（课程代码：14818）

《金融数据挖掘》课程实践性环节是《金融数据挖掘》课程教学的重要组成部分，是帮助学生理解、巩固和应用金融数据挖掘基础理论，培养学生的实践技能、独立工作能力和科学研究方法的重要环节。《金融数据挖掘》课程实践性环节的考核，是指对学生的课程实践项目掌握程度及实践操作水平的考核。

一、实践目的

通过实践教学，帮助学生更深刻地领会金融数据挖掘理论与方法；指导学生获取金融领域相关数据，利用数据挖掘技术和金融分析工具对金融数据进行处理与分析，根据分析结果编写数据分析报告；使学生在学习和工作中能运用金融数据挖掘方法深入了解市场趋势、风险预测及决策支持，进而解决实际金融问题。

二、实践项目

项目一：股票价格数据分析，分析某只股票的历史价格走势。

1.从公开数据源（如Yahoo Finance）获取某只股票的历史数据。

2.绘制该股票的历史收盘价格走势图，分析其涨跌趋势。

3.将获取的数据存储为CSV 文件，以便后续分析使用。

项目二：金融数据的基本统计分析，分析某金融资产的收益率，计算基本统计量。

1.从公开数据源获取某只股票的历史价格数据。

2.计算股票的日收益率，并对收益率进行基本统计分析（如均值、标准差、最大值、最小值等）。

3.将统计分析结果存储为CSV 文件，方便后续查看和分享。

项目三：银行客户群体分析，根据银行客户的账户余额分析客户群体。

1.创建模拟的银行客户数据集，包含客户的账户余额。

2.根据账户余额将客户分为不同的群体（如高、中、低余额客户）。

3.存储客户数据为CSV 文件，便于进一步分析和存档。

项目四：贷款违约率分析，计算某地区或银行的贷款违约率。

1.创建模拟的贷款数据集，包含贷款金额、违约标记。

2.计算违约客户的比例，分析违约率与贷款金额的关系。

3.存储数据为CSV 文件，方便后续查看和使用。

项目五：债券收益率计算，计算债券的年化收益率。

1.假设某债券的购买价格、面值和到期年数，创建模拟债券数据集。

2.使用债券的购买价格和面值计算年化收益率（Yield to Maturity, YTM）。

3.将债券数据存储为CSV 文件，便于存档和后续分析。

项目六：简易中文金融文本分析，分析中文金融新闻的正面或负面情感。

1.创建一个模拟的中文金融新闻数据集，包含新闻文本。

2.使用情感分析工具对每篇新闻的情感进行分析，判断新闻是正面、负面还是中性。

3.将新闻分析结果存储为CSV 文件，方便进一步分析和存档。

三、实践的基本要求

1.学生应能够将实际的金融问题（如股票价格波动、贷款违约等）转化为数据分析问题，利用简单的统计分析方法（如计算均值、标准差、回归分析）来分析数据，解决实际问题；

2.学生应熟悉Python 编程环境，掌握基本的金融数据分析方法，能够使用 Python 和常见的分析库（如 pandas、matplotlib）进行数据处理与可视化，并能够对分析结果进行合理解释，撰写简单的分析报告。

四、必读参考书目

刘鹏，高中强,Python金融大数据挖掘与分析,机械工业出版社,2022年。

五、考核目标、内容、方法

（一）考核目标：

考核成绩将反映学生在金融数据挖掘课程中的基本掌握程度，特别是数据处理、简单分析和模型建立的能力。通过实践项目，学生能够运用Python工具分析基本金融数据，理解数据背后的趋势和规律，能够进行简单的预测与报告撰写。

（二）考核内容：

1.基础金融数据分析

a)数据清洗：对金融数据进行简单处理，去除缺失值或异常值，确保数据质量。

b)基本统计分析：计算并解释基本统计量，如均值、标准差、最大值和最小值，分析金融数据的基本特征。

c)简单可视化：使用图表（如柱状图、折线图）展示股票价格、利率等数据的变化趋势。

2.简单时间序列分析

a)数据处理：将金融数据按时间顺序排序，并进行简单的趋势分析。

b)简单预测：使用简单的移动平均法或线性趋势预测法，对股票价格或其他金融数据进行短期预测。

3.基础回归分析

a)线性回归：使用简单的线性回归模型，分析一个变量（如股票价格）与另一个变量（如交易量、利率等）之间的关系。

b)回归结果解读：解释回归模型中的关键结果，如回归系数和R²值。

4.简单分类分析

a)信用评分分类：使用简单的逻辑回归或决策树模型，根据客户信息（如收入、贷款历史等）预测客户是否会违约。

b)模型评估：评估分类模型的准确性，了解模型是否能够有效区分不同的金融风险。

5.报告撰写与结果解释

a)报告撰写：根据数据分析结果，写出简短的报告，解释分析过程和结论，使用图表支持报告内容。

（三）考核方法：

考核采取上机操作方式，学生根据给定的数据和要求，利用Python进行操作，得出分析结果。最后教师阅卷得出学生的成绩。