第十章 金融科技与智能风控

章首：当百年金融理论遇上零代码平台

深夜十一点，一位投资者在股票估值页面输入"600519"，回车。页面随即给出三行数字：DDM估值1383.65元，CAPM估值3558.98元，FCFF估值2699.95元，综合估值2547.53元。状态一栏，两个字："低估"。他盯着屏幕出神：这个"低估"从哪来？凭什么说一家公司的股票被低估了？回答这个问题，需要把时钟拨回七十年前。

同一时刻，千里之外的一家支行里，信贷员面对一份贷款申请也在做类似的判断：这个客户会按时还款吗？过去靠经验与直觉，今天靠模型——违约概率、特征重要性、决策依据，一屏呈现。估值与风控，一个面向资产定价，一个面向信用决策，共享同一套底层逻辑：用数据与模型，把不确定的未来压缩成可操作的判断。本章的两节，正是这两条线的展开。

金融可能是最"数学"的行业：估值、定价、风控，每一环都有成熟的理论模型。但这些模型过去只活在专业软件与学术论文里——DDM、CAPM、信用评分，对大多数人而言是天书般的名词。本章要做的事，是把这些百年金融理论"翻译"成零代码平台上可操作的实训：打开工具、输入股票代码，DDM、CAPM与FCFF自动估值；打开工作流，信贷违约预测自动跑通。理论没有变，变的是一键可达。

金融与技术的这场联姻，先于本章就已在宏观层面展开。唐松等（2020）在《管理世界》的研究指出，数字金融通过缓解融资约束、优化资源配置，显著促进了企业技术创新^[1]；李春涛等（2020）基于新三板上市公司的证据发现，金融科技的发展提升了企业的创新绩效^[2]。当资金配置的效率因数字技术而改变，资金定价与风险度量的底层理论，也随之从纸面走向系统。

金融理论的谱系清晰可溯：Markowitz在1952年奠定现代组合理论，用数学刻画"风险与收益的权衡"^[3]；Gordon在1959年提出股利贴现模型，把"股票价值等于未来股利的现值"变成公式^[4]；Sharpe在1964年提出资本资产定价模型，用贝塔系数度量系统性风险，为"风险该有多少回报"给出答案^[5]。半个多世纪后，这三个模型在本书平台上"一键运行"——理论的寿命，比工具长得多。

这套理论还回答了一个更根本的问题：金融分析为什么需要模型？因为金融决策永远面对不确定的未来——股价明天涨跌、借款人明年是否还款，谁都无法确知。模型的价值，在于把"不确定"翻译成"可比较"：一个数字、一个概率、一个区间，让决策有了可以讨论的锚点。本章的估值与风控，本质上都是这种翻译工作。

本章两节对应两大金融场景。第一节是估值：从行情数据出发，用DDM、CAPM与FCFF给股票估值，并延伸到以VaR为代表的风险测评；第二节是风控：用信贷违约预测的ABI路径，走完"数据→模型→决策"的风控全流程。两节共用一条方法论：金融模型负责"算得对"，Agent与Skill负责"跑得动"——这正是"LLM+Agent+Skill"框架在金融领域的落点。

第一节 金融数智化：从行情数据到智能估值

这一节的核心主张：估值的要义，在于用模型回答"这个价格合理吗"——DDM看内在价值，CAPM看风险定价，FCFF看自由现金流，三者配合才是完整的估值判断。

从行情数据说起

行情数据是金融分析的原料：股价、成交量、市盈率、股息率——每个数字背后都是市场的集体博弈。本书工作流画布的采集节点，直接对接腾讯、东方财富等公开行情源：股票代码一输入，分时、日K、财务指标逐项落库。行情数据有三个特征：高频（盘中以毫秒计）、海量（全市场数千只股票逐年累加）、时效敏感（一条财报预告可以改写估值预期）。

