南安普敦 MANG6605《金融中的人工智能》：100% 一个个人项目，压轴考模型治理

南安普敦 MANG6605《金融中的人工智能》是硕士 Level 7、Semester 1 模块：100% 一个个人项目，九个主题从数据工程排到负责任 AI，压轴是模型治理。

课程官网（学校官网）：https://www.southampton.ac.uk/courses/2026-27/modules/mang6605

MANG6605 是一门什么课？

一句话：用 AI 解决金融决策问题——从数据工程、监督与无监督学习、时间序列预测、自然语言处理，一路走到风险建模、组合管理、生成式 AI，最后收口在可解释与负责任的 AI。

这是南安普敦大学（University of Southampton）的硕士模块，课程代码 MANG6605，英文名 Artificial Intelligence in Finance，中文常译「金融中的人工智能」。学分 15 CATS / 7.5 ECTS，Level 7（研究生层级），Semester 1 开课，学年 2026-27，模块负责人 Renatas Kizys。

学校官网给的定位是：AI 正在改变金融机构分析数据、管理风险与做投资决策的方式；本模块介绍 AI 与机器学习在现代银行金融中的实际应用，聚焦预测建模、自然语言处理、组合管理与风险建模等关键方法，强调解释、伦理使用、运营考量与模型治理。

目标是：能设计、评估并沟通 AI 金融模型，掌握资管、银行、金融科技与监管机构日益需要的分析、技术与治理意识技能。

大纲九个主题：

1. 金融 AI 导论与数据工程
2. 金融中的监督学习
3. 金融中的无监督学习
4. 机器学习时间序列预测
5. 金融中的自然语言处理
6. 机器学习金融风险
7. 机器学习组合管理
8. 金融中的生成式 AI 与大语言模型
9. 金融中的负责任与可解释 AI（伦理使用、模型风险、偏差与可解释性）

九主题是「数据 → 方法 → 场景 → 治理」的链：前四项打地基、中间四项落场景、最后一项把伦理与可解释性收口。

治理是压轴主题，这正是它区别于纯技术 AI 课的地方——多数 AI 课上到「模型很准」就结束了，这门课要问「这个模型在受监管的金融场景里能不能用」。

实操以 Python 为主，可选统计软件包。

教学形式是交互讲授加引导式上机实验与工作坊，加项目式学习。每周一次 session，前半是结构化讲授（理论与金融语境），后半是动手实验；工作坊含分步编码练习与讨论。自主学习是必要组成——你需要完成一个整合全课方法、并反思性能、可解释性与治理的项目。

和国内金融科技课有什么不同？

最大的差别在重心：国内「金融科技／量化金融」课多以传统计量与因子模型为主、AI 只作专题；本课九个主题里 AI 方法占主体，传统计量作为对照系出现。

• 治理进大纲主线，不是点缀。 伦理使用、模型风险、偏差、可解释性与建模放在同一权重——国内同类课少有把模型治理写进主线。
• 考核是 100% 个人项目，且要求可复现。 真实金融数据加复现要求，配小组制的计划与方法论形成性反馈；国内同类课以期末笔试或机考为主。
• 「讲清楚」被写进成果。 要能向技术与非技术两类受众都说明结果，这不是软技能加分项，是学习成果。
• 每周都在动手。 一次 session 一半在上机，不做实验跟不下来。

考核怎么算？

Individual project（个人项目）占 100%。

三处完全同构：正式考核 100%、补考（Referral）100%、重修（Repeat）100%；Repeat type 为 Internal & External。

形成性（不计最终成绩）环节是 Project Plan and Methodology：

• 评估类型为 formative
• 反馈经 Blackboard 提供一组书面小组反馈，学生据此改进其个人正式考核作业
• 另提供面向全体学员的通用书面反馈，并在讲授中讨论
• Group Work: Yes
• 学校官网的 Final Assessment 栏留空——因此「这项形成性是否计入正式考核」，官网没有说明，本文不作断言

