚂蚁金服副总裁漆远在2016年指出“金融大数据的后台价值”[5]。京东金融副总裁曹鹏在2017年中国AI金融。探路者峰会上指出“京东金融依靠大数据”[6]。负责人朱立强在2017年中国未来金融峰会上指出“腾讯沉淀了丰富的数据，有了大数据基础，再配合强大的云计算能力，我们会创造更多的产品，为合作伙伴提供金融云服务支持，为合作伙伴降本增效，助力金融行业创新”[7]。陆金所联席董事长兼CEO计葵生在第十一届中国（深圳）私募基金高峰论坛上表示“如果金融科技要做得好，有四个核心，其中一个核心是大数据，让客户能做比较和帮助其做好的投资选择”[8]。

金融产业的快速发展，对金融大数据人才培养提出了新的要求。国家及众多国内领军企业内部展开对金融大数据的研究。高校作为培养人才的重要基地，具有肩负着培养人才向社会输出的重任，广东金融学院作为地方性金融类院校，如何顺应广州市、广东省乃至全国金融大数据发展需要，培养出具有创新精神和实践能力的金融大数据复合型人才，是当前我校教育改革中需要重点探索和研究的对象。我们在“互联网金融”专业设置了金融大数据方向，对金融大数据方向的课程设置进行了研究和实践。改革现有的金融人才培养体系，突破传统教育教学方法，顺应金融大数据时代，培养金融大数据复合型人才是非常重要的。

目前，针对金融业大数据的高速发展及对人才的需求，国内外高校对金融大数据人才培养已经有了应对模式，下面就国外和国内的模式展开探讨。

（1）国外模式：从国外院校金融人才培养模式来看，日本在金融人才培养模式上教育适应金融市场的要求，尤其是立足于微观经济主体对金融人才的需求。日本的“产学合作”模式也在金融专业人才的教育模式上得到体现，具体有行业向学校投资、金融企业和学校在师资上相互交替、企业委派远程培训项目等，促进了金融人才的培养;美国在金融人才培养上更加注重培养商业领导所应具备的素质，强调对金融市场的理解，拥有活跃的思维能力等内容，并设置了董事会制度，这样的教育体系和制度促进了金融教育的发展;新加坡在金融人才培养上注重了金融与企业的渗透，增加了企业金融、中小企业融资、证券投资学等课程，培养金融人才目标呈现多元化、复合化的趋势。除了日本的“产学合作”模式、美国的“合作教育”模式外，还有英国“工读交替”模式、德国的“双元制”模式及澳大利亚的“TAFE”模式。

（2）国内模式：近年来，国内院校逐渐在增强金融人才培养意识。中山大学在2016年成立移动互联网与金融大数据实验室，注重理论和实际应用的研究。西南交通大学在2014年成立金融大数据研究院，主要利用金融大数据和机器学习来专注股票预测及投资策略推荐研究。2016年6月，清华大学与网易金融就智能金融和大数据领域展开战略合作关系，促进金融领域的发展。2016年8月， 科大—磐众金融大数据联合实验室成立，用于研究大数据在金融领域的发展与应用。2016年12月，上海财经大学参与成立“苏州金融大数据实验室”，通过产学研合作，成为科研和人才培养基地。2017年5月，上海外国语大学成立大数据金融研究中心，以金融领域大数据应用为主要研究。2017年11月，上海大数据金融创新中心在复旦大学成立，致力于大数据驱动下的金融创新提供智力支撑、平台服务和人才输出。2017年11月，“大数据驱动金融创新论坛”在河北金融学院举行，围绕大数据和金融展开讨论，为金融人才培养、大数据及人工智能在金融领域提供新观点。

广东金融学院作为地方性金融类院校，学校践行“金融为根、育人为本、应用为先、创新为范”的办学理念，以满足社会和行业需求和培养金融类人才为根本任务，主动融入广东，为社会和行业发展培养了一大批复合型金融人才，具有创新精神和实践能力的复合型人才，取得了较好的办学效果。2016年学校已经建立了“金融信息工程省级实验教学示范中心”，目前已经启动“金融大数据产教融合实验实训中心”项目的建设，该项目计划投资2.34亿元。这些都为金融大数据人才培养模式改革提供了重要的途径。