行情的获取只是起点，使用行情还要过三道关。第一道是复权：上市公司分红送股后，股价会跳空，直接拿原始价格计算收益率会失真，前复权与后复权把历史价格调整到可比口径；第二道是异常处理：停牌、涨跌停、一字板，这些时段的成交价缺乏连续博弈，需要标记或剔除；第三道是口径统一：日K、周K、月K各有用途，收益率按哪个频率计算，直接影响后续β的估计。这三道关，对应第6章讲过的数据清洗与特征工程——金融数据只是更娇气的数据。

但行情数据本身不回答"值不值"：股价30元的茅台，是贵还是便宜？需要模型。行情的意义是"现状"，模型的意义是"判断"——从现状到判断，就是金融数智化的第一课。

这里有一个绕不开的理论前提：市场有效吗？Fama在1970年的经典综述中提出有效市场假说，按信息融入价格的速度，把市场分为弱式、半强式与强式三种形态^[6]：弱式市场中，历史价格信息已全部反映在股价里；半强式市场中，公开信息也已被消化；强式市场中，连内幕信息都无利可图。若市场完全有效，价格永远等于价值，估值工作将毫无意义。现实世界里的市场处于"不完全有效"状态，这才给了估值以用武之地——有效市场假说像物理学中的真空假设，现实中并不存在，却是一切推理的起点。另一个与行情直接相关的理论来自Amihud与Mendelson（1986）：他们提出流动性溢价假说，发现资产收益率与其买卖价差正相关^[7]——流动性差的资产，必须用更高的回报来补偿持有者。行情数据里的成交量与换手率，正是观察流动性的窗口。

DDM股利贴现模型

股利贴现模型（DDM，Dividend Discount Model）的基本思想：股票的价值等于其未来所有股利的现值之和。对稳定分红的公司，模型简化为戈登增长模型：V = D₁ / (r − g)。V是内在价值，D₁是下期预期股利，r是必要收益率，g是股利增长率。公式背后的直觉朴素而深刻：你买股票，买的是未来的现金流。Gordon在1959年给出这一模型时，隐含了一个在当时颇具争议的判断——股利政策本身携带信息，稳定派息的公司，其股利序列可以外推^[4]。

DDM的局限同样明显：对不分红或增长不稳定的公司（如长期不分红的成长股），模型失灵——分母里的g一旦大于r，公式直接失去意义。所以它常与CAPM配合使用，或者让位于FCFF。

戈登模型的参数敏感得惊人：r与g的差每变化1个百分点，估值可能变动百分之几十。g从何而来？历史股利增长率的趋势外推，或分析师对长期盈利增长的预期，两者都要靠得住的分红政策支撑。茅台以10%作为增长率假设（g=0.1），背后是白酒龙头多年稳定提升分红的历史记录——参数假设的合理性，决定了模型输出的可信度。以贵州茅台为例：平台读取其2025年报每股收益65.66元，按10%的股利增长率假设（g=0.1）折现，得到DDM估值1383.65元。

CAPM资本资产定价模型

DDM需要一个关键输入：必要收益率r。资本资产定价模型（CAPM）回答的正是"r该是多少"：r = Rf + β × (Rm − Rf)。Rf是无风险利率，Rm是市场收益率，β是股票对市场波动的敏感度。Sharpe在1964年给出这一模型时，核心洞见是把风险拆成两层^[5]：可分散的个股风险（组合化之后趋于消失，不该有额外回报）与不可分散的系统风险（谁都躲不掉，该有额外回报）。β度量的正是系统风险：β>1的股票波动大于市场（进攻型），β<1的股票波动小于市场（防守型）。

β怎么来？把个股收益率对市场收益率做回归，斜率就是β。实务中，市场组合常用沪深300等宽基指数近似。贵州茅台的β为0.3，是典型的防守型资产：大盘跌10%，它平均只跌3%左右——这也是白酒龙头被资金当作"避风港"的数学原因。注意，β与波动率并不等同：波动率度量整体风险（含个股特有部分），β只度量与市场联动的部分；二者的区分，将在风险测评小节引出VaR的讨论。

