5月16日，人工智能与金融计量学术研讨会在厦门大学经济楼举行。会议由厦门大学经济学院、王亚南经济研究院、邹至庄经济研究院主办，厦门大学经济学院金融系、计量经济学教育部重点实验室(厦门大学)承办。本次研讨会也是邹至庄经济研究院十周年系列学术活动之一。
16日上午，会议开幕式在厦门大学经济楼N302举行。中国科学院大学经济与管理学院院长、厦门大学邹至庄经济研究院院长洪永淼，厦门大学经济学院、王亚南经济研究院院长周颖刚分别致开幕辞，开幕式由厦门大学经济学院金融系主任姜富伟教授主持。
洪永淼院长对专家学者们的到来表示热烈欢迎，并回顾了厦门大学计量经济学学科的建设发展历程。他表示，厦大经济学科拥有理论经济学、应用经济学、统计学3个一级学科，具备学科交叉融合的独特优势，鼓励如金融计量等交叉学科的发展。同时他期待今后各院系所中心能更积极组织开展学术交流活动，共同推动金融计量、计量经济学等学科的发展。
周颖刚院长介绍了厦大经济学科自1921年以来的百年发展历程，如今已形成“三位一体”发展格局。他指出，面对AI时代的到来，厦大经济学科主动识变、应变、求变，积极布局交叉学科发展，并阐述了经济学科在AI时代的一系列教育教学新举措。最后，他希望专家学者们能够畅所欲言、深度交流，凝心聚力助推金融计量研究迈上新台阶。
主旨演讲
本次研讨会共设置6场主旨演讲。波士顿学院肖志杰教授，清华大学（深圳院区）刘岩教授，首都经济贸易大学李鲲鹏教授，北京大学涂云东教授，清华大学苏良军教授，东南大学孔新兵教授先后作精彩报告分享。主旨演讲环节分别由厦门大学吴吉林教授、童晨副教授、梅小玲副教授主持。
肖志杰：Option Pricing with Unknown Error Distribution
肖志杰教授介绍了其与花秋玲、周洪涛合作的研究成果。研究聚焦期权定价领域的方法创新，重点探讨如何突破传统模型对误差分布的强假设限制，构建更贴合实际市场的定价框架。自1973年Black、Scholes 和 Merton基于无套利原则与有效市场假说提出经典期权定价模型以来，该领域后续研究长期围绕放松模型假设展开。主流方向包括引入随机波动率与GARCH模型解决常数波动率问题，将正态分布推广至伽马分布、广义误差分布以适配收益的偏度与厚尾特征。但上述改进仍未脱离参数化分布假设的框架，存在模型设定偏差风险。基于此，研究团队创新性地结合分位数回归与指数变换方法，利用反聚合技术提升收益分布的灵活性。通过似然比构造同时满足鞅性质与无套利原则的测度变换，将分位数信息融入等价鞅测度的构建过程，搭建了分位数分析与期权定价之间的理论桥梁。蒙特卡洛模拟与市场数据的实证结果表明，相较于传统正态分布法和GARCH结合广义误差分布法，该方法的定价相对误差更低，与实际市场价格的拟合度更优。
刘岩：Machine Learning Meets Markowitz
刘岩教授首先指出现有的金融机器学习研究范式一般包含两个阶段：首先，预测资产收益率，然后，将预测结果代入优化器求解。他认为，该两阶段分离式框架存在根本性缺陷，过度侧重统计拟合（MSE），与投资者效用、真实交易约束脱节，导致模型实用性不足，并存在无法做空、交易成本侵蚀收益、极端持仓风险过高、非流动性股票交易价格失真等问题。基于此，实现两阶段的一体化融合至关重要。刘岩教授提出端到端的双层优化框架作为核心解决方案，将期望收益率生成过程与最终投资组合优化环节统一整合：上层优化机器学习模型参数，下层明确纳入仅多头、交易成本、马科维茨风险惩罚等现实约束，跳过中间预测步骤直接输出最优持仓权重。同时通过隐函数定理解决了约束条件下的导数传播难题，实现完整的梯度反向传播。实证分析结果证明，这种全新的端到端方法显著优于传统两阶段范式。新范式可以根据每位投资者的风险偏好、个体约束以及市场摩擦等因素，为每位投资者投建高度个性化的内生最佳投资组合。
李鲲鹏：Asset Pricing Model with Network Effects
