7月7-9日，2025金融经济学与数据科学暑期学术研讨会在厦门大学召开。本次研讨会汇集国内外顶尖学者与企业专家共聚一堂，深入探讨人工智能、数字经济与金融科技等领域的研究成果。本研讨会由清华大学孵化的学说平台、厦门大学经济学院、厦门大学王亚南经济研究院和厦门大学邹至庄经济研究院联合主办，厦门大学经济学院金融系承办，康奈尔大学商学院金融科技中心、斯坦福金融科技高阶实验室、哥伦比亚大学数字金融与科技中心、复旦-斯坦福中国金融科技与安全研究院等机构提供学术支持。
开幕式
7号上午，开幕式在经济楼C108举行，厦门大学经济学院、王亚南经济研究院院长周颖刚，清华五道口兼职研究员、学说科技联合创始人兼CEO李鹏飞依次致辞，开幕式由厦门大学经济学院金融系主任姜富伟主持。
周颖刚首先对与会嘉宾表示热烈欢迎。他简单介绍了厦门大学经济学科的历史沿革、“三位一体”的格局以及近期新开设的“经济+数据科学” “金融+数据科学”双学士学位项目。
周颖刚指出，当前全球经济正加速迈向数字化转型，在此背景下，本次研讨会的召开恰逢其时。研讨会为推动相关学科研究、探讨最新发展动态提供了交流平台，也为青年学者创造了与顶尖专家学者建立联系的机会。
最后，他衷心祝愿与会嘉宾能够在本次研讨会中收获思想启迪，同时祝愿大家在厦门度过一段充实而又美好的时光。
李鹏飞首先对研讨会的主办、支持单位表示感谢。随后，他对学说平台的创立背景、发展现状展开了简要阐述。他提到，该平台自成立以来，始终致力于学术资源共享与科研协作的推进，在整合学术资源、搭建交流桥梁等方面发挥了重要作用。
李鹏飞指出，本次研讨会是“ADEFT Academy”系列科研教学活动的一部分，希望充分利用数字技术建立一站式平台向全球的研究人员和学生介绍世界顶尖学者的最新研究成果，促进不同地区和国家的学者的学术讨论，并组织人工智能、数字经济与金融科技领域的研究和产业交流活动。
最后，他介绍了出席本次研讨会的海内外专家学者和研讨会议程，并预祝与会者通过本次研讨会收获启发，满载而归。
主旨演讲
范剑青斯顿大学Frederick L. Moore'18冠名金融学讲席教授
7日上午，范剑青教授带来了题为“Measuring Misinformation in Financial Markets”的开幕主旨演讲。
范剑青首先引用了2023年的一项调查数据：在美国市场18至54岁的投资者中，有近34%的人曾从社交媒体或网络上获取到错误信息。他指出，尽管这一现象已较为普遍，但针对该问题的研究却相对匮乏。基于此，他希望提出一个能够衡量公司层面错误信息的分析框架。
在构建这一框架时，范剑青明确了两个核心原则——信息一致性与来源可靠性。围绕这两大原则，他借助神经网络技术对海量文本数据进行信息主体分类，并根据信息来源的不同赋予相应权重，最终构建出错误信息的度量。为了检验这一测度的有效性，范剑青将错误信息数据与公司财报披露质量展开回归分析，结果显示二者呈现显著负相关关系，这证实了测度模型的可靠性。进一步研究发现，公司特征、企业集中度以及公司事件的发生均会对错误信息测度的大小产生影响。同时，错误信息也会影响投资者的关注度，并对未来的股票收益率及交易量形成有效预测。
桑联邦理工学院金融学副教授兼金融工程系主任
7日下午，Semyon Malamud副教授以“APT or AIPT: The Surprising Dominance of Large Factor Models”为题进行了在线主旨演讲。
Semyon Malamud的分享以投资组合理论为起点，循着理论演进的脉络，逐步将话题从基础模型延伸至机器学习领域。他指出，资产定价的源头可追溯至投资组合理论，但早期该理论所采用的折现因子过于简化，难以精准契合复杂的现实市场环境。为此，需要从简单的无风险利率折现因子扩展为随机贴现因子 (stochastic discount factor, SDF)。于是，资产定价的目标也随之转变为对随机贴现因子的寻找与检验。在过往的理论框架中，随机贴现因子常被设定为若干不可观测定价因子的线性组合，然而这种线性假设依旧存在简化现实的问题。
