第一节：Python与人工智能

本节的阅读与操作路径

学习这门课时，建议把每一次代码运行都看成一次“金融分析流程”的训练：问题是否清楚，数据是否可靠，计算是否正确，解释是否稳妥。

1. 为什么金融学习需要 Python

金融问题经常不是一道孤立的计算题，而是一组连续任务：收集数据、整理变量、计算指标、画图比较、估计模型、解释结果。只要数据稍微复杂一点，完全依靠手工操作就容易出错，也很难复现。

例如，研究“一个城市的普惠金融水平是否改善”时，不能只看某一年的一个分数。更合理的做法是读取多个年份的城市指数，检查城市名称和年份是否一致，计算变化幅度，画出趋势图，再结合地区经济背景进行解释。Python 能帮助你把这些步骤写清楚。

再如，分析小微信贷时，不能只看“贷款利息收入”。还要考虑违约概率、违约损失率、客户现金流稳定性、行业周期和授信规模。Python 的作用是把这些因素变成可计算、可比较的指标；但指标是否合理，需要金融知识来判断。

2. Python、人工智能和金融判断的分工

很多初学者会把 Python、人工智能、机器学习、ChatGPT、Trae、Cursor 混在一起。分清它们的角色，后面学习会更稳。

一个实用原则：Python 负责“把步骤执行出来”，AI 负责“帮助理解和改进步骤”，你负责“提出问题、判断假设、解释结果、承担责任”。

3. 先用一个生活例子理解 AI 伴学

把 AI 当作“伴学工具”，不是把作业扔给它。可以用学开车来理解：教练可以提醒你哪里操作错了，也可以示范一次，但方向盘最终要由你自己控制。如果每次都让教练替你开，短期看似省力，长期一定学不会。

学习中可以经常问自己三个问题：第一，我是否能不用 AI 说清楚题目要解决什么金融问题；第二，我是否能解释代码中每个变量的含义；第三，AI 给出答案后，我是否能判断答案哪里可能不可靠。如果三个问题都答不上来，就说明 AI 已经从“伴学”变成了“替学”。

4. 一个最小的金融计算例子

先看一个很小的例子。假设有一笔小微信贷：贷款金额 10 万元，年利率 6%，预计违约概率 8%，违约后的损失比例 45%。现在要计算利息收入、预期损失和预期收益。

# 一个小微信贷的最简单计算例子
loan_amount = 100000       # 贷款金额：100000 元
annual_rate = 0.06         # 年利率：6%
default_probability = 0.08 # 预计违约概率：8%
loss_given_default = 0.45  # 违约后的损失比例：45%

interest_income = loan_amount * annual_rate
expected_loss = loan_amount * default_probability * loss_given_default
expected_profit = interest_income - expected_loss

print("利息收入:", interest_income)
print("预期损失:", expected_loss)
print("预期收益:", expected_profit)

1. 先看输入。前四行不是“随便写几个数字”，而是金融假设。贷款金额、利率、违约概率和违约损失率决定了后面的结果。如果这些假设没有写清楚，代码再正确也没有意义。
2. 再看计算。利息收入等于贷款金额乘以年利率。预期损失等于贷款金额乘以违约概率再乘以违约损失率。预期收益等于利息收入减去预期损失。
3. 最后看解释。如果预期收益为正，不能马上得出“这笔贷款一定值得做”。还要看客户是否符合普惠金融服务对象、是否有过度授信风险、数据是否足够可靠。

读代码时，不要只问“这段代码怎么写”。更重要的问题是：“这个变量对应什么金融含义？”“这个公式对应什么经济逻辑？”“这个结果是否在合理范围内？”

5. 把一个数字改掉，理解敏感性分析

金融分析经常要问“如果假设变了，结果会怎样”。例如，违约概率从 8% 上升到 12%，预期收益会发生什么变化？这就是最简单的敏感性分析。

# 比较不同违约概率下的预期收益
loan_amount = 100000
annual_rate = 0.06
loss_given_default = 0.45

for default_probability in [0.04, 0.08, 0.12, 0.16]:
    interest_income = loan_amount * annual_rate
    expected_loss = loan_amount * default_probability * loss_given_default
    expected_profit = interest_income - expected_loss
    print(default_probability, expected_profit)

这段代码引入了一个新的结构：for 循环。它的意思是：让违约概率依次取 4%、8%、12%、16%，每取一次就重新计算预期收益。这样可以看到结果对违约概率有多敏感。

