机器学习对阵传统计量：波动率预测
同一任务可以有两种答案。用 2013—2025 年高频买卖报价构造日度已实现方差，在滚动样本外框架下比较 HAR-RV、GARCH(1,1) 与随机森林、XGBoost、LightGBM，并用 QLIKE 打分、Diebold-Mariano 检验判断显著性，树模型明显领先：XGBoost 的 QLIKE 为 0.1219，HAR-RV 为 0.1482。
AI 赋能
把大模型与智能工具引入备课、实训与过程评价
梳理 AI 在本课程中的具体赋能场景、工具链与可观测的能力画像。
AI 赋能教学
AI 正在改写金融计量的两条线：一是模型线，机器学习与 ARIMA、GARCH、HAR-RV 被放进同一套样本外框架里比较，胜负取决于损失函数与检验设计；二是流程线，大模型已能批量跑通经济学期刊的复现包并逐项核对系数。本课程的立场很明确：AI 负责加速，不负责背书——估计与检验在 EViews 完成，Python 做扩展与交叉验证，每一步结论都要人工复核。
AI 教学场景
将大模型与智能体引入课堂，覆盖从概念理解、代码实现到案例推演的全流程。
反向证据：经典模型也会赢
换到八个国际股指、2000—2021 年的样本重做，结论会翻转——HAR-RV 在 MSE、MAE、QLIKE 三个指标上全部优于最好的前馈神经网络，且在疫情冲击期排名依然稳定；另有新兴市场研究显示，非对称 EGARCH 在 VaR 回测中的表现优于 LSTM 与 GRU。机器学习不是默认赢家。
高频数据与已实现波动
把五分钟收益加总成日度已实现方差，是打通市场微观结构与风险管理的标准路径：得到的序列既可以做 HAR-RV，也可以喂给树模型或神经网络，最终服务于 VaR、期权定价与组合优化。
因果推断与政策评估
当要回答“某政策是否真的提高了企业绿色转型概率”时，线性控制难以处理高维非线性混淆变量。DoubleML 用机器学习先剔出混淆部分，再用 Neyman 正交得分做推断，给出带置信区间的处理效应，正好落在课程“稳健性检验／异质性检验”实验的延伸方向上。
自动化实证复现
斯坦福大学与香港浸会大学团队用智能体工作流复算了 92 篇工具变量论文、共 215 个设定，端到端成功率 87%；在数据与代码可获取的前提下，论文层面与设定层面的可复现率均为 100%。这是“复刻权威期刊论文”实验的自动化版本。
大模型辅助选题与写作
文献脉络梳理、变量口径对齐、结果段落初稿，交给大模型效率很高；但所有系数必须回到原始回归输出核对，所有引用必须回到原文核对；处理中文金融文献与非结构化文本时尤其容易张冠李戴。
AI 工具矩阵
以下工具可在本课程学习与实验中辅助检索、编码、建模与可视化。
statsmodels
Python 计量基础设施：OLS、ARIMA、VAR、单位根与协整检验、HAC 稳健标准误，语法与 R 风格公式一致，适合对 EViews 结果做交叉验证。
arch
Kevin Sheppard 维护的金融计量库：ARCH/GARCH/TARCH/EGARCH/RiskMetrics，ADF/DFGLS/KPSS 单位根，Engle-Granger 与 Phillips-Ouliaris 协整，Bootstrap 及 SPA/StepM 多重比较。
linearmodels
面板数据与 IV/GMM 库，支持固定效应、随机效应、Fama-MacBeth 回归与聚类稳健标准误，对应课程“面板数据分析与回归”实验。
DoubleML
Chernozhukov 双重机器学习的 Python 实现，支持 PLR/PLIV/IRM/IIVM 四类模型与交叉拟合，配合 scikit-learn 学习器做带统计推断的因果效应估计。
scikit-learn
随机森林、梯度提升、Lasso 等学习器，既充当 DoubleML 的干扰函数估计器，也充当波动率预测的对比基准。
RESSET 锐思数据库 / CNKI
前者提供股票、债券、基金、宏观与衍生指标及财经文本分析平台；后者承担文献检索、变量口径确认与参考文献管理。
实践现场
即学即用的提示词
以下提示词可直接复制到主流大模型，辅助学习与本课程实验（请核验输出、遵守学术规范）。
用 Python 复算 EViews 的 ADF 检验
