01
课程导论与监管背景
内幕交易定义、全球监管框架（SEC、CSRC）、处罚案例与合规重要性。
监管合规
02
数据源与特征工程（上）
行情数据（日频/高频）、财务数据、公告数据、社交媒体舆情数据。
数据源高频
03
数据源与特征工程（下）
特征构建（价格动量、波动率、异常成交量、网络舆情情绪得分）、特征标准化与降维。
特征工程降维
04
异常检测基础
统计方法（Z-score、IQR）、距离方法（KNN、LOF）、孤立森林原理。
异常检测统计
05
基于机器学习的分类模型
逻辑回归、随机森林、XGBoost、LightGBM 在异常交易识别中的应用。
XGBoostLightGBM
06
图神经网络与关系挖掘
构建交易网络（账户-股票-账户）、GCN/GAT 识别可疑资金链路。
GNN资金链路
07
时间序列模型
LSTM/Transformer 对交易序列建模，捕捉异常交易模式。
LSTMTransformer
08
模型评估与验证
混淆矩阵、召回率/精确率、F1-score、KS统计量、回测框架搭建。
评估回测
09
模型部署与监控
模型上线流程、实时推理架构、漂移检测与模型更新策略。
MLOps漂移
10
实战案例：端到端检测系统
基于真实数据的端到端内幕交易检测系统搭建。
实战全流程
11
数据预处理实战
缺失值处理、异常值截断、时间对齐、多源数据合并。
清洗对齐
12
特征工程实战
使用Python计算动量因子、波动率因子、资金流因子。
因子Python
13
舆情分析实战
爬取财经新闻与股吧评论，使用NLP模型（BERT）提取情绪得分。
NLPBERT
14
孤立森林实战
使用scikit-learn实现孤立森林，调整参数（n_estimators, contamination）。
孤立森林sklearn
15
XGBoost实战
特征重要性分析、超参数调优（GridSearchCV）、模型解释（SHAP）。
XGBoostSHAP
16
图神经网络实战
使用PyG构建交易图，训练GCN模型进行节点分类。
PyGGCN
17
LSTM实战
使用PyTorch构建LSTM模型，预测异常交易概率。
PyTorchLSTM
18
模型融合实战
Stacking集成策略，结合树模型与深度学习模型。
Stacking集成
19
回测系统实战
构建事件驱动的回测框架，评估策略收益与风险。
回测事件驱动
20
模型解释性实战
使用SHAP和LIME解释单个预测结果，生成合规报告。
可解释性LIME
21
数据安全与隐私
差分隐私、联邦学习在金融数据中的应用。
隐私联邦学习
22
对抗性攻击与防御
针对交易模型的对抗样本生成与防御策略。
对抗鲁棒性
23
实时检测架构
Kafka + Flink + Redis 实现流式异常检测。
实时Flink
24
监管科技（RegTech）趋势
自然语言处理在监管文件分析中的应用。
RegTechNLP
25
跨市场检测
A股、港股、美股联动分析，跨境资金流动监控。
跨市场资金流
26
案例复盘
某知名内幕交易案的数据特征与模型表现复盘。
复盘案例
27
模型合规与审计
模型验证流程、监管报送要求、模型文档规范。
合规审计
28
前沿研究
图时序网络（TGN）、对比学习在异常检测中的最新进展。
TGN对比学习
29
课程总结与知识图谱
构建内幕交易检测知识体系，梳理学习路径。
知识图谱总结
30
毕业项目
从零搭建一个内幕交易检测原型系统，包含数据、模型、可视化界面。
毕业项目原型