金融大數據復合型人才培養模式研究

劉芳 吳炎太

[摘 ? ?要] 隨著我國金融產業步入大數據時代，對金融大數據人才培養提出了新的要求。針對目前金融大數據人才培養挑戰和存在問題，基于金融大數據人才需求進行探索，構建金融大數據復合型人才培養模式，從培養課程體系、培養模式、培養模式運行機制以及培養模式評價體系四個方面進行人才培養改革，從而培養具有金融大數據思維和實踐能力的人才。

[關鍵詞] 金融大數據;人才培養;教育學

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2019. 19. 085

[中圖分類號] G420 ? ?[文獻標識碼] ?A ? ? ?[文章編號] ?1673 - 0194（2019）19- 0198- 05

1 ? ? ?引 ? ?言

近年來，中國經濟走向新常態，越來越多的金融產業正在步入大數據時代。大數據具有體量巨大（Volume）、變化速度快（Velocity）、類型繁多（Variety）、數據真實（Velocity）四個方面的特點。預計2017-2022年，中國金融行業大數據應用市場規模年均復合增長率為55.21%，到2022年，達到497億元。在銀行、證券等產業中受到追捧，通過大數據的分析，可以挖掘更有價值的信息。

大數據開啟了一次重大的時代轉型，與此同時，國家和越來越多的企業家開始重視金融大數據，探索金融大數據的機遇與挑戰。

國務院于 2016 年 1 月頒布的《推進普惠金融發展規劃（2016 ～ 2020 年 ）》中直接提到“鼓勵金融機構運用大數據、云計算等新興信息技術，打造互聯網金融服務平臺”[1]。工信部2016年12月發布的《大數據產業發展的規劃（2016-2020年）》選取重點大數據的業務行業領域，包括金融行業[2]。網易金融CEO王一棟在2016年在中國移動互聯網創新趨勢峰會上表示“大數據引領互聯網金融發展”[3]。百度金融負責人沈抖在2016年暢想金融

科技的未來十年上表示“金融科技要有大數據，更要把數據用好”[4]。螞蟻金服副總裁漆遠在2016年指出“金融大數據的后臺價值”[5]。京東金融副總裁曹鵬在2017年中國AI金融。探路者峰會上指出“京東金融依靠大數據”[6]。負責人朱立強在2017年中國未來金融峰會上指出“騰訊沉淀了豐富的數據，有了大數據基礎，再配合強大的云計算能力，我們會創造更多的產品，為合作伙伴提供金融云服務支持，為合作伙伴降本增效，助力金融行業創新”[7]。陸金所聯席董事長兼CEO計葵生在第十一屆中國（深圳）私募基金高峰論壇上表示“如果金融科技要做得好，有四個核心，其中一個核心是大數據，讓客戶能做比較和幫助其做好的投資選擇”[8]。

金融產業的快速發展，對金融大數據人才培養提出了新的要求。國家及眾多國內領軍企業內部展開對金融大數據的研究。高校作為培養人才的重要基地，具有肩負著培養人才向社會輸出的重任，廣東金融學院作為地方性金融類院校，如何順應廣州市、廣東省乃至全國金融大數據發展需要，培養出具有創新精神和實踐能力的金融大數據復合型人才，是當前我校教育改革中需要重點探索和研究的對象。我們在“互聯網金融”專業設置了金融大數據方向，對金融大數據方向的課程設置進行了研究和實踐。改革現有的金融人才培養體系，突破傳統教育教學方法，順應金融大數據時代，培養金融大數據復合型人才是非常重要的。

目前，針對金融業大數據的高速發展及對人才的需求，國內外高校對金融大數據人才培養已經有了應對模式，下面就國外和國內的模式展開探討。

（1）國外模式：從國外院校金融人才培養模式來看，日本在金融人才培養模式上教育適應金融市場的要求，尤其是立足于微觀經濟主體對金融人才的需求。日本的“產學合作”模式也在金融專業人才的教育模式上得到體現，具體有行業向學校投資、金融企業和學校在師資上相互交替、企業委派遠程培訓項目等，促進了金融人才的培養;美國在金融人才培養上更加注重培養商業領導所應具備的素質，強調對金融市場的理解，擁有活躍的思維能力等內容，并設置了董事會制度，這樣的教育體系和制度促進了金融教育的發展;新加坡在金融人才培養上注重了金融與企業的滲透，增加了企業金融、中小企業融資、證券投資學等課程，培養金融人才目標呈現多元化、復合化的趨勢。除了日本的“產學合作”模式、美國的“合作教育”模式外，還有英國“工讀交替”模式、德國的“雙元制”模式及澳大利亞的“TAFE”模式。