CAPM的实务落地还涉及两个参数的取值。无风险利率Rf，国内常用10年期国债到期收益率近似；市场风险溢价（Rm−Rf），是长期市场超额收益的经验值，取值高低直接缩放所有股票的r。半个多世纪来，学界对CAPM的实证检验始终存在争议：β是否稳定、是否足以解释收益差异，论文打了几十年。但争议挡不住它的应用——模型的价值在于提供一个清晰、可复算的基准，让"该要多少回报"从拍脑袋变成可讨论的公式。

FCFF自由现金流贴现

DDM的盲区在于不分红的公司——成长型公司把利润全部再投资，股利序列无从谈起。自由现金流贴现模型（FCFF）绕开股利，直接贴现公司创造的自由现金流：先算企业价值——把未来各期自由现金流按加权平均资本成本（WACC）折现求和；再减去净债务，得到股权价值。自由现金流约等于经营现金流减去资本支出，它衡量的是"公司真正能拿出来的钱"。

WACC本身是CAPM思想在企业层面的延伸：股权成本用CAPM计算，债务成本取税后利率，再按资本结构加权。可以说，FCFF是DDM与CAPM的"合体应用"：它用CAPM解决折现率，用现金流贴现解决估值口径。平台对贵州茅台给出的FCFF估值为2699.95元，高于DDM结果——原因在于FCFF口径覆盖了留存收益再投资创造的价值，这正是成长股的估值逻辑。

FCFF的估计有两个难点。一是预测期之外的终端价值：任何预测都不能无限外推，实务中假设预测期后现金流按固定低速增长，把终端价值折现回来——终端价值常常占企业价值的一半以上，假设稍有偏差，估值就跟着偏。二是WACC的权重：股权与债务的比例取账面值还是市值，股权成本用哪个β，都会改变折现率。模型给出数字，参数给出灵魂——这正是估值被称为"科学加艺术"的原因。

三个模型如何配合

三个模型各有适用域，选择逻辑清晰：稳定分红的企业走DDM，不分红或现金流波动大的企业走FCFF，而两条路都需要r，r由CAPM提供。平台上的股票估值工具（股票估值）把这条链做成零代码流程：输入股票代码，自动取行情、算β、估价值、对比现价。三个模型的结果最终加权合成综合估值——茅台的综合估值为2547.53元。以2026年8月的市价对照，平台给出的状态是"低估"。

单个模型各有盲区，三模型互为校验，估值判断才站得住。这与组合理论的精神一脉相承：Markowitz在1952年证明，分散持有相关性低的资产可以在不降低期望收益的情况下降低风险^[3]——把鸡蛋放进不同的篮子，是组合理论的精髓，也是多模型校验的哲学源头。

这里值得停下来想一想估值本身的性质。市场每天报出的价格，是千万笔交易的合意结果；模型算出的价值，是某个假设体系下的推演结果。价值投资的开山人物格雷厄姆有一句流传甚广的话：价格是你支付的，价值是你得到的。模型给出的"低估"或"高估"，本质是拿一套假设去对照市场的合意价格——假设不同，结论就不同。这解释了为什么平台把三个模型的假设（增长率、无风险利率、折现率）全部摊开：估值结论可以争论，假设必须透明。

（如图10-1所示）

图10-1 估值三模型的选择逻辑与配合链

从估值到风险测评：β、波动率与VaR

估值的延伸是风险测评：除了"值不值"，还要回答"险不险"。风险度量有三个层次：β度量市场风险，波动率度量整体风险，股息率度量收益稳定性。把三者合成一张风险画像，投资者就能看到一只股票的全貌——完整的金融分析等于价值判断加风险画像。只谈收益不谈风险，是散户最常犯的错误；金融史上反复出现的教训，无不与风险的错估有关。

风险画像的定量化，绕不开风险价值（VaR，Value at Risk）：给定置信水平与持有期，资产组合的最大可能损失。Jorion在2007年出版的《Value at Risk》第三版中，系统整理了VaR的三种算法^[8]：参数法假设收益率服从正态分布，直接用波动率、相关系数与置信水平对应的分位数计算——β与波动率正是参数法的核心输入变量；历史模拟法不对分布做假设，直接取历史收益率序列的分位数；蒙特卡洛模拟则随机生成海量情景，逐条计算损益再取分位。三种方法各有代价：参数法快而依赖假设，历史模拟法直观而受制于样本，蒙特卡洛灵活而计算量巨大。平台的风险画像模块，把β、波动率与VaR一并呈现，让"险不险"从直觉变成数字。