地方高校要改变观念，主动加强金融大数据复合型人才的培养目标、培养规格、培养方案、科教融合和产教融合的配套制度和运行机制。我们提出金融大数据复合型人才培养模式，它具有整合教学资源、拓展学生思维视野、促进教学深入及推进科教融合和产教融合的优势，促进学生的主体学习、主动学习，让学生具有知识迁移和持续学习的能力。开展金融大数据复合型人才培养模式探索，具有重要的理论意义和现实意义。

2      金融大数据人才培养挑战

当前，随着越来越多的金融产业进入大数据时代，对应的金融大数据人才需要适应大数据为金融带来的价值，具体表现为：

信用评估方面，银行等公司利用大数据对客户进行合理分析，进而提高风险管理水平;精准营销方面，蚂蚁金服等公司通过对用户有关的金融大数据挖掘，以便为用户提供相应的产品及服务，进行预测和推荐;产品创新上，银行等公司利用大数据对客户进行分析，确定用户的喜好，进而实现产品创新。

这一系列在金融行业中大数据的价值对金融大数据人才培养提出了新的挑战：金融大数据课程体系挑战：如何在现有的专业课程中添加大数据相关的课程，实现跨学科内容交叉学习，提升专业知识水平;金融大数据培养模式的挑战：如何设置合理的培养模式，促进金融大数据人才更好地科教融合、产教融合;金融大数据培养模式运行机制的挑战：如何构建运行机制，保障金融大数据复合型人才顺利实施;金融大数据培养模式评价体系的挑战：如何进行质量监督，及时调整学生学习方式。

金融产业表现出高增长态势，中国的经济进入新常态;近年来该领域接连涌现出区块链、云计算、人工智能等新技术，将对金融产业及生活带来重大变化，如何培养金融大数据人才是亟待探索的课题。

3      金融大数据人才培养存在的问题

当前，随着越来越多的金融产业快速发展，对应金融大数据人才需要适应大数据时代的要求，目前我国地方本科院校金融大数据人才的培养存在很多弊端，具体表现为以下几方面。

3.1   金融大数据人才培养目标和模式定位不明确

中国经济走向新常态，中国金融行业大数据应用市场规模不断扩大，国家、高校和企业开始重视金融大数据，迫切需要金融大数据人才。但目前金融大数据人才培养目标尚未明确、培养模式尚未确定、科教融合和产教融合机制尚未健全。

3.2   科教融合、产教融合的知识结构和培养方案有待建立

目前国内高等教育体系中科教融合、产教融合培养模式和配套机制不成熟。比如产教融合没有很好地与企业对接，造成人才培养与企业需求脱节。这不利于本科金融大数据人才的培养。

3.3   配套制度和体系不完善

与科教融合和产教融合相配套的管理制度和运行机制不完善，比如没有相应的政府优惠政策等因素，从而导致了企业没有积极参与到学校的人才培养过程中。这些对金融大数据人才的培养是非常关键的一部分。

4      产教融合的教育学理论基础与培养目标

党的十九大报告中指出[9]，深化产教融合，促进教育链、人才链与产业链、創新链有机衔接，是建设创新型国家必须解决好的重要问题，产教融合需要充分发挥大学与企业这两个核心要素的作用。办公厅《关于深化产教融合的若干意见》中明确指出，深化产教融合的主要目标是健全多元办学体制，全面推行校企协同育人[10]。走向产教深度融合的大道，才能走向人才培养的大道，才能回应习近平总书记提出的“我们对高等教育的需要比以往任何时候都更加迫切，对科学知识和卓越人才的渴求比以往任何时候都更加强烈”的要求[11]。产教融合可以培养出适应产业发展的满意人才，校企合作是必由之路，也是“双赢”之路。

校企合作注重实践应用的能力，在产教融合过程中有利于培养满足企业需求的满意人才。现有国内高等教育理论中，对面向产教融合的金融大数据人才培养的理论研究与培养目标较为欠缺。为更好适应金融时代快速发展，推动相关教育教学改革，我们在现有教育学理论基础与培养目标上进行了相关探索。