（2）國內模式：近年來，國內院校逐漸在增強金融人才培養意識。中山大學在2016年成立移動互聯網與金融大數據實驗室，注重理論和實際應用的研究。西南交通大學在2014年成立金融大數據研究院，主要利用金融大數據和機器學習來專注股票預測及投資策略推薦研究。2016年6月，清華大學與網易金融就智能金融和大數據領域展開戰略合作關系，促進金融領域的發展。2016年8月， 科大—磐眾金融大數據聯合實驗室成立，用于研究大數據在金融領域的發展與應用。2016年12月，上海財經大學參與成立“蘇州金融大數據實驗室”，通過產學研合作，成為科研和人才培養基地。2017年5月，上海外國語大學成立大數據金融研究中心，以金融領域大數據應用為主要研究。2017年11月，上海大數據金融創新中心在復旦大學成立，致力于大數據驅動下的金融創新提供智力支撐、平臺服務和人才輸出。2017年11月，“大數據驅動金融創新論壇”在河北金融學院舉行，圍繞大數據和金融展開討論，為金融人才培養、大數據及人工智能在金融領域提供新觀點。

廣東金融學院作為地方性金融類院校，學校踐行“金融為根、育人為本、應用為先、創新為范”的辦學理念，以滿足社會和行業需求和培養金融類人才為根本任務，主動融入廣東，為社會和行業發展培養了一大批復合型金融人才，具有創新精神和實踐能力的復合型人才，取得了較好的辦學效果。2016年學校已經建立了“金融信息工程省級實驗教學示范中心”，目前已經啟動“金融大數據產教融合實驗實訓中心”項目的建設，該項目計劃投資2.34億元。這些都為金融大數據人才培養模式改革提供了重要的途徑。

地方高校要改變觀念，主動加強金融大數據復合型人才的培養目標、培養規格、培養方案、科教融合和產教融合的配套制度和運行機制。我們提出金融大數據復合型人才培養模式，它具有整合教學資源、拓展學生思維視野、促進教學深入及推進科教融合和產教融合的優勢，促進學生的主體學習、主動學習，讓學生具有知識遷移和持續學習的能力。開展金融大數據復合型人才培養模式探索，具有重要的理論意義和現實意義。

2 ? ? ?金融大數據人才培養挑戰

當前，隨著越來越多的金融產業進入大數據時代，對應的金融大數據人才需要適應大數據為金融帶來的價值，具體表現為：

信用評估方面，銀行等公司利用大數據對客戶進行合理分析，進而提高風險管理水平;精準營銷方面，螞蟻金服等公司通過對用戶有關的金融大數據挖掘，以便為用戶提供相應的產品及服務，進行預測和推薦;產品創新上，銀行等公司利用大數據對客戶進行分析，確定用戶的喜好，進而實現產品創新。

這一系列在金融行業中大數據的價值對金融大數據人才培養提出了新的挑戰：金融大數據課程體系挑戰：如何在現有的專業課程中添加大數據相關的課程，實現跨學科內容交叉學習，提升專業知識水平;金融大數據培養模式的挑戰：如何設置合理的培養模式，促進金融大數據人才更好地科教融合、產教融合;金融大數據培養模式運行機制的挑戰：如何構建運行機制，保障金融大數據復合型人才順利實施;金融大數據培養模式評價體系的挑戰：如何進行質量監督，及時調整學生學習方式。

金融產業表現出高增長態勢，中國的經濟進入新常態;近年來該領域接連涌現出區塊鏈、云計算、人工智能等新技術，將對金融產業及生活帶來重大變化，如何培養金融大數據人才是亟待探索的課題。

3 ? ? ?金融大數據人才培養存在的問題

當前，隨著越來越多的金融產業快速發展，對應金融大數據人才需要適應大數據時代的要求，目前我國地方本科院校金融大數據人才的培養存在很多弊端，具體表現為以下幾方面。

3.1 ? 金融大數據人才培養目標和模式定位不明確

中國經濟走向新常態，中國金融行業大數據應用市場規模不斷擴大，國家、高校和企業開始重視金融大數據，迫切需要金融大數據人才。但目前金融大數據人才培養目標尚未明確、培養模式尚未確定、科教融合和產教融合機制尚未健全。

3.2 ? 科教融合、產教融合的知識結構和培養方案有待建立

目前國內高等教育體系中科教融合、產教融合培養模式和配套機制不成熟。比如產教融合沒有很好地與企業對接，造成人才培養與企業需求脫節。這不利于本科金融大數據人才的培養。

3.3 ? 配套制度和體系不完善

與科教融合和產教融合相配套的管理制度和運行機制不完善，比如沒有相應的政府優惠政策等因素，從而導致了企業沒有積極參與到學校的人才培養過程中。這些對金融大數據人才的培養是非常關鍵的一部分。

4 ? ? ?產教融合的教育學理論基礎與培養目標

黨的十九大報告中指出[9]，深化產教融合，促進教育鏈、人才鏈與產業鏈、創新鏈有機銜接，是建設創新型國家必須解決好的重要問題，產教融合需要充分發揮大學與企業這兩個核心要素的作用。辦公廳《關于深化產教融合的若干意見》中明確指出，深化產教融合的主要目標是健全多元辦學體制，全面推行校企協同育人[10]。走向產教深度融合的大道，才能走向人才培養的大道，才能回應習近平總書記提出的“我們對高等教育的需要比以往任何時候都更加迫切，對科學知識和卓越人才的渴求比以往任何時候都更加強烈”的要求[11]。產教融合可以培養出適應產業發展的滿意人才，校企合作是必由之路，也是“雙贏”之路。