当前大量研究已证实，这些定价因子之间存在非线性关系，因此需要引入高维建模与机器学习框架来破解难题。基于此，Semyon Malamud运用机器学习框架对这些高维因子进行估计。研究发现，通过机器学习构造的因子在样本外的表现并不逊色于Fama-French的传统因子模型。此外，Semyon Malamud还展示了如何利用这一估计结果来构造可获利的投资组合。
姜富伟 厦门大学经济学院金融系主任
姜富伟教授带来了题为“Market Risk Premium: A Single Optimal Predictive Factor in High Dimension”的主旨演讲。
姜富伟重点分享了在高维情形下，如何借助最优单因子模型预测市场风险溢价。他指出，预测股票收益率尤其是权益溢价始终是金融领域的重要议题，但学界对于股票市场是否具备可预测性长期存在争议。不仅如此，股票市场预测通常面临高维问题，具体表现为因子选择过多、样本外表现不佳等问题。针对这些痛点问题，姜富伟提出了OLF（Optimal Linear Factor）方法。该方法的核心逻辑是通过寻找最优权重，将高维解释变量组合成一个可有效预测被解释变量的单因子，且在特定假设条件下，其有效性有统计渐进性理论作为支撑。
此外，为进一步验证OLF方法的优势，姜富伟将其与主成分分析（PCA）、偏最小二乘法（PLS）进行比较。结果显示，OLF方法选取的变量权重具有稀疏性特点，且在预测效果上显著优于另外两种方法。
顿大学福斯特商学院金融与商业经济系助理教授
8日上午，Léa H. Stern助理教授带来了题为"Opportunities and Challenges of ML and AI in Corporate Finance Research"的在线主旨演讲。
Léa H. Stern系统介绍了机器学习（ML）与人工智能（AI）在公司金融研究中的方法论及应用前景。她首先明确了ML与AI的基本概念，阐述监督学习与无监督学习的差异，强调深度学习与强化学习的技术优势。她指出文本分析和非结构化数据，如财报电话会议记录、新闻文本及多模态数据等，为研究者提供了丰富的信息来源。这些新兴的数据分析技术也为估计异质性处理效应、规避函数形式假设提供了新路径。
随后，Léa H. Stern探讨了预测（Prediction）和因果推断（Causal Inference）的范式转变，指出ML算法能够有效捕捉非线性关系和复杂交互作用以提升预测精准性，但在面对Endogeneity、Selective Labels和Omitted Payoffs等问题时仍需借助传统计量工具进行严格验证。Léa H. Stern介绍了她发表于Review of Financial Studies的研究成果，展示如何通过ML优化公司治理中董事会成员的选拔过程。研究发现，算法能够有效识别被管理层低估的优质候选人，也揭示了董事选择过程中对某些特征的误判现象，为公司治理研究提供了新的视角。
在风险投资领域，Léa H. Stern与合作者使用法国行政数据应用ML理解早期风险投资决策。研究发现，模型选出的 “最佳预测表现者” 公司各项绩效均优于风投选择的公司，揭示了风投决策可能存在的系统性偏误。
最后，Léa H. Stern展望了生成式AI与代理式AI在金融研究中的前沿应用潜力，指出相关技术已成为当前公司金融研究的重要工具，但研究者也需保持理论与计量的严谨性，在应用中坚持科学验证。
张露瑶杜克大学副高级研究员、经济学助理教授
8日下午，张露瑶助理教授以“SoK: Stablecoins for Digital Transformation—Design, Metrics, and Applications in Future Industries with Low-Altitude Economy as a Case Study”为题进行了主旨演讲。
