发现了吗？Assignment 1要求你做数据整合、特征工程 (Feature Engineering)、ML模型评估。但截止那天，你上的Tutorial最远只练到了Unsupervised Learning。Financial Data Handling这个跟Assignment 1直接相关的Topic，Lecture刚讲完，Tutorial要下周才做。

你交作业的时候，连这门课最相关的那节Tutorial都还没做过。

🎬 同样的事情在Assignment 2再来一遍

Assignment 2——Portfolio Construction and Backtesting，占25%，Week 10截止。

这次更极端。ML-Driven Portfolio Construction II的Lecture安排在Week 10本身，而Portfolio Construction I的Tutorial也在Week 10才做。也就是说：

• 你还在听Portfolio Construction的第二堂课
• 你刚刚在Tutorial做了Portfolio Construction的第一次练习
• 然后当天晚上交一份关于Portfolio Construction和Backtesting的完整作业

这不是"时间紧"——这是课程设计有意为之。两份Individual Assignment占了总分的50%，每份都要求你在正式练习之前就已经能独立输出。

💰 前5周才是真正的生死线

很多人以为研究生课程前几周可以慢慢进入状态，这门课不行。Week 1到Week 5的节奏是这样的：

Week 1-2：地基期

AI导论和ML Foundations。如果你的FINC5001（前置课）学得扎实，这两周问题不大。但如果你对Python和基本的回归/分类概念不熟悉，这两周就已经开始掉队了——因为这门课不会教你Python基础。

Week 3-4：方法积累期

Tree-Based Models（随机森林、XGBoost）和Unsupervised Learning（聚类、降维）。这是Assignment 1用得上的方法论储备。Week 3-4学到的模型，Week 5要在作业里跑出来。 中间只隔了一个Tutorial的练习时间。

Week 5：撞墙期

Financial Data Handling这堂Lecture是Assignment 1的直接对口内容，但你只能听完Lecture、来不及做Tutorial就得交。实际操作中，这意味着你必须在Week 3就开始着手Assignment 1的数据准备工作，不能等Week 5的Lecture"教完了再动手"。

⚠️ 组队的40%不是你想的那样

剩下的分数结构：Group Report 30% + Pitch 10% + Participation 10%。

组队部分的隐藏设计是——Pitch在Week 13，Report在STUVAC交。大多数人的直觉是先写Report再做PPT去Present。但这门课反过来：先上台讲你的AI金融项目，拿到反馈，然后利用STUVAC那一周修改完善Report。

对于一门2026年第一次开的课，这个设计意味着Pitch环节的评分标准可能也在调整中。你没有任何"去年的Pitch长什么样"可以参考。唯一能确定的是——你的队友在Week 12之前如果还没开始准备，Week 13上台就是即兴发挥。

全部考核都允许使用AI。在一门教你AI的课里用AI写作业，听起来很合理，但这也意味着评分的区分度不在"会不会用AI"，而在你能不能解释AI给出的结果在金融场景中意味着什么。跑出一个模型不难，难的是告诉别人这个模型的Portfolio为什么在2020年3月会亏30%。

这门课的真正门槛不是技术，是你对金融逻辑的理解深度——AI只是工具，Financial Intuition才是考核在筛的东西。