校企合作注重實踐應用的能力，在產教融合過程中有利于培養滿足企業需求的滿意人才?，F有國內高等教育理論中，對面向產教融合的金融大數據人才培養的理論研究與培養目標較為欠缺。為更好適應金融時代快速發展，推動相關教育教學改革，我們在現有教育學理論基礎與培養目標上進行了相關探索。

4.1 ? 教育學理論

在培養基于產教融合的金融大數據人才過程中，研究與改革工作需遵循教育學相關規律。在教育學理論中有一些關于實踐的重要性，這也是高校與企業進行產教融合的理論基礎。

學習金字塔[12]：學習金字塔是由愛德加·戴爾1946年發現并提出的學習成效教育理論，通過采用不同的學習方式可以記住知識的多少以百分率呈現出來，通過上課得到的知識只能保存百分之五，閱讀、音頻、演示、討論組等依次增加，通過練習操作實踐知識可以保存百分之七十五，具有最好的效果。

情境學習[13]：情境學習是由美國加利福尼亞大學伯克利分校的讓·萊夫（Jean Lave）教授和獨立研究者愛丁納·溫格于1990年前后提出的一種學習方式，認為在知識實際應用的真實情境中學習知識，把學與用結合起來，讓學習者進行思考和實踐。該學習方式本質是參與真實的實踐。

探究學習[14]： 該理論是由施瓦布在1961提出的一種學習方式。通過學生積極主動參與，在科學理論指導下，運用科學的方法對問題進行研究，在研究過程中獲得創新實踐能力、獲得思維發展，自主構建知識體系的一種學習方式。學習的其中一個特點是學生是主動的，且有很多親身實踐的訓練。

4.2 ? 培養目標

在培養基于產教融合的金融大數據人才過程中，學生在整個培養環節中，通過學校和企業兩個主體理論知識與實踐練習有機結合，學生最終達到知識遷移學習和持續學習的能力。

遷移學習[15]：人類具有知識遷移的能力，當學會了一項本領后，再去學習另外一項相關的本領就會容易很多。在產教融合實施過程中，學生在學校學習的理論知識可以遷移到公司項目的開展中，在公司實踐應用過程中學到的知識可以遷移到學校書本，加深知識的理解。在整個過程中，學生的理論知識與實踐能力不斷得到提高，有利于學生的思維拓展。

構建金融大數據復合型人才培養模式，從培養課程體系、培養模式、培養模式運行機制以及培養模式評價體系四個方面進行培養，提升學生的金融大數據思維和實踐能力，培養適應企業的滿意人才。

主要參考文獻

[1]韋雨聲. 大數據在金融行業的應用和發展[J]. 現代經濟信息， 2017（24）.

[2][作者不詳]. 工信部印發大數據產業“十三五”發展規劃[J]. 現代電信科技， 2017（1）.

[3]網易科技.網易金融王一棟：大數據引領互聯網金融[EB/OL].http：//tech.163.com/16/0606/03/BORKRUES00097U7R.html.

[4]金融界.百度沈抖：金融科技要有大數據 更要把數據用好[EB/OL].http：//www.techweb.com.cn/column/2016-11-24/2438770.shtml.

[5]第1財經.螞蟻金服副總裁漆遠：金融全鏈條上的大數據智能[EB/OL].http：//www.yicai.com/news/5021873.html.

[6]CCTIME飛象網.京東金融依靠大數據及人工智能領域 獲得業內高度認可[EB/OL].http：//www.cctime.com/html/2017-10-25/1330711.htm.

[7]新浪科技.騰訊金融云朱立強：金融行業“上云”，需求最大的是銀行[EB/OL].http：//tech.sina.com.cn/roll/2017-08-06/doc-ifyitayr9087707.shtml.

[8]新浪科技.陸金所計葵生：金融科技成功的四大核心[EB/OL].http：//tech.sina.com.cn/i/2017-03-22/doc-ifycnpvh5249958.shtml.

[9]夏建國. 深化產教融合 加快建設高水平工程應用型大學[J]. 中國高等教育， 2018（2）：25-26.

[10]牟延林. 產教融合2.0時代的辦學型態[J]. 中國高等教育， 2018（2）：22.

[11]岳曉辰. 協同創新理念下河北大學建設一流大學對策研究[D].保定：河北大學， 2017.

[12]Dale E. Audiovisual Methods in Teaching[M].Orlando，FL：The Dryden Press，1969.

[13]Lave J，Wenger E. Situated learning： Legitimate Peripheral Participation[J]. Man， 1991， 29（2）：167-182.

[14]徐學福.探究學習的內涵辨析[J].教育科學，2002（3）：33-36.

[15]Pan S J， Yang Q. A Survey on Transfer Learning[J]. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）：1345-1359.

[16]Ruvolo P， Eaton E. ELLA：an Efficient Lifelong Learning Algorithm[C]//International Conference on Machine Learning，2013：507-515.