几点判断：

• 一个个人项目定成绩，三处同构。 项目的评分基因就是成果里的四要素：数据来源、建模选择、评估方法、关键局限——这四项缺一项，项目报告就有一块结构性缺口。
• 形成性计划环节是官方给的起跑校准。 小组制的项目计划与方法论，其书面反馈明说用于反哺个人项目——认真交计划并按反馈改，等于让老师提前帮你纠一次方向。
• 那栏留空要留意。 学校官网的 Final Assessment 栏留空，所以不能想当然认为形成性不计分或计分；按「不计最终成绩」的定性来准备是稳妥的，但具体口径建议向模块负责人确认一次。
• 补考与重修都是同一个个人项目。 没有换题型的余地，代码、数据与报告的能力本身决定结果。
• 越早启动，反馈轮次越多。 项目是全课方法的整合件，拖到期末就没有迭代空间。

先修要求是什么？

学校官网没有提及先修课程要求。

但内容预设两样东西：

• 基础统计与金融常识：收益率、风险度量这些概念要有直觉，否则「金融风险」「组合管理」两个主题会缺上下文。
• Python 入门：零编程的学生必须开课前自补，否则每周实验会持续掉队——这门课的实验不是演示，是当堂动手。

适合谁：

• 目标为量化分析、金融科技、风险管理、监管科技（RegTech）岗的学生——「懂金融＋会 AI＋有治理意识」正是这些岗位的三合一画像。
• 愿意每周动手写代码、用真实数据做项目的学生——每周一次 session 一半在上机。
• 对模型为什么不能随便用感兴趣的人——压轴主题会给你一套判断框架。

不太适合：

• 抗拒编程或只想谈 AI 概念的学生。100% 个人项目绕不开代码与数据。
• 只想要「调包跑出结果」的学生。这门课的评分重心恰恰在「结果之外」：数据来源、评估方法、局限与治理。

学完能做什么？

核心是四件事：能解释金融中主要 AI 与机器学习方法及其与传统计量模型的区别；能识别 AI 用于金融服务的伦理、法律与运营风险；能评估不同 AI 模型在金融情境中的性能、准确性与局限；能开发并清楚沟通可复现的 AI 金融分析。

学校官网的成果分三组：

• 知识与理解：解释金融中主要 AI 与机器学习方法及其与传统计量模型的区别；识别 AI 用于金融服务的伦理、法律与运营风险；评估不同模型在金融情境中的性能、准确性与局限。
• 专业智识与研究技能：开发并沟通 AI 金融分析，清楚到别人能复现——说明数据来源、建模选择、评估方法与关键局限；把合适的 AI 工具用于分析与解释金融数据；为预测、风险评估与组合决策设计并验证 AI 模型。
• 可迁移与通用技能：把课堂知识用于真实问题；经真实金融数据集的应用项目展示问题解决能力；向技术与非技术受众清晰沟通结果。

三组成果的核心词只有两个：「可复现」与「双受众沟通」。前者对应那四要素，后者对应两套英文文体——两个都直接进评分标准，不是「最好做到」。

能力上，你能为预测、风险评估与组合决策设计并验证 AI 模型，并写出可复现的分析。去向上，资管与银行的量化、数据岗，金融科技公司的模型岗，监管机构的模型审查方向直接对口。

一个「真实金融数据＋可复现＋带治理讨论」的项目作品，是量化金融岗面试里相当硬的技术证明。原因很简单：会调包的人多，能说清数据从哪来、为什么这样评估、模型什么时候不该用的人少。

难点与常见挂因

这门课是金融与编程双门槛叠加治理维度，而且全部成绩押在一个个人项目上。难在七件事：方法与场景要配对、评估要多维、可解释性与性能要权衡、可复现要守工程纪律、编程与金融两头都得补、真实数据要看懂字段、还要会分受众讲。