用数字说话的例子：一个1000万元的投资组合，95%置信水平、1天持有期的VaR为50万元，含义是"明天亏损超过50万元的概率不超过5%"。参数法下VaR = z × σ × √t，z由置信水平决定（95%对应1.645），σ是组合波动率，t是持有期天数——波动率与β作为输入变量的地位，在这里看得清清楚楚。三种算法对同一组合常常给出相近而不同的数字：历史模拟法依赖样本窗口的长短，蒙特卡洛依赖随机种子的质量。风险度量本身也有模型风险——度量风险的尺子，同样需要校准。

在平台上验证

打开股票估值工具（股票估值），输入"600519"（贵州茅台），观察自动估值流程：行情数据从哪来（采集：腾讯/东财接口）、β如何计算（处理：收益率回归）、三个模型如何取值（分析：DDM/CAPM/FCFF）、解读如何生成（智能：Agent生成估值结论与风险提示）。再输入一只高β的科技股对比：观察β不同如何改变估值结论与风险画像——这就是CAPM在真实数据上的样子。也可以把两个平台的输出并排对照：同一只股票，估值页面的风险画像与工作流里各节点的中间数据一一对应——平台把"采集→处理→分析→智能"的每一步都摊开给你看，这正是ABI分层可追溯的价值。顺带一提，这家公司的数字化进程，你会在数字化转型指数平台上看到另一个视角：其2025年数字化转型指数为6.22。

（如图10-2所示）

扫码访问股票估值平台

第二节 智能风控：信贷违约预测的ABI路径

这一节的核心主张：风控的本质是用历史数据预判未来风险——信贷违约预测的六步路径，是"数据→模型→决策"的标准范式，可解释性贯穿始终。

违约预测是什么

信贷违约预测回答：给定一个借款人的特征（收入、负债、历史信用、行业），他违约的概率是多少？预测的终点是决策——银行用预测结果决定：放贷、拒贷、还是提高利率。这决定了风控模型的两条特殊要求：可解释性（为什么拒贷必须说得清，监管要求）与公平性（不能因性别、地域等敏感特征歧视）。信贷是银行最古老也最核心的业务，贷款质量直接决定银行的生死，不良贷款率是监管与市场共同盯着的红线。正因如此，违约预测从"拍脑袋审批"进化到"模型评分"走了近一个世纪：从专家经验打分卡（国际通行的FICO信用评分就是其代表），到统计模型，再到今天的机器学习双模型。

违约预测的统计根基，可以追溯到20世纪中叶。Berkson在1944年提出logit变换，把"概率落在0到1之间"的约束转化为线性可加的形式^[9]，为后来的逻辑回归铺平了道路；Hosmer与Lemeshow在2000年出版的《Applied Logistic Regression》中，系统建立了逻辑回归的建模、检验与诊断框架^[10]。逻辑回归的输出天然就是违约概率，每个特征的系数符号与大小直接可读——这是它历经半个多世纪仍是信贷风控主力模型的原因。

信贷审批的进化史，就是一张评分卡的进化史。早期银行依赖信贷员的专家经验：客户经理面谈、看流水、问用途，判断依据装在人的脑子里，尺度因人而异。20世纪50年代起，统计评分卡登场：把收入、负债、职业、历史还款记录等特征量化打分，加总成信用分数，越过分数线就放贷。评分卡让审批尺度统一、可审计，代价是表达力有限——线性加权难以刻画特征之间的复杂交互。今天的机器学习双模型，正是在评分卡的"可解释"与复杂模型的"高精度"之间寻找平衡点：模型负责捕捉规律，|β|与特征重要性负责把规律说给人听。

