Python金融数据分析课程教改探究

魏梦婷（广州华商学院）

引言

在大数据时代，面对海量的数据，人工处理往往费时费力，且难以挖掘出有效的信息并进行分析。Python作为一门编程语言，相比于其他编程语言，比如 Java、C++等，其语法简单，具有丰富而强大的库，且Python编程对英语要求较低，可以满足不同人群在不同领域的需求。近年来，Python的应用越来越广泛，越来越多的院校开设了python类的课程。对于经济金融类专业的学生而言，不可避免要与数据打交道，数据分析成为经济金融类专业的学生学习和工作一项必不可少的技能。本文以广州华商学院为例分析Python在课程教学中存在的问题，并提出相应的对策措施，以提高该课程的教学质量。

一、Python金融数据分析课程介绍

在广州华商学院，Python金融数据分析课程主要针对经济金融类专业的学生。他们虽然有金融学基础知识，但是初次接触编程类语言，在编程和数据量化方面基础较差，所以在教材方面，选用了相对基础且容易上手的教材，即张俊红主编的《对比excel，轻松学习python数据分析》。Excel也可进行数据分析，且是学生非常熟悉的数据处理软件，只是python对于海量数据的处理的效果要明显优于excel，适用的场景更多，包括数据挖掘和办公自动化等。该教材会让学生从熟悉的excel操作中去学习对应的python实现，可以在一定程度上消除学生对于代码和编程的恐惧心理。该校实验室安装的是Anaconda，适合初学者编写代码，也能满足后续学生学习数据处理、分析以及可视化的需求。

二、Python金融数据分析课程教学中的问题

（一）课程难度较大

很多经济金融类专业学生基本没接触过编程，在代码的编写和运用上基础上欠佳。虽然在教材的选择上已尽量选取较为基础的教材，但学生仍然反馈课程难度较大，再加之有些学生英语基础不好，短时间内难以记住代码。虽然python对于英语的要求不太高，但是如果辅以单词记忆，会更方便学习。例如在讲解数据处理时，删除重复值的方法，但其实drop翻译为删掉，duplicate翻译为复制，所以数据处理中删除重复值，在python中要应用drop_duplicates()方法。当然，学生感觉课程难度较大，也可能跟个人精力有关。但不管怎么样，一旦学生有一节课没跟上老师的节奏时，后续再听讲时就会感觉比较吃力。

（二）课程安排不合理

Python金融数据分析课程共36学时，内容主要分为5大模块：python基础知识，numpy数组，pandas数据结构、金融数据获取、数据可视化。由于面向的是经济金融类专业的学生，所以在数据获取时着重讲宏观经济数据、公司基本面数据以及个股数据的获取。

在课程安排上，因为python金融数据分析课程偏向应用层面，偏向于数据处理、数据分析以及可视化，所以课程在讲解基础知识这一模块时，分配的课时会相对较少，导致学生学起来会觉得知识点琐碎，容易出现代码记不住、代码混淆等问题。在后续数据获取、数据处理和可视化等模块时不会灵活运用，不会改写代码，导致学习效果不好。

（三）教学方式单一，且学生主动性不足

Python金融数据分析是一门实验课，需要学生多动手实验操作，而课程学时较为紧张，每节课内容安排较为紧凑，且课堂教学模式较为单一，主要是教师控制学生电脑，演示教学，如果学生完全依靠课上听老师的讲解，不去实践操作，很难将课堂学到的知识真正吸收。比如在下载和安装anaconda上，有的学生就会出现各种报错：要么打开软件时出现闪退，要么安装时出现“管道已结束”等，这只有靠主动操作来解决，发现问题再来解决问题，然后融会贯通。另外，有些学生依赖性较强，当编写的代码出现问题报错时，第一想法不是去查看哪里报错，而是习惯性地举手问老师，比如提示“name‘x’is not defined”，每一个报错都会有提示，是变量没有定义，还是读取文件时路径的问题等。有些报错，学生是根据报错提示可以自己解决的，但如果学生习惯于寻求老师的帮助，主动性不足，学习的效果就会大打折扣。

（四）金融实战项目较少

Python金融数据分析课程的开设目标，是为了让经济金融专业的学生掌握基本的数据处理和分析方法，提高学生在金融行业的竞争力。但目前该课程安排是按模块来学习，实战项目比较少。比如学完各模块后，若想做客户价值分析，学生就没办法综合运用前面学到的知识。再加上目前该课程主要针对大三的学生，且其他科目也用不到python数据分析方法，学生学完之后没有后续的机会来解决现实问题，知识仅仅停留在学过这个层面，等到找工作时不能将python金融数据分析作为自己的技能，打击了学生学习积极性。