为什么中国学生容易在这里卡？

• 方法与场景的配对，比调模型难得多。 监督与无监督、时间序列、自然语言处理各对应哪些金融问题（选股、风险、舆情）——配错场景，再准的模型也没用。这门课考的是配对判断，不是把库调通；答题要先把场景特征写清，再谈方法。
• 评估是多维的，单一指标在金融语境不合格。 金融模型不能只看准确率：回测泄漏、样本外表现、稳健性都要过一遍。成果明写要评估性能、准确性与局限——只报一个指标，等于没评估。
• 可解释性与性能的权衡是压轴题。 模型风险、偏差、可解释性被放进同一个框架：一个更准但解释不了的模型，在受监管的金融场景可能恰恰不能用。论证这个取舍是评分的关键区分点，也是项目报告的必答题线。
• 可复现是工程纪律，不是一句口号。 数据来源、建模选择、评估方法、关键局限四要素缺一不可。做得出结果但别人复现不了的分析，在这条成果下直接失分——而工程习惯要从第一次实验就养起来，临时补不出来。
• 编程与金融是复合门槛。 每周实验用 Python 处理真实金融数据，代码不熟的学生金融理解再好也会被工具卡住进度。两头都要课后补，只补一头撑不过项目关。
• 真实金融数据的字段与语境是陌生的。 项目用真实数据集，欧美的市场结构、工具与字段（如期权链、信用数据）与国内不同。拿到数据不知道字段含义、不知道从哪开始清洗，是最常见的开局卡点。
• 模型治理的监管话语不会说。 伦理、法律与运营风险以及模型治理，是欧美监管语境的话语体系。讨论治理时只能喊「要公平」，说不出具体风险类型与缓解机制，这一块就写不出内容。
• 双受众沟通是两套文体。 向非技术听众满口术语，或者对技术听众讲不出方法细节——两种失败都很常见，而且是方向相反的失败。
• 现场编码节奏快。 前半讲授后半动手，听懂了但敲不过来，实验总是拖到课后，越积越多。

卡住之后会发生什么？

• 只调包不懂数据：项目里数据描述只有一句，评阅立刻看出没做过数据工作。
• 项目不可复现：换台机器跑不通，第三方无法按文档复跑。
• 治理维度缺失：分析里找不到模型风险与偏差讨论，压轴主题整块空缺。
• 评估只报一个指标：没有样本外检验与稳健性，评估段形同虚设。
• 计划反馈没用上：项目方向跑偏，到中期才发现要重做。
• 表达不分受众：摘要全是术语缩写，非技术读者读不懂。
• 实验长期欠账：当堂任务做不完，项目起步时连环境都不熟。

五处高频卡点

1. 方法—场景配对：先写场景特征，再选方法。
2. 多维评估：样本外、稳健性、局限三件套。
3. 可解释性与性能取舍：说清什么场景下不能用。
4. 可复现四要素：数据来源、建模选择、评估方法、关键局限。
5. 双受众表达：技术版与非技术版两套写法。

常见挂因与对应动作

• 只调包不懂数据。 机制：模型跑通但说不清数据来源与清洗。早期信号：项目里数据描述只有一句。怎么补：写全数据来源、时间跨度、清洗规则三段说明。
• 项目无可复现性。 机制：结果做得出别人复不出。早期信号：换台机器跑不通。怎么补：附环境说明与代码结构文档，第三方能按文档复跑。
• 治理维度缺失。 机制：项目只有模型没有伦理与风险评估。早期信号：分析里找不到模型风险与偏差讨论。怎么补：为模型补两页治理评估（风险类型＋缓解＋可解释性方案）。
• 评估只报一个指标。 机制：只有准确率没有稳健性。早期信号：评估段没有样本外检验。怎么补：补齐样本外表现、稳健性与局限讨论三件套。
• 计划反馈没用上。 机制：跳过形成性计划环节，项目方向跑偏。早期信号：小组计划敷衍或未交。怎么补：认真交计划并把书面反馈逐条落进个人项目。
• 表达不分受众。 机制：报告只写技术版，非技术读者读不懂。早期信号：摘要里全是术语缩写。怎么补：写双版摘要，非技术版零术语缩写。

留学生特别提醒

中国学生最容易在七处吃亏：Python 英文生态卡壳、金融机器学习术语中英错位、真实数据字段看不懂、治理话语只会喊公平、双受众表达不会切换、现场编码跟不上、只调包不懂数据。

• 开课前完成一个 Python 数据分析入门项目，并用英文记调试日志；能独立解决三个典型环境报错才算够。
• 把九个主题的术语做成「英文—定义—一个金融例子」三列卡；能不查笔记用英文解释监督与无监督学习的区别才算够。
• 开课两周内调通一个欧美市场数据源并做字段手册；能对任一字段说出业务含义才算够。
• 读两篇金融机构的 AI 治理报告并标注风险分类；能对一个模型说出两类风险加对应缓解才算够。
• 同一个分析写两版摘要（各 150 词，技术版与非技术版）；非技术版不含任何术语缩写才算够。
• 每周课前预装环境并预读代码骨架；能在课内完成至少七成实验任务才算够。
• 认真交形成性的项目计划，并把书面反馈逐条落进个人项目；能指出哪几条反馈改了哪一处才算够。

