该项目聚焦金融数据分析与预测模型构建，通过真实市场数据处理实验，学员将掌握从基础算法到深度学习的完整技术栈。课程特别设置股票波动率预测专题，结合蒙特卡洛模拟方法进行实战演练。
Patrick教授学术背景：
牛津大学统计系终身教职，曾获该校杰出教学奖。普林斯顿大学运筹学博士，研究领域涵盖高维统计推断与优化算法。在机器学习会议NeurIPS发表论文12篇，开发的开源工具包被华尔街多家机构采用。
| 技术模块 | 实战案例 |
|---|---|
| 特征工程构建 | 标普500指数因子分析 |
| 集成学习应用 | 多空策略组合优化 |
| 时序预测模型 | 波动率曲面预测 |
往期学员研究成果多次发表于《Quantitative Finance》《Journal of Machine Learning Research》等国际期刊，部分创新算法已被纳入开源机器学习库。
要求申请者具备线性代数与概率统计基础，至少掌握Python或R语言编程。具有量化金融实习经历或数学建模竞赛获奖者优先考虑。课程提供预备学习资料包，包含必要的数据结构与算法复习材料。
