昨天，陈老师的一个本科毕业生问到了我一个问题，因为他硕士专业是人工智能与科技赋能金融学，但我非常清楚，孩子的本科主要是学习的机械工程和车辆制造相关的专业，跟金融+计算机/数据完全不交叉呀，但既然问到了我，那借助我曾经的投行工作经验，和带学生的经验，浅浅地给孩子分析了建议了一下。这专业的特点，不是纯理论金融，重点是用AI、机器学习、大数据做金融分析、量化、风控、资产定价。
对于无商科学习背景的我的这位学生来说，他有较明显的短板：本科零金融、零经济学基础，需要分三大块补齐：经济学基础 → 金融学基础 → 数据/编程基础。看起来没多少内容，但学习和执行起来得花好几个月时间。
优先学最刚需内容，不要深挖学术理论，以“够用、能看懂硕士课程课件、能上手编程”为目标，不用像金融本科那样完整读四年。
一、经济学基础
目标：搞懂基础术语、基础逻辑，看得懂金融新闻、课程里的经济模型
1、微观经济学原理，对供需、弹性、市场结构、效用、风险与不确定性有框架的了解和概念。
✅ 以上述为基础，再重点掌握：风险、机会成本、供需均衡等
2、宏观经济学原理：GDP、通胀、利率、货币政策、汇率。学习和理解政府如何调控利率、利率和资产价格关系等。
二、金融学
来不及啃厚教材，抓主要总结和概念性的内容，这是硕士课的地基
基础概念必须吃透，比如货币的时间价值（TVM）、现值PV、终值FV、折现率、现金流、资产风险与收益、债券、股票、资产组合、分散化、CAPM资本资产定价模型、衍生品基础（期货/期权简单概念）。
在此基础上，补充财务基础知识：学会看懂不那么负责的资产负债表、利润表，明白营收、净利润、现金流。很多AI金融项目会涉及财报数据建模。
三、数学 & 编程 / AI基础（这个专业的重头戏，交叉项目非常需要基础）
这个方向名字带人工智能，编程和数据分析能力，甚至比纯金融理论更重要
数学
概率论与数理统计：概率、期望、方差、正态分布、假设检验、相关性、回归。（机器学习、金融建模必备）
基础线性代数：向量、矩阵等。
如果有微积分基础，上手会轻松很多。
编程（比如Python）
Python基础语法：变量、循环、函数。numpy，pandas（数据处理），matplotlib可视化
进阶：简单统计学回归模型，学会用sklearn跑基础机器学习模型（线性回归、逻辑回归）
金融场景实操：用pandas导入金融时间序列数据（股价）、计算收益率。
得先了解，用机器学习工具处理金融数据的初衷和作用。
四、软性准备（提升能力&入学后适应）
小型实践项目：比如获取公开股票数据，用Python做数据清洗、计算收益率、相关性分析
简单项目：用线性回归预测资产收益率，写简短项目报告等。了解金融AI落地场景：量化交易、信用风控、智能投顾、反欺诈、舆情分析。
可以看一些行业报告（毕马威、麦肯锡金融科技报告）或者上市公司公告。
五、建议入学前小半年预习
第1阶段（1–4周）：微观+宏观经济学，建立经济思维
第2阶段（5–10周）：金融学基础+会计基础，背诵金融术语
第3阶段（11–20周）：概率论+Python+金融数据分析项目
最后阶段：复盘，阅读金融科技/AI金融行业案例
六、避坑提醒
❌ 不要一上来啃高级金融教材（衍生品、高级投资学），零基础直接看会劝退，这些是硕士课堂内容。
❌ 不要花大量时间钻研深度学习神经网络理论，这个项目偏金融应用，不是计算机硕士。
微信扫一扫
.png)