张露瑶系统阐述了稳定币（Stablecoins）在数智化转型中的关键作用与研究前沿。她指出，稳定币作为锚定法币或一篮子资产的区块链原生数字货币，融合了传统金融的稳定性与区块链的可编程性，在跨境支付、供应链金融、数字资产交易等场景中应用广泛，尤其适用于全球化的交易市场和国际贸易。随后，她梳理了稳定币顺应全球数字化转型的演化逻辑，并围绕价格稳定机制、托管结构、利息生成、治理模型等多个维度构建设计分析框架，清晰展示了全球主要稳定币在核心设计特征上的差异及演化趋势。
张露瑶认为区块链数据的开源特性为稳定币研究带来了新可能。链上交易、地址行为、智能合约调用和定价信息等数据，为研究价格稳定性、治理结构和市场行为提供了坚实基础。她进一步介绍了国际公认的FAIR与CARE数据治理原则，并强调数据开放性与研究可重复性在推动高质量实证研究中的重要价值。
此外，张露瑶还展示了稳定币相关的原始数据来源，涵盖价格追踪、抵押储备、平台收益、交易所挂单情况、治理行为、跨链部署和流动性深度等七类关键要素。并介绍了利用区块链数据开展机制设计理论研究、因果推断实证研究以及人机交互的行为金融研究的跨学科案例。
最后，在具体应用方面，张露瑶以“低空经济”为例，展示了稳定币在未来产业中的落地前景，包括无人机资产通证化、国际物流跨境支付及智能合约驱动的自动履约等。她指出，稳定币技术可为新兴产业提供走向全球市场的金融基础支撑，同时助力传统产业的数智化转型。
大学经济学院金融系主任
9日上午，姜富伟教授带来了题为“Narrative-Managed Portfolio”的主旨演讲。
姜富伟系统回顾了资产定价基础知识，涵盖实证资产定价的两大支柱以及常见市场异象因子。随后指出当今世界数据量激增，其中超过90%为非结构化文本数据，蕴含着投资者情绪与政策预期的关键信息。基于此，姜富伟介绍了其研究团队如何利用1984年至2020年间累计约88万篇《华尔街日报》文章量化经济叙事：通过LDA主题模型提取180个可解释的新闻主题，并运用Elastic Net和CSR、降维技术（PCA和PLS）以及回归树模型（RF和GBDT）等机器学习方法对美国股市超额回报进行预测。实证结果显示，这些叙事主题在样本外预测表现上优于Welch和Goyal（2008）的经济数据集，其中组合模型（Comb）效果最佳。
此外，他还介绍了团队通过选取“populism”、“populist”、“anti-elite”等关键词，结合Word2Vec技术构建民粹情绪指数，揭示了公司股价对民粹情绪变化的响应。研究发现，在民粹主义高涨期，具有较低民粹主义敏感性（PS Beta）的股票往往获得更高的风险调整后收益。研究印证了文本数据在资产定价和风险管理领域的巨大潜力。
顿学院卡罗尔管理学院塞德纳金融系教授
Andrey Malenko教授以“Theory Research in a Data-Driven World”为题进行了在线主旨演讲。
Andrey Malenko首先强调了理论研究的双重价值：一方面，它能为平台经济、算法共谋等新兴现象提供系统性解释框架；另一方面，面对海量待检验事实时，理论可引导实证研究精准区分相互竞争的经济机制，并在政策评估与定量模型构建中发挥重要作用。
Andrey Malenko聚焦“投票选择”问题——即投资者可选择将表决权委托给基金经理或自行投票的制度设计，尤其关注大型资产管理机构贝莱德（BlackRock）的投票权集中问题。他梳理并分析了BlackRock、Vanguard、State Street等机构启动的投票委托计划以及美国国会提出的INDEX Act立法动向，并构建了一个包含基金经理偏好、投资者共同价值和异构偏好的委托模型。研究发现，投票权委托并非总能提高整体投资者福利：在偏好高度分散且信息相对匮乏的情形下，“完全委托”或因其偏好表达和信息聚合优势而表现更优；而在偏好相对一致且投资者拥有私人信息的背景下，“投票选择”机制则因兼顾专业判断与个体偏好而表现更优。