4.1   教育学理论

在培养基于产教融合的金融大数据人才过程中，研究与改革工作需遵循教育学相关规律。在教育学理论中有一些关于实践的重要性，这也是高校与企业进行产教融合的理论基础。

学习金字塔[12]：学习金字塔是由爱德加·戴尔1946年发现并提出的学习成效教育理论，通过采用不同的学习方式可以记住知识的多少以百分率呈现出来，通过上课得到的知识只能保存百分之五，阅读、音频、演示、讨论组等依次增加，通过练习操作实践知识可以保存百分之七十五，具有最好的效果。

情境学习[13]：情境学习是由美国加利福尼亚大学伯克利分校的让·莱夫（Jean Lave）教授和独立研究者爱丁纳·温格于1990年前后提出的一种学习方式，认为在知识实际应用的真实情境中学习知识，把学与用结合起来，让学习者进行思考和实践。该学习方式本质是参与真实的实践。

探究学习[14]： 该理论是由施瓦布在1961提出的一种学习方式。通过学生积极主动参与，在科学理论指导下，运用科学的方法对问题进行研究，在研究过程中获得创新实践能力、获得思维发展，自主构建知识体系的一种学习方式。学习的其中一个特点是学生是主动的，且有很多亲身实践的训练。

4.2   培养目标

在培养基于产教融合的金融大数据人才过程中，学生在整个培养环节中，通过学校和企业两个主体理论知识与实践练习有机结合，学生最终达到知识迁移学习和持续学习的能力。

迁移学习[15]：人类具有知识迁移的能力，当学会了一项本领后，再去学习另外一项相关的本领就会容易很多。在产教融合实施过程中，学生在学校学习的理论知识可以迁移到公司项目的开展中，在公司实践应用过程中学到的知识可以迁移到学校书本，加深知识的理解。在整个过程中，学生的理论知识与实践能力不断得到提高，有利于学生的思维拓展。

构建金融大数据复合型人才培养模式，从培养课程体系、培养模式、培养模式运行机制以及培养模式评价体系四个方面进行培养，提升学生的金融大数据思维和实践能力，培养适应企业的满意人才。

主要参考文献

[1]韦雨声. 大数据在金融行业的应用和发展[J]. 现代经济信息， 2017（24）.

[2][作者不详]. 工信部印发大数据产业“十三五”发展规划[J]. 现代电信科技， 2017（1）.

[3]网易科技.网易金融王一栋：大数据引领互联网金融[EB/OL].http：//tech.163.com/16/0606/03/BORKRUES00097U7R.html.

[4]金融界.百度沈抖：金融科技要有大数据 更要把数据用好[EB/OL].http：//www.techweb.com.cn/column/2016-11-24/2438770.shtml.

[5]第1财经.蚂蚁金服副总裁漆远：金融全链条上的大数据智能[EB/OL].http：//www.yicai.com/news/5021873.html.

[6]CCTIME飞象网.京東金融依靠大数据及人工智能领域 获得业内高度认可[EB/OL].http：//www.cctime.com/html/2017-10-25/1330711.htm.

[7]新浪科技.腾讯金融云朱立强：金融行业“上云”，需求最大的是银行[EB/OL].http：//tech.sina.com.cn/roll/2017-08-06/doc-ifyitayr9087707.shtml.

[8]新浪科技.陆金所计葵生：金融科技成功的四大核心[EB/OL].http：//tech.sina.com.cn/i/2017-03-22/doc-ifycnpvh5249958.shtml.

[9]夏建国. 深化产教融合 加快建设高水平工程应用型大学[J]. 中国高等教育， 2018（2）：25-26.

[10]牟延林. 产教融合2.0时代的办学型态[J]. 中国高等教育， 2018（2）：22.

[11]岳晓辰. 协同创新理念下河北大学建设一流大学对策研究[D].保定：河北大学， 2017.

[12]Dale E. Audiovisual Methods in Teaching[M].Orlando，FL：The Dryden Press，1969.

[13]Lave J，Wenger E. Situated learning： Legitimate Peripheral Participation[J]. Man， 1991， 29（2）：167-182.

[14]徐学福.探究学习的内涵辨析[J].教育科学，2002（3）：33-36.

[15]Pan S J， Yang Q. A Survey on Transfer Learning[J]. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）：1345-1359.

[16]Ruvolo P， Eaton E. ELLA：an Efficient Lifelong Learning Algorithm[C]//International Conference on Machine Learning，2013：507-515.