数据与类别不平衡

平台上的信贷违约风险分析平台（信贷违约风险分析），使用26个特征刻画借款人：收入、负债、历史信用、行业、贷款用途等。训练集500条，测试集1999条。真实场景的第一个麻烦随即出现：训练集中违约样本仅占2%——98%的借款人按时还款。类别严重不平衡时，准确率会骗人：模型把所有样本都判为"正常"，准确率高达98%，却一个违约都抓不住，对银行毫无价值。

对策是过采样。Chawla等人在2002年提出SMOTE算法（合成少数类过采样技术）：在少数类样本与其近邻之间插值，合成新的少数类样本^[11]，把违约比例从2%提升到50%。插值合成的样本带有真实违约者的"基因"、又各有差异——这让模型有足够的正例可学，又不至于过拟合到个别样本上。

处理类别不平衡还有另一条路：欠采样——从多数类里随机丢弃样本，把两类凑成1:1。欠采样简单，却浪费了多数类里的信息；SMOTE走的是"增"的路线，保留全部多数类样本，只给少数类"加人"。合成样本的机制也讲究：对每个违约样本找它的k个近邻，在样本与近邻的连线上随机取点，生成的新样本既带违约者的特征，又各不相同。若只是把2%的违约样本简单复制25倍，模型会把那几十条样本背得滚瓜烂熟，换一批数据就露馅——插值合成的意义，正在于让模型学到"违约者的模样"，记住"个别违约者的面孔"。测试集1999条保持真实的违约比例，用来检验模型在实战场景下的表现。

评估阶段要盯住三个指标：精确率回答"模型判为违约的样本里，真违约占多少"，召回率回答"真实违约的样本里，模型抓住了多少"，AUC则是把判定阈值从0扫到1时真阳率与假阳率围成的面积——AUC越接近1，模型的排序能力越强。对银行而言，漏掉一个违约者的代价（本金损失）远大于误伤一个正常客户的代价（利息损失），所以风控模型通常优先保召回率，再用人工复核兜住误伤。

（如图10-3所示）

图10-3 SMOTE类别平衡示意：从2%到50%

双模型与特征重要性

平台同时训练两个模型：逻辑回归与随机森林。逻辑回归胜在可解释——每个特征的系数β直接读作"该特征每变化一个单位，违约对数几率的变化量"，平台按|β|大小排序，给出特征重要性清单：哪个特征在驱动违约风险，一目了然。随机森林胜在表达力——它能捕捉非线性关系与特征交互，其内置的特征重要性（按分裂增益累计）与逻辑回归的|β|互为印证。

双模型的价值在于交叉验证：两个模型对同一批样本打分，结论一致处增强信心，分歧处恰好提示人工复核。一家机构如果只养一个模型，模型的盲区就是机构的盲区；双模型乃至多模型对照，是风控工程里的常规配置——这与第一节多模型估值的思路同源：单个模型各有盲区，多个模型互为校验。

双模型的组合还有一层统计上的讲究：逻辑回归的偏差低、方差高，随机森林的偏差高、方差低——两者在误差结构上天然互补。一个对线性关系敏锐，一个对非线性关系擅长；一个把结论说成"概率"，一个把结论说成"投票"。当两个来源不同的证据指向同一结论，决策的底气就足得多。这如同医生诊断：化验单与影像片各看一面，两份报告互相印证，才敢下结论。

建模路径六步

把上述内容串成流程，信贷违约预测走六步：①定义目标——预测什么（是否违约）、预测期多长（12个月）；②数据采集——借款人特征与历史违约记录（第5章的采集能力）；③数据清洗——缺失值、异常值、重复值处理（第6章）；④特征工程——构造收入负债比、信用评分等衍生特征（第6章）；⑤模型训练与评估——划分训练/测试集，用准确率、召回率、AUC评估（违约样本稀少时准确率会骗人，召回率与AUC更可靠）；⑥部署与决策——模型上线，预测结果进入信贷决策流程。六步合起来，就是ABI三层在风控中的完整落点：业务层跑数据与模型，智能层生成决策建议，应用层呈现给信贷员。