你是一位计量经济学助教。我有一个 pandas DataFrame，列名为 date、close，存储沪深300指数的日收盘价。请给出可直接运行的 Python 代码：1）对 close 取自然对数后再做一阶差分，生成收益率 r；2）用 statsmodels 的 adfuller 分别对 ln(close) 与 r 做 ADF 检验，输出 ADF 统计量与 p 值；3）把两个检验整理成一张两行的表格；4）依据结果判断“水平序列不平稳、一阶差分平稳”是否成立，并说明如果检验用 c、ct 两种趋势项设定，结论会不会不同。代码请逐行注释，并明确标出 lag 阶数选择方式。ARIMA 模型的识别、估计与诊断
背景：我在做课程实验 2，数据是一段金融时间序列 y（已取对数收益率，共 800 个交易日）。请：1）画出 y 的时序图、ACF 图与 PACF 图；2）根据 ACF/PACF 的截尾与拖尾特征给出三组候选 (p,d,q)；3）用 statsmodels 的 ARIMA 依次估计，输出 AIC 与 BIC 并挑出最优模型；4）对残差做 Ljung-Box 白噪声检验；5）用最优模型做未来 10 期预测并给出 95% 置信区间。请同时指出：为什么金融收益率序列通常 d=0，以及在什么情况下仍然需要考虑 ARFIMA。GARCH 与机器学习的样本外对比
我要做一个“GARCH vs 机器学习”的对比实验。请给出 Python 思路与关键代码：1）用 arch 库估计 GARCH(1,1)、EGARCH 与 GJR-GARCH，输出条件波动率；2）构造 HAR-RV 所需的日、周、月已实现波动特征；3）用 XGBoost 预测下一日波动率；4）采用滚动窗口做样本外预测，用 QLIKE 与 MSE 评价；5）用 Diebold-Mariano 检验比较两类模型预测差异是否显著。最后请用一段话提醒我：这个实验必须报告哪些设定细节，否则结论不可信。面板回归、稳健性检验与异质性分组
我在写一篇关于数字金融与商业银行效率的实证短文，数据是 2011—2023 年商业银行非平衡面板。请帮我：1）用 linearmodels 做个体固定效应与时间固定效应的双向固定效应回归，标准误聚类到银行层面；2）列出至少四种可行的稳健性检验（替换被解释变量、缩尾处理、剔除特殊年份、改变聚类层级）；3）按银行性质分组回归，并用 Bootstrap 检验组间系数差异是否显著；4）帮我指出这份设计里最可能被审稿人质疑的一处设定。请给出可运行的 Python 代码骨架。把一篇实证论文的表格复刻出来
目标：复刻一篇公开发表的实证论文中的主回归表（表格内容我会贴给你）。请按以下步骤帮我，并在每一步告诉我你要做什么：1）先列出论文中每个变量的定义、数据来源与样本筛选条件；2）把这张表格翻译成可执行的估计方程；3）写出对应的 Python 或 Stata 代码；4）我跑完之后，你根据我贴的回归输出，逐个系数核对差异并列出可能原因（样本区间、缩尾、聚类层级、缺失值处理）。注意：如果某个变量定义论文里没写清楚，请直接说“原文未说明”，不要替我猜。AI 伦理与规范
使用 AI 须恪守学术诚信、数据安全与行业合规底线。
AI 生成的代码要逐行验证
大模型会给出语法正确但统计含义错误的代码：默认标准误不稳健、滞后阶数凭空指定、内生变量未做工具变量处理、面板数据忘记聚类。凡是要写进报告的结果，必须在 EViews 或 statsmodels 里重新跑一遍并比对输出。
文献、变量与数据出处不能由 AI 生成
政策名称、数据来源、引用链接常常看起来规范，回到原始数据库核对却发现并不真实；新旧信息混杂还会导致时间线错乱。所有文献条目与变量口径必须回到原文或原始数据库确认。
不要替 AI 的结论背书
同一波动率预测任务在不同样本、不同损失函数下会给出相反的模型排序。不要因为 XGBoost 在这一次赢了 GARCH 就写“机器学习优于传统模型”，必须同时报告样本外设计、损失函数与统计检验结果。
复现不等于公证，过程要留痕
用 AI 辅助复刻论文时，需记录每一步修改、数据来源与参数设置，保证结论可追溯。AI 只能作为执行工具，最终结果与责任归属仍在使用它的学生与指导教师身上。