课题简介
随着金融市场的不断演变和数据量的急剧增长，机器学习技术已成为金融科技领域的核心驱动力。作为一种能够处理大规模 多样性数据并从中学习出隐藏模式的技术，机器学习在金融市场预测 信用评分 风险管理 智能投顾等多个方面展现出了强大的应用潜力。尤其是在市场预测和量化交易中，机器学习方法不仅能够高效处理历史数据，发现复杂的非线性关系，还可以动态适应市场变化，为投资者提供更加智能化和精准化的决策支持。
然而，机器学习在金融领域的应用也面临着诸多挑战。金融数据通常具有噪声高 非线性 时变性强的特点，同时容易受到外部事件的干扰，使得单纯依赖传统机器学习模型难以满足实际需求。因此，如何结合金融领域的专业知识，设计更为合理的模型结构和特征工程，并利用最新的深度学习 大型语言模型（LLMs） 多模态融合 强化学习等技术，是当前研究和应用的核心问题。
本课程旨在全面探索机器学习在金融市场预测与量化交易中的前沿知识和实践方法。课程将从金融领域的实际问题出发，聚焦于多种AI技术在金融建模过程中的深度融合与交叉应用，深入讲解如何利用深度学习模型（如LSTM Transformer等）进行时间序列预测，如何通过自然语言处理（NLP）技术分析金融文本信息，如何结合结构化数据 文本数据与图形式的数据开展多源信息建模，如何基于滚动优化机制实现投资组合的动态配置，以及如何应用大型语言模型（LLMs）构建具备推理与交互能力的智能金融决策系统。
导师介绍
【学校/研究方向】
博士毕业于国内顶尖财经类高校，现任上海某财经高校副教授，同时担任智能金融研究中心高级研究员。长期致力于人工智能与金融的交叉研究，在金融市场建模 智能预测与量化交易等领域具有深厚积累
【科研与项目经历】
已发表SCI EI论文数十篇，包括研究成果多次应用于实际金融预测与智能投研场景中。主持多个中央与地方合作项目，积极参与国家自然科学基金等国家级科研课题
【指导经验】
指导本科生 研究生在国家级赛事中多次获奖。指导学生中稿SCI/EI论文多篇，具备丰富的科研训练与学术论文指导经验
【指导优势】
注重从基础出发，循序渐进 由浅入深地引导学生理解研究问题。通过举一反三的方法，深入剖析论文的核心创新点，并帮助学生形成系统化的研究思维与总结能力，注重科研规范与学术表达能力的培养
可选创新点
（1）大语言模型在金融建模中的角色构建，并模拟投资者行为进行市场决策 SCI 1-2区
（2）针对金融中的时序数据+文本+图结构提出自适应模态融合策略 SCI 1-2区
（3）构建结构化行情 文本舆情与图表示相结合的多源金融输入框架，实现趋势预测 情绪识别与风险预警等多任务协同建模 SCI 1-2区
（4）提出基于市场状态动态调整的组合优化滚动策略 SCI 1-2区
课程亮点
（1）系统性与完备性
（2）循序渐进的学习路径
（3）适应性强，面向不同学习层次
（4）高效的研究可迁移性
（5）前沿技术与应用实践相结合
（6）强调实验和实战能力培养
（7）丰富的创新思维与Idea分享
（8）答疑形式多样