六步之中，特征工程与部署最见功夫。特征工程决定模型的上限：收入负债比（月还款额占月收入的比例）、近12个月查询次数、历史逾期天数，这些衍生特征比原始字段更能刻画还款意愿与还款能力——第6章的构造思路在这里直接复用。部署则决定模型的生命力：评分接口供信贷系统实时调用，批处理供贷后监控定期重跑，更重要的是持续监控——客群结构变了、宏观环境变了，模型表现下滑，就要重新训练。模型上线之日，正是监控开始之时。

（如图10-4所示）

图10-4 信贷违约预测的ABI链路

风险提示：模型的边界

风控模型必须知道自己的边界。第一重风险是数据偏差：历史违约样本稀少，模型可能低估新客群的风险——2%的违约率意味着模型见过的"坏人"本来就少。第二重风险是特征漂移：经济周期切换、行业政策调整，都会让旧模型失效——用旧年份数据训练的模型，未必看得懂当下的信贷环境。第三重风险是对抗行为：借款人可能针对模型"优化"自己的特征，把违约风险藏在表面合规的申请材料里。

数据偏差还有一个更尖锐的伦理维度：如果历史数据本身带有歧视（比如特定地域、特定性别的拒贷记录），模型会把它学进去并放大。这正是可解释性成为监管要求的原因——我国《个人信息保护法》对自动化决策提出透明度要求，银行必须能说清"为什么拒贷"。试想：一家银行用黑箱模型拒掉一笔贷款，却无法向客户解释依据，监管追问、客户投诉、声誉折损接踵而至。银行不敢把决策完全交给黑箱。风控的工程实践因此强调人机协同：模型给出评分与依据，人工审查做最终决策——模型负责"快"，人负责"稳"。这与第3章Agent的安全边界、第7章"平台负责算、人负责懂"一脉相承。

工程上，对模型风险的治理已经形成一套流程：训练集之外留出验证集与回测窗口，检验模型在未见数据上的表现；对极端情景做压力测试，看经济下行时模型的违约率预测是否仍合理；模型上线后登记造册，定期复核，重大变更须经风控委员会审批。可解释性一侧，除了逻辑回归自带的系数解读，业界还发展出特征归因、局部解释等事后解释技术——给复杂模型的每个判断附上一份"理由清单"。透明是模型的必备属性，是监管的底线，也是业务方的安全感来源。

在平台上验证

打开信贷违约风险分析平台（信贷违约风险分析）：查看数据说明（26特征、500条训练/1999条测试）、SMOTE前后的类别分布、双模型的评估指标（准确率、召回率、AUC）与特征重要性排序。再打开工作流画布（workflow-demo），找到预设的信贷风控工作流：数据采集→数据清洗→特征工程→模型评估，运行并查看各节点的中间输出。最后模拟一次决策：输入一个借款人特征，看模型预测与依据，再对照人工审查流程——观察模型建议与人工判断如何互补，这就是智能风控的真实工作方式。对照时留意一个细节：模型的输出里永远带着依据——逻辑回归给出系数解读，随机森林给出特征重要性，Agent把两者整理成给信贷员的自然语言建议。机器负责算，解释由机器做，决定由人拍板。

（如图10-5所示）

（如图10-6所示）

扫码打开工作流画布

两个应用的ABI链路对照

把第一节的估值应用与第二节的风控应用并排看，会发现它们共用同一副ABI骨架：应用层都是给用户看的界面（估值结论、信贷决策），业务层都是数据与模型（行情→β→估值模型；特征→SMOTE→双模型），智能层都是解释与建议（Agent生成估值解读；模型输出违约概率与依据）。差异在业务层的数据源与智能层的输出形态：估值的原料是公开行情，风控的原料是私有申请信息；估值输出的是"值不值"的判断，风控输出的是"能不能贷"的决策。