三、教学改革的举措

（一）课程安排合理化

Python金融数据分析，需要结合计算机编程、英语以及金融基础知识。由于经济金融专业学生的编程基础欠佳，在课程安排上可以让其先修python程序设计、金融学、大学英语等课程，再修python金融数据分析课程。同时，为了增加后续强化python运用的场景，可以适当开设一些数据分析与挖掘等课程。如此，能让学生在接触python金融数据分析这门课时前有python基础知识打底，后有数据分析与挖掘的运用，形成一个完整的教学体系。另外，由于有前期的python程序设计课程打底，在讲解python金融数据分析时就可以简化python基础知识这一模块，着重讲解金融数据的获取、分析以及可视化等。课程安排上也不会显得时间紧、任务重，让学生慢慢接触python，缓解学生的恐惧心理。

（二）采取线上和线下混合式教学模式

课程总学时为36学时，时间比较紧凑，需要学生课下也得花大量时间学习。针对实验课程特点，可以采取线上和线下混合式教学模式。

课前利用在线课程教学平台，如慕课等平台，设置课程的教学目标，发布教学资源，布置教学任务，指导学生进行课前预习；课中同时进行线下和线上上课；课下教师根据该节课的内容发布课后作业、课后测试等，如结合专业特点，以金融行业的案例作为分析对象，要求学生使用python进行数据处理和分析。另外，部分学生不习惯线下课堂与教师互动，则可通过线上平台，将不懂的问题及时反馈给教师，帮助教师了解学生的课堂掌握情况。通过线上和线下结合的混合式教学模式，可以及时搜集学生的课堂评价，根据学生反馈适时进行调整，体现“持续改进”的动态教学过程。

（三）采用分组的形式进行线下教学

以教师为主导进行讲授的教学方式，难以调动学生的积极性，学生初次接触程序设计，在实验操作中容易出现各种问题，不利于对专业知识的掌握。为了激发学生的学习热情，加强同学之间的沟通，采用以小组为单位的方式进行线下教学，组内成员互帮互助，对较复杂的金融实战项目，组内进行合作完成。每次实战项目成果包括组内成员遇到的问题、无法解决的难题、组内最终成果以及成员的代码等，由组长提交给教师。教师针对每组的共性问题及各组的个性问题进行点评与讲解。如此可以充分调动学生的积极性，通过组内相互交流合作和组外教师点评总结方式来加深学生对课程的理解和应用。

（四）增加金融实战项目

该课程主要针对经济金融类专业学生开设。这类专业的学生毕业后所从事的行业也基本是金融行业，与计算机相关专业学习的python数据分析课程相比，前者是为了培养具有数据素养和数据分析能力的金融复合型人才。所以在课程学习上，按照课程逻辑，在讲解了python基础知识后，增加金融实战项目，讲解如何利用Tushare库获取经济金融数据，如获取个股数据，获取货币供应量等宏观经济数据；结合pandas数据结构讲解如何将获取到的金融数据进行数据清洗和数据处理；讲解数据可视化以及如何进行相关量化金融分析，也可以增加其他实用性较强的金融实战项目，比如利用百度新闻数据搭建舆情监控系统；搭建邮件系统；批量下载上市公司的PDF文件公告等。学校可以了解目前金融行业的市场需求，进行校企合作，在提高学生的学习兴趣的同时，培养具有数据素养和数据分析能力的金融复合型人才。

（五）考核机制多样化

该课程属于考查课，在考查方式上相对较为灵活，可以选定以试卷、论文或者以提交实验报告方式进行考核等。目前，该校暂时以试卷的形式进行考核。这种方式能检验学生对于知识的掌握程度，但是Python金融数据分析不仅包括基础的语法知识，还涉及应用能力、金融数据分析能力，闭卷考核并不能全面考察学生的学习情况。后续可以采用多元化考核评价方式，课程总评成绩由平时成绩和期末考核成绩得出。平时成绩包括随堂测试、分组python项目实践作业、出勤与课堂表现成绩；期末考核可以采用以提交项目实验报告的形式完成，实验报告包括实验的思路、实验过程出现的问题以及解决方法、实验项目的最终成果以及项目完整代码。教师提供多个主题的数据集，如行业的个股数据，或者宏观基本面数据等，学生利用课程所学知识，完成数据导入导出、数据预处理、数据分析、数据可视化等操作，结合当前的经济金融数据，运用python技术方法，培养学生数据处理和分析能力的同时，提高经济金融类专业学生对于当前宏观经济金融形势的研判分析能力。

结语

在大数据时代，数据分析已成为学生学习和工作一项必备技能。Python金融数据分析课程旨在培养经济金融类专业的学生，满足市场需要，提高其在金融领域的竞争能力。目前，python金融数据分析课程在该校已相应完成了课程建设和教学实践探索，基本实现了预期培养目标，教学效果好。后续将针对教学反馈情况，与企业开展合作，进一步优化教学模式，丰富教学内容，增加金融实战项目，多元化考核机制，提高教学效果。