怎么准备？

准备的关键是三条：把 Python 环境与真实数据的处理流程先跑通、把九主题的术语与场景配对表先立起来、把项目的评估与治理模板先设计好。

• 环境先行：Python 数据科学习惯组合装好，用英文记调试日志，环境报错自己解决三个。
• 统计补底：收益率、风险度量、基础统计过一遍，金融风险与组合管理两个主题才接得住。
• 术语卡：九主题术语，每词配定义与一个金融例子。
• 数据源实操：两周内调通一个欧美市场数据源，做字段手册（字段名、含义、量纲、缺失情况）。
• 场景配对表：左列金融问题（选股、风险、舆情、组合），右列候选方法与前提条件。
• 评估三件套：样本外表现、稳健性检验、局限讨论——报告模板里先留好三节。
• 可复现四要素：数据来源、建模选择、评估方法、关键局限，报告开头就写清。
• 治理两页：风险类型、缓解机制、可解释性方案，给模型各写一份。
• 双版摘要：技术版与非技术版各 150 词，非技术版零缩写。
• 计划先行：形成性计划认真做，反馈逐条对应到项目改动。
• 实验预读：每周课前预装环境、预读代码骨架，课内至少完成七成任务。
• 早启动项目：项目是全课整合件，越早启动迭代轮次越多。

中英术语速查

• supervised learning —— 监督学习：用带标签数据训练模型。
• unsupervised learning —— 无监督学习：从无标签数据中发现结构。
• time series forecasting —— 时间序列预测：基于历史序列预测未来值。
• NLP (natural language processing) —— 自然语言处理：让机器理解与生成文本。
• LLM (large language model) —— 大语言模型：大规模文本训练的语言模型。
• generative AI —— 生成式 AI：能生成文本、图像等新内容的人工智能。
• portfolio management —— 组合管理：构建与调整投资组合的过程。
• risk modelling —— 风险建模：量化与预测金融风险的方法。
• explainable AI (XAI) —— 可解释 AI：让模型决策可被理解的方法。
• model risk —— 模型风险：模型错误或误用带来的损失风险。
• model governance —— 模型治理：对模型开发、验证与使用的管理机制。
• bias —— 偏差：模型系统性偏离真实关系的倾向。
• overfitting —— 过拟合：模型过度拟合训练数据而失去泛化能力。
• backtesting —— 回测：用历史数据检验策略或模型表现。
• data leakage —— 数据泄漏：训练时误用未来信息导致结果虚高。
• out-of-sample —— 样本外：未参与训练的数据上的表现。
• robustness —— 稳健性：结果对条件变化的不敏感程度。
• reproducibility —— 可复现性：他人能按说明复现结果的性质。
• feature engineering —— 特征工程：构造与选择模型输入变量。
• RegTech —— 监管科技：服务于合规与监管的技术。
• portfolio optimisation —— 组合优化：在约束下求最优配置。
• evaluation metrics —— 评估指标：衡量模型表现的标准。

关于我们

鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：

辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。

护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。

学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。

课程官网与核对说明

课程官网（学校官网）：https://www.southampton.ac.uk/courses/2026-27/modules/mang6605

本文涉及学校、模块代码、学分、层级、学期、学年、模块负责人、课程定位、九项主题、教学与实验安排、Python 实操工具、考核结构（个人项目 100% 三处同构、Repeat type Internal & External、形成性项目计划与方法论含小组反馈）、先修说明与三组学习成果的事实，均来自上述学校官网模块页；核对时间为 2026-10-30。文中「与国内课程差异、先修判断、难点、适合谁、怎么准备、学完能力」等属于基于课程内容的分析与学习建议，不代表学校官方要求；该模块资源与书单学校官网未提及，形成性环节的 Final Assessment 栏官网留空，具体口径请向模块负责人确认。

← 学业指南首页课程库