李鲲鹏教授介绍了实证资产定价领域的典型事实：简约式因子模型被广泛应用于捕捉股票收益协动关系；然而，供应链、投入产出网络、共同机构持股等经济联系会在股票间产生局部相关性，这类局部协动难以被全局性因子结构充分刻画，现有研究对网络效应的系统性建模仍存在空白。基于这一事实，李鲲鹏教授构建了同时包含个体异质性网络系数与不可观测系统因子的空间资产定价模型，并在理论上证明了空间自回归模型（SAR）与空间误差模型（SEM）在因子框架下的等价性，同时将模型拓展至部分因子可观测情形以规避遗漏因子问题。研究主要贡献在于：理论上为将强因子、弱因子与网络效应纳入统一定价框架提供了严格的计量基础；方法上设计了ECM批量估计算法，将N维异质性系数优化降维为一维目标函数求解，使高维场景下的计算时间从数天缩短至数分钟，并使用蒙特卡洛模拟（1000次重复）验证了有限样本下的良好统计性质。研究发现，以标普500成分股2004-2023年数据为样本，结合Thomson / Refinitiv机构持仓数据构建共同持股空间权重矩阵，引入网络效应后，残差热力图显示局部相关性被显著吸收，基于预测值构建的多空组合在大部分样本期内取得正向累计超额收益。
涂云东：Unified Inference for Predictive Quantile Threshold Regressions
资产收益可预测性自Dow（1920）提出以来，一直是金融计量领域的核心议题，现有研究多依托线性预测回归框架展开。涂云东教授指出，经典预测变量仅在少数尾部分位数下展现显著预测能力，其根源在于既有模型忽略了门限效应与结构不稳定性，而较少有文献专门建模分位数预测回归中的门限特征，亦缺乏适配多重持续性预测变量的稳健推断框架。基于此，涂云东教授以1990-2021年标普500月度超额收益率为样本，以工业生产月度增速为门限变量，构建了单门限分位数预测回归模型，允许区制间截距可变、兼容平稳、近单位根、弱爆炸等四类持续性预测变量。在推断上引入IVX滤波技术以解决内生性问题，借助随机加权自助法（RWB）规避条件密度等冗余参数的直接估计，构造RWB-IVX检验统计量，从而实现不依赖预测变量持续性类型的统一卡方渐近推断。研究发现，门限值估计趋近于零，收益预测性在经济衰退与扩张两大区制下存在显著分化；相较于线性分位数回归，门限模型额外识别出账面市值比、通胀率、违约收益率等变量的尾部预测能力，单区制内拟合优度与样本外预测精度均显著提升。蒙特卡洛模拟进一步验证，传统Wald检验在强持续变量下存在严重尺度扭曲，而RWB-IVX检验在序列相关、条件异方差等多种情形下均保持良好的尺度控制与检验功效。
苏良军：Robustifying PCA Estimators for Panel Data Models
苏良军教授围绕面板数据模型中PCA估计量的稳健化进行分享，重点讨论了面板数据模型中弱因子情形下主成分分析（PCA）估计量存在的偏误与推断失真问题。苏良军教授指出，传统PCA方法虽然是处理含潜在因子的经典工具，但在弱因子条件下会出现显著偏差与统计推断失真。为解决这一问题，苏良军教授提出了稳健化主成分分析（RPCA）三阶段估计方法。该方法首先对解释变量进行去因子化处理，提取不受潜在公共因子影响的外生部分；随后通过迭代估计结合双重消除矩阵，降低因子估计误差对参数估计的影响；最后进一步更新估计量，从而获得渐近无偏且一致的估计结果。此外，研究采用Dependent Wild Bootstrap方法进行渐近方差估计，构建置信区间，以适应异方差与自相关误差结构。RPCA有效克服了传统PCA与现有去偏方法的缺陷，解决了弱因子下估计偏误、推断过度保守等问题，兼具理论严谨性与实证适用性，丰富了交互固定效应面板数据的研究体系，为实证研究提供了更可靠的计量工具。
孔新兵：Data Synchronization at High Frequencies
孔新兵教授围绕高频金融数据同步问题展开分享。他指出，高频金融数据具有交易频率高、数据规模大以及市场微观结构复杂等特点，其中不同资产交易时间的不一致性会导致数据存在非同步现象，该问题会进一步影响协方差估计、波动率矩阵构建等关键金融计量任务的准确性，并且随着采样频率的提高，由其引发的估计偏差会更加明显。针对传统前值填充、线性插值与EM算法等同步方法在高维场景下的信息损失、估计偏误以及计算耗时问题，孔新兵教授构建了潜在增量矩阵，将异步数据生成机制转化为大规模线性约束系统，在矩阵补全框架下最小化核范数，同时结合低秩与稀疏性约束构建优化目标，实现数据精准对齐。该方法充分利用全量数据信息，相较于传统EM算法具有更高的计算效率和更好的高维适应能力，在变量选择、即时贝塔计算等仿真任务中表现更优，尤其在高频场景展现出显著优势，且具备理论保证与稳健性。该研究为金融高频数据的同步处理提供了高效可行的新方案，助力提升金融量化等相关领域分析的准确性。
特邀报告