更深一层的差异在错误的代价。估值估错了，投资者亏的是自己的钱，市场会用价格纠正；风控判错了，银行亏的是储户的钱，监管会用罚单纠正。错误的代价不对称，决定了两个应用的容错策略：估值应用可以大胆给出"低估"的判断供参考，风控应用却必须把"拒贷"的理由写得清清楚楚——前者承担建议责任，后者承担决策责任。这也是为什么本章两个应用都把可解释性放在首位。

（如图10-7所示）

图10-7 两个应用的ABI链路对照

两个应用的共同底线也完全一致：模型可解释、决策可追溯、人工可介入。估值模型必须说清"为什么低估"，风控模型必须说清"为什么拒贷"——金融场景里的AI，透明比聪明更重要。

章末小结与追问

本章把金融理论装进了零代码平台：第一节用DDM、CAPM与FCFF完成"行情→估值→风险"的金融分析链——Gordon的股利贴现^[4]与Sharpe的风险定价^[5]从公式变成按钮，Jorion的VaR框架^[8]把"险不险"变成数字；第二节用信贷违约预测走完"数据→模型→决策"的风控路径——从Berkson的logit变换^[9]到Hosmer与Lemeshow的逻辑回归体系^[10]，再到Chawla的SMOTE平衡^[11]，统计学的百年积累在零代码平台上跑通。Markowitz的现代组合思想^[3]在风险测评中延续，Fama的有效市场假说^[6]则时刻提醒着模型的边界：市场不完全有效，模型才有价值；模型不完美，人工复核才有必要。

金融数智化的本质，可以概括为三句话：让理论一键可达、让模型可解释、让决策可追溯。唐松等^[1]与李春涛等^[2]的实证研究告诉我们，金融与技术的结合正在改变资源配置的方式；本章的估值与风控实训，则是这种改变在个人技能层面的落点。

留三个问题给你想一想：

1. DDM需要r、CAPM提供r——如果一家公司不分红，DDM失灵，你会用什么替代方法估值？FCFF与DDM的估值口径差异说明了什么？
2. 信贷违约预测中"准确率会骗人"——什么场景下准确率指标会误导决策？AUC为什么更可靠？
3. 风控模型的"可解释性"为什么是监管要求？如果模型说不清拒贷理由，会有什么后果？

参考文献

1. [1] 唐松, 伍旭川, 祝佳. 数字金融与企业技术创新——结构特征、机制识别与金融监管下的效应差异[J]. 管理世界, 2020(5).
2. [2] 李春涛, 闫续文, 宋敏, 等. 金融科技与企业创新——新三板上市公司的证据[J]. 中国工业经济, 2020(1).
3. [3] Markowitz H. Portfolio selection[J]. The Journal of Finance, 1952, 7(1): 77-91.
4. [4] Gordon M J. Dividends, earnings, and stock prices[J]. The Review of Economics and Statistics, 1959, 41(2): 99-105.
5. [5] Sharpe W F. Capital asset prices: A theory of market equilibrium under conditions of risk[J]. The Journal of Finance, 1964, 19(3): 425-442.
6. [6] Fama E F. Efficient capital markets: A review of theory and empirical work[J]. The Journal of Finance, 1970, 25(2): 383-417.
7. [7] Amihud Y, Mendelson H. Asset pricing and the bid-ask spread[J]. Journal of Financial Economics, 1986, 17(2): 223-249.
8. [8] Jorion P. Value at Risk: The New Benchmark for Managing Financial Risk[M]. 3rd ed. New York: McGraw-Hill, 2007.
9. [9] Berkson J. Application of the logistic function to bio-assay[J]. Journal of the American Statistical Association, 1944, 39(227): 357-365.
10. [10] Hosmer D W, Lemeshow S. Applied Logistic Regression[M]. 2nd ed. New York: Wiley, 2000.
11. [11] Chawla N V, Bowyer K W, Hall L O, et al. SMOTE: Synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16: 321-357.

数据与平台：本章实训绑定 zhenyuonline.cn 真实应用（stock-valuation 估值工具 / credit-prediction 信贷违约风险分析平台 / workflow-demo 工作流画布）。页面渲染图均为平台实测截图。