研究揭示了投资者偏好异质性与信息异质性对投票机制效果的关键影响，特别指出投资者可能存在信息利用不足或偏好过度表达等情形，为理解现代公司治理中的投票权管理提供了新的理论视角与实践参考。
杨立多大学罗特曼商学院金融学讲席教授
9日下午，杨立岩教授带来了题为“Conducting lmpactful Research in the Digital Era”的主旨演讲。
讲座伊始，杨立岩结合自身研究经历，介绍了其在金融市场结构、行为金融与数据经济学等领域的研究兴趣。他引用Michael Weisbach所著The Economist’s Craft，提出高质量研究通常可归为“猎人型”与“农夫型”两类：前者从现实问题出发，寻找可建构模型的机制；后者从文献空白中生发问题。杨立岩指出，好的研究往往是这两种范式的融合，既回应现实挑战，又扎根理论框架。随后，杨立岩详细介绍了自己的两项具有代表性的研究工作，并分享了在论文投稿发表过程中遇到的挑战及应对策略。
最后，杨立岩结合当前人工智能技术的快速发展，提出“在数字时代做有影响力的研究”主要是从“AI主题”与“AI方法”两个维度入手，可以多关注交叉学科问题，结合传统金融学问题与新兴技术工具展开研究。他强调，好的研究应做到“事前令人惊讶、事后合理清晰”，在理论建构上简洁有力，在实证验证上严谨充分，并以独特视角提出机制解释。
圆桌论坛
本次研讨会特地设置了圆桌论坛环节，与会嘉宾与在场师生、专家学者一起探讨在AI及大数据时代背景下，如何进行学术研究以及论文发表等问题。参加圆桌论坛的嘉宾有普林斯顿大学的范剑青教授、哥伦比亚大学的Agostino Capponi教授、洛桑联邦理工学院的Semyon Malamud副教授、波士顿学院卡罗尔管理学院的Andrey Malenko教授以及多伦多大学的杨立岩教授。该环节由昆山杜克大学副高级研究员张露瑶助理教授主持。
针对论文投稿问题，专家们分享了独到见解。范剑青首先阐释了期刊主编的职责，以及筛选文章的部分标准。Andrey Malenko指出，拒稿是学术发表中的正常现象，作者应依据拒稿反馈持续完善论文，并选择更契合的期刊方向。针对AI时代经济学理论研究的发展路径，几位学者也展开了讨论。Semyon Malamud与Agostino Capponi认为，人工智能与机器学习虽是新颖的研究方向，但这并不意味着其他研究模式已然落后，理论研究在AI与大数据时代仍有其不可替代的价值。杨立岩补充道，新主题与新方法未必一定适合博士生攻坚，因此 “新方法解决老问题” 或 “老方法应对新问题” 同样是可行的研究路径。论坛最后，范剑青作总结发言。
分论坛
除主旨演讲、圆桌论坛环节外，还有来自弗吉尼亚大学、蒙纳士大学、田纳西大学、多伦多大学、新加坡南洋理工大学、清华大学、北京大学、中国人民大学、复旦大学、武汉大学、中国科学院大学、上海财经大学、暨南大学、中山大学、西南财经大学、大连理工大学、香港科技大学、香港中文大学、澳门大学、亚洲开发银行、国家管网集团、上海清算所等51所海内外高校和机构的100多位专家学者和青年师生参会，本次会议共设有2个平行分会场，9位报告人带来了研究成果展示。
9日下午，康奈尔大学约翰逊商学院Rudd家族管理学讲席教授、金融学正教授叢林发表闭幕致辞。
叢林首先对2025金融经济学与数据科学暑期学术研讨会的圆满举办表示热烈祝贺。他指出，这一系列研讨会始终致力于为全球金融与数据科学领域的学者搭建高水平交流平台，为跨地域、跨领域的学术碰撞创造了珍贵契机。本次会议邀请了来自国际顶级学术期刊的主编和编委及多国高校与研究机构的专家学者，在过去三天通过前沿报告及深度研讨等形式展开了充分而富有成效的思想交流。叢林鼓励学者们延续会议形成的学术联结，共同推进研究社区建设，在金融与数据科学交叉领域的关键问题上积极探索，推动学科前沿不断突破。
最后，姜富伟教授代表主办方向所有与会嘉宾表示感谢。并表达了对未来持续举办系列学术活动，深化学术交流与合作，共同推动金融经济学与数据科学研究发展的期待。
至此，2025金融经济学与数据科学暑期学术研讨会圆满落幕！
（经济学科 游田 罗亚琳 李诣贤 王渝祺）