这个例子也说明了 Python 的一个重要价值：当你需要重复计算多种情景时，不必手工复制公式，而是让代码完成重复工作。人的精力应该放在解释结果和判断假设上。

6. 正确使用 AI：让它伴学，而不是替学

AI 对初学者很有帮助，但也最容易让初学者产生“我会了”的错觉。看到 AI 生成了一段代码，并不等于已经掌握。真正掌握至少包括三件事：能解释代码每一行的作用，能发现结果是否异常，能在题目稍微变化后自己修改。

底线很清楚：AI 可以帮助定位错误、解释概念、提供示例，但不能替你完成理解。不能用 AI 偷懒来绕过学习过程。短期省掉的努力，会在后续数据处理、建模和论文写作中变成更大的困难。

7. 向 AI 提问时应包含哪些信息

AI 回答质量很大程度上取决于提问质量。对于代码问题，至少要提供四类信息：目标、代码、报错、你自己的理解。只有这样，AI 才更可能给出可用于学习的回答。

我正在学习 Python 在金融中的应用。
我的目标是：（用一句话写清楚金融任务）

下面是我的代码：
（粘贴代码）

运行后的报错或异常结果是：
（粘贴完整报错，或者说明结果为什么奇怪）

我目前的理解是：
（写出你认为可能的问题）

请按以下顺序回答：
1. 用通俗语言解释错误原因；
2. 只给最小修改，不要重写无关代码；
3. 逐行解释修改后的代码；
4. 提醒我需要检查的金融含义、单位和假设；
5. 给我一个类似的小练习，让我自己再做一遍。

这个模板的关键不是“让 AI 回答更长”，而是强迫自己参与学习过程。只要你写出了目标、代码、报错和自己的理解，就已经完成了一半学习。

8. Python 在金融学习中的四类任务

后续学习不要一开始就追求复杂模型。更稳妥的顺序是：先能整理数据，再能计算指标，再能画图表达，最后进入预测模型和因果分析。基础不牢，模型越复杂，错误越隐蔽。

在这个顺序中，数据整理最容易被低估。很多模型结果出错，并不是因为模型本身复杂，而是因为前面的数据合并、变量单位、缺失值处理或样本筛选出现了问题。

9. 一个普惠金融场景：AI 可以帮到哪里

假设要分析“某城市普惠金融服务是否改善了小微商户融资便利性”。这个问题听起来简单，但至少包含四个层次。

1. 定义问题。“融资便利性”具体指什么？可以是贷款获得率、贷款审批时间、融资成本、授信额度，也可以是数字支付覆盖率。概念如果不清楚，后面无法计算。
2. 准备数据。可能需要城市普惠金融指数、商户贷款记录、行业分类、地区经济变量。每个数据表的时间、地区和口径必须对齐。
3. 写 Python 代码。代码可以完成数据读取、筛选、合并、分组统计、图表绘制和回归分析。
4. 解释结果。如果某城市指数上升，小微商户融资成本下降，仍然不能马上说“普惠金融导致融资成本下降”。还需要考虑经济环境、政策变化、样本结构变化等因素。

在这个场景中，AI 可以帮助解释“融资便利性可以怎样度量”，可以帮你生成读取 Excel 的代码，也可以帮你检查报错。但是变量定义是否合理、因果解释是否成立、结论是否过度，都必须由你自己判断。

10. 本节练习：先不用安装任何软件也能完成

下面的练习不要求马上安装环境。目标是训练思考方式。可以把答案写在纸上，或者先保存到笔记中。

11. 这门课后面会怎样展开

这一节只是入口，目的不是马上掌握所有 Python 语法，而是先形成正确的学习方式：先理解金融问题，再使用 Python 表达计算步骤，再让 AI 帮助检查和解释。后面的内容会按照“工具准备—数据分析与数据库—金融应用—事件驱动分析智能体”的顺序展开。

学习要求也很明确：每次写代码前，先写清楚金融问题和变量含义；每次运行代码后，检查单位、样本、结果范围和图表表达；每次使用 AI 后，用自己的话复述它的解释，并判断它有没有忽略金融含义。不能复制自己看不懂的代码，也不能把 AI 输出直接当成最终答案。

下一节会进入 IDE 的选择、安装、写代码与调试。到那时会以 Trae 为例，从下载安装到创建项目、运行第一段代码、使用 AI 定位错误开始，一步一步完成。