除主旨演讲外，会议还邀请了中南财经政法大学董朝华教授，湖南大学李海奇教授，香港科技大学（广州）王晓雨助理教授作特邀报告分享。该环节分别由厦门大学陈力副教授、薛博文助理教授主持。
董朝华：Robust M-Estimation for Nonparametric Additive Cointegrating Models——Generalized Function Approach
由于当前研究环境中存在大量数据非平稳、含确定性趋势以及模型非参数的情况，传统M估计量失效，因此，董朝华教授提出了一种基于广义函数方法的稳健M估计理论框架。该研究的目标是寻找一种能光滑逼近原函数的广义函数，以解决损失不光滑、部分区间不可导的问题。研究以最小绝对偏差、分位数损失以及Huber损失为重点，构造了损失函数的正则序列，该序列无穷可微，且导数可在广义函数意义下收敛至损失函数。基于上述分析，董朝华教授介绍了该正则序列的假设、定义以及关键Lipschitz条件，并对序列的一阶导数和二阶导数收敛性质和收敛速度做出说明。收敛图示表明，随着m的增大，正则序列逐渐逼近三种原始损失函数。最后，通过序列展开和目标函数二次近似，可以证明估计量具有一致收敛性且渐进正态分布。董朝华教授的研究克服了过去在模型适用性和非光滑损失处理上的不足，为非平稳、非参数框架下的稳健统计推断提供了可行的方案。
李海奇：Beyond Principal Components: Likelihood-based Estimation of Time-varying Factor Models
由于传统主成分分析存在异方差时估计不一致，而高维主成分分析有效性较低等不足，同时因子增广回归存在只能预测连续变量和忽略结构不稳定性的局限，李海奇教授选择依托极大似然估计方法，展开高维时变因子模型分析。研究首先设定模型的基本形式和协方差矩阵，并引入核函数定义局部协方差矩阵，基于此构建局部MLE的目标函数。李海奇教授推导出时变框架下的一阶条件作为估计基础。针对参数估计的边界效应问题，研究采用反射法寻找边界点对称数据，并提出五个识别条件解决模型中的旋转模糊问题。在此基础上，研究设计适用于时变场景的EM算法进行数值求解。在一系列正则假设下，李海奇教授证明了因子载荷、残差方差及因子协方差矩阵估计量的一致性，给出了收敛速度，并建立了因子估计量的渐近等价性质与渐近正态性；在二元变量时变因子增广回归中，也证明了因子系数估计的一致性以及渐近正态性。最后，李海奇教授将该方法应用于股票市场收益方向预测，发现TVFAR模型的ROC曲线更加接近左上角，从而验证了所提方法的有效性与可靠性.
王晓雨：Large Deviations in Sampling and Option Pricing: Two Applications — Empirical Measure Deviations and Short-Maturity Asymptotics
王晓雨助理教授以大偏差原理（Large Deviations Principle, LDP）为主线，介绍了其在两个不同问题中的应用：Langevin采样与短期期权定价。在 Langevin 采样中，LDP用于刻画采样器的经验分布偏离目标分布的罕见事件概率，从而为理解采样算法的收敛性、稳定性以及算法设计提供理论依据，特别适用于约束采样等高维场景。在短期期权定价中，虚值期权收益通常由极短时间内的罕见资产价格或波动率路径驱动。LDP将定价问题转化为寻找最小概率成本路径的问题，使期权价格由速率函数主导。进一步地，报告介绍了European与VIX期权的短期价格渐近、平值期权主导阶公式，以及近ATM隐含波动率展开。相关公式可刻画波动率微笑的水平、偏度和曲率，并为短期定价、模型比较与校准提供解析工具。
分组报告
研讨会共设置7场分组报告，23位学者围绕“金融计量前沿理论与方法” “机器学习与资产定价因子模型”“绿色金融、ESG与金融风险预测”“金融市场预测与宏观经济风险”“投资组合优化与市场微观结构”“大语言模型（LLMs）与非结构化文本挖掘”“人工智能与宏观经济”等主题展开学术成果汇报并进行交流讨论。
至此，人工智能与金融计量学术研讨会圆满结束。本次会议聚力搭建学术交流平台，来自全国高校和学术机构的知名专家学者及厦大经济学科师生代表等汇聚一堂，共同探讨人工智能时代的金融计量方法、应用与挑战，探索具有时代意义的金融计量学发展新路径。
（经济学科 冯思睿 郭婷婷 郑芷延 陈彦琪）
