【专业介绍】当经济学遇见大数据：新加坡管理大学经济学数据科学硕士

在新加坡市中心，一栋被玻璃幕墙和连廊环绕的校园大楼里，数据像赤道热风一样昼夜流动。这里的新加坡管理大学（SMU）经济学院把"计量经济学、机器学习、分布式计算"装进同一个课表，开出全岛"经济学数据科学硕士"（Master of Data Science in Economics，简称 MDSE）。12-18 个月、15 个课程单元（CU），可一年加速，也可两年兼读；毕业前要把 Python、Spark、因果推断和真实行业数据全部写进一份可复查的 GitHub 简历。适合想把回归系数做成产品、把商业故事写成代码的人。
一、课程骨架：把"经济理论-分布式计算-伦理法规"压进同一条流水线
1. 基础单元（2 CU）——给跨界同学的热身跑道
数据科学概率论
用掷骰子讲条件概率，用保险赔付讲贝叶斯，结课作业是给"台风债券"算违约概率；
统计学习
从 t 检验到 LASSO，把偏差-方差折中画成漫画，代码用 Python/R 双语言同步。
2. 核心单元（6 CU）——必须刷完的"六边形战士"模块
应用因果推断
用双重差分测"地铁开通对房价影响"，把平行趋势检验写成可复现 Notebook；
经济与金融数据库
连接 Bloomberg API，把新加坡隔夜利率、美元指数拖进本地 PostgreSQL，再写 SQL 做特征拼表；
数据科学统计
用 Bootstrap 构造置信带，回测一条通货膨胀序列，结果可视化到交互式 Plotly；
机器学习在经济与金融
从随机森林到 XGBoost，用信用卡违约数据跑模型，再用 SHAP 解释为什么某人被判定高风险；
时间序列计量经济学
用 SARIMAX 预测电力需求，把节假日效应做成外生回归元；
大数据与分布式计算
在 AWS EMR 起 Spark 集群，把 2 亿行高频交易数据压成分区 Parquet，跑分布式回归。
3. 选修池（3 CU）——"十八般武艺"自由搭配
可选但不限于：高级机器学习、高频交易、空间计量、面板数据、复杂网络、云计算、多模态分析、科技经济学。每年滚动更新，学生可把"城市 POI 网络"与"碳价高频"混搭，也能把"文本情绪"与"宏观预测"拼接。
4. 开放单元（3 CU）——"把脚伸到行业"的三条路径
10-20 周实习：参与星展、Grab、新加坡交易所等真实项目，把客户给的交易或保单数据建成模型，写一份可落地报告；
Capstone 项目：与企业共创，近年题目举例——
《用卫星夜光预测区域经济衰退》
《基于图神经网络的供应链风险传染》
《零售高频数据下的通胀即时测度》
跨项目选课：可去金融硕士（MSc in Financial Economics）蹭课，例如"区块链与加密资产"，也可去商业信息技术硕士（MSc in Business IT）选修"云原生架构"。
5. 专业发展单元（1 CU）
全天式工作坊：Docker 容器、GitHub Pages 搭建、数据可视化叙事、量子机器学习入门、如何拿到数据科学工作——简历诊所与模拟面试轮番上阵，最后把作品集推到网上，供雇主点击。
二、时间编排：让"白昼实习"与"夜晚跑 Spark"无缝并行
8 月入学：秋学期 4 CU，冬学期 4 CU，次年春学期 4 CU + 实习/Capstone；12 个月可毕业；
1 月入学：冬学期 4 CU，夏学期 4 CU，秋学期 4 CU + 实习/Capstone；适合想趁年初换跑道的人；
Part-time 模式：每学期 1-3 CU，晚上或周六上课，最长 30 个月，公司报销学费的常见选择。
三、硬件与数据：把校园变成"可调用云端"
彭博与 Refinitiv 实时行情：12 台终端，学生可拉取全球股指、利率、商品、碳价；
AWS Academy 账号：EMR、SageMaker、Redshift 按需启停，课程作业要求把模型部署到云端；
校内 GPU 池：80 张 A100，支持大模型微调，学生账户默认 2 TB 对象存储；
行业数据沙盒：新加坡陆交局地铁刷卡、Grab 出行指数、企业信贷登记局（MLCB）个人信用脱敏样本——学生可申请回测，结果匿名发表。
四、产业接口：让"课程作业"与"客户 KPI"同场竞技
秋季"数据开放日"：企业把痛点贴在展板——
"如何 30 分钟完成百万张收据的商户分类？"
"能否用 AI 在 24 小时内找到异常交易？"
学生举牌组队，像 hackathon 抢单，期末交付模型，甲方现场打分；
春季"电梯路演日"：与新加坡绿色金融协会合作，学生需在 180 秒内把"碳价预测模型"讲成"商业故事"，优胜者常直接收到实习邀约。
近年合作名单：星展银行、新加坡交易所、Grab、瑞士再保险、新加坡气象局、Gojek、Shopee。
五、职业出口：让"经济数据科学家"成为可迁移的元标签
毕业流向（参考学校统计与校友反馈）大致如下：
银行与金融科技 35 %：风控、量化研究、 alternative data 岗位；
咨询与审计 20 %：经济咨询、数据审计、ESG 咨询；
保险与再保险 15 %：定价、准备金、巨灾建模；
科技平台 10 %：电商、出行、支付公司的数据科学岗；
继续读博 10 %：SMU、NUS、CityU、LSE、Duke；
其余 10 %：央行、监管机构、NGO、家族办公室。