01
课程导论与因果思维
什么是金融因果分析 · 相关关系 vs 因果关系 · 辛普森悖论 · 课程项目概览
思维框架导论
02
金融数据清洗基础
缺失值处理 · 异常值检测 (3-sigma, IQR) · 标准化与归一化
清洗预处理
03
金融数据特征工程
时间特征 · 滞后特征 · 滚动窗口统计 (Rolling Mean/Std)
特征工程时间序列
04
潜在结果框架与DAG
潜在结果定义 · 有向无环图基础 · 后门/前端准则入门
因果图理论
05
随机对照试验与A/B测试
RCT黄金标准 · A/B测试金融应用 · 假设检验 (t/z检验)
实验统计
06
工具变量法 (IV)
三大条件 · 两阶段最小二乘法 · 货币政策对股市影响案例
IV2SLS
07
双重差分法 (DID)
模型设定 · 平行趋势假设 · 监管政策对银行风险影响
DID政策评估
08
断点回归设计 (RDD)
精确/模糊断点 · 带宽选择 · 信用评分卡阈值案例
RDD阈值
09
倾向得分匹配 (PSM)
倾向得分估计 · 最近邻/卡钳匹配 · 基金定投效果评估
PSM匹配
10
因果森林 (Causal Forest)
异质性处理效应 (CATE) · 算法原理 · 个性化贷款利率推荐
CATE树模型
11
双重机器学习 (DML)
DML框架 · Neyman正交性 · 广告投放对留存影响
DML机器学习
12
合成控制法 (SCM)
合成控制构建 · 安慰剂检验 · 金融开放政策评估
SCM反事实
13
时间序列因果推断
格兰杰因果检验 · 向量自回归 (VAR) · 脉冲响应函数 (IRF)
时间序列格兰杰
14
因果图模型与结构学习
PC算法 · 快速因果推断 (FCI) · 宏观经济变量因果结构
结构学习PC
15
反事实预测与Uplift Modeling
反事实框架 · S/T/X-Learner · 精准营销案例
Uplift反事实
16
金融数据清洗实战 (Python)
Pandas清洗 · 缺失值可视化 (Missingno) · 异常值处理
实战Pandas
17
金融特征工程实战 (Python)
滞后特征 · 滚动窗口 · 时间特征生成
实战特征工程
18
因果DAG绘制与后门调整实战
NetworkX绘制DAG · DoWhy后门调整
DAGDoWhy
19
A/B测试实战 (Python)
Scipy假设检验 · 功效分析 (Statsmodels) · 结果可视化
A/B测试实战
20
工具变量法实战 (Python)
Statsmodels 2SLS · 弱工具变量检验
IV2SLS
21
双重差分法实战 (Python)
DID回归 · 平行趋势检验 (事件研究法)
DID事件研究
22
断点回归实战 (Python)
rdrobust RDD分析 · 带宽敏感性分析
RDDrdrobust
23
倾向得分匹配实战 (Python)
causalinference/psmpy · 匹配平衡性检验
PSM平衡性
24
因果森林实战 (Python)
EconML/CausalML · CATE估计 · 异质性分析
因果森林CATE
25
双重机器学习实战 (Python)
EconML DML · 模型选择与交叉验证
DMLEconML
26
合成控制法实战 (Python)
sklearn/自定义合成 · 安慰剂检验可视化
SCM安慰剂
27
格兰杰因果检验实战 (Python)
Statsmodels格兰杰检验 · VAR模型构建
格兰杰VAR
28
因果图结构学习实战 (Python)
causal-learn PC算法 · DAG可视化
结构学习PC
29
Uplift Modeling实战 (Python)
CausalML Uplift建模 · Qini曲线评估
UpliftQini
30
综合项目实战与归因报告撰写
端到端因果分析 · 归因报告结构 · 可视化自动化生成
项目报告