2026年3月21日，“2026復(fù)雜時(shí)間序列前沿論壇”在北京大學(xué)圓滿(mǎn)閉幕。本次論壇由北京大學(xué)光華管理學(xué)院主辦，立足大數(shù)據(jù)與人工智能時(shí)代背景，圍繞高維時(shí)間序列建模、非平穩(wěn)時(shí)間序列分析、非線(xiàn)性時(shí)間序列方法拓展三大核心議題開(kāi)展高水平學(xué)術(shù)研討，旨在搭建跨地域、跨機(jī)構(gòu)的前沿學(xué)術(shù)交流平臺(tái)，促進(jìn)理論研究與現(xiàn)實(shí)應(yīng)用深度融合，推動(dòng)我國(guó)時(shí)間序列計(jì)量經(jīng)濟(jì)學(xué)領(lǐng)域的高質(zhì)量發(fā)展與國(guó)際學(xué)術(shù)交流合作。

論壇開(kāi)幕式由大會(huì)主席、北京大學(xué)光華管理學(xué)院教授涂云東主持并致開(kāi)幕辭。涂云東首先代表論壇組委會(huì)，向蒞臨參會(huì)的特邀報(bào)告嘉賓及全體師生表示熱烈歡迎與誠(chéng)摯謝意。他指出，本次論壇匯聚了時(shí)間序列領(lǐng)域全球頂尖學(xué)者，集中展示領(lǐng)域前沿研究成果與突破性進(jìn)展，為廣大師生提供了高水平學(xué)術(shù)交流平臺(tái)。隨后，他系統(tǒng)回顧了學(xué)院在時(shí)間序列領(lǐng)域的深耕歷程與建設(shè)成果，全面介紹了研究團(tuán)隊(duì)的學(xué)術(shù)方向、科研布局與人才培養(yǎng)體系。同時(shí)，他特別感謝了國(guó)家自然科學(xué)基金委員會(huì)為本次論壇的順利舉辦提供的支持與保障，預(yù)祝本次論壇研討深入、交流充分，產(chǎn)出豐碩的學(xué)術(shù)成果與合作共識(shí)。

主旨報(bào)告環(huán)節(jié)，八位海內(nèi)外頂尖學(xué)者圍繞復(fù)雜時(shí)間序列相關(guān)領(lǐng)域的關(guān)鍵科學(xué)問(wèn)題與前沿研究方向，系統(tǒng)分享了原創(chuàng)性理論成果與創(chuàng)新性研究方法。英國(guó)倫敦經(jīng)濟(jì)與政治科學(xué)學(xué)院統(tǒng)計(jì)系教授姚琦偉，北京大學(xué)光華管理學(xué)院商務(wù)統(tǒng)計(jì)與經(jīng)濟(jì)計(jì)量系副教授李豐、助理教授沈周瑜，以及上海財(cái)經(jīng)大學(xué)經(jīng)濟(jì)學(xué)院計(jì)量經(jīng)濟(jì)學(xué)系助理教授林穎倩分別擔(dān)任各分論壇主持人。

涂云東

姚琦偉

李 豐

林穎倩

沈周瑜

Session 1

Recurrent Neural Networks for Nonliner Time Series

修大成

芝加哥大學(xué)布斯商學(xué)院約瑟夫·桑德海默計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)講席教授，美國(guó)國(guó)家經(jīng)濟(jì)研究局（NBER）研究員修大成圍繞循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在非線(xiàn)性時(shí)間序列中的理論與應(yīng)用展開(kāi)深入闡述。

研究將 RNN 作為非參數(shù)估計(jì)器，構(gòu)建適配非線(xiàn)性數(shù)據(jù)生成過(guò)程的統(tǒng)計(jì)理論，證明其估計(jì)一致性與預(yù)測(cè)準(zhǔn)確性，首次推導(dǎo)出預(yù)測(cè)誤差分解公式，并揭示了線(xiàn)性 RNN 與 ARMA 模型的等價(jià)性。模擬分析顯示，RNN 預(yù)測(cè)精度與魯棒性?xún)?yōu)于傳統(tǒng)模型。實(shí)證研究中，研究將 RNN 應(yīng)用于 G10 貨幣對(duì)美元的匯率收益率預(yù)測(cè)，以無(wú)漂移隨機(jī)游走為基準(zhǔn)，采用滾動(dòng)窗口預(yù)測(cè)方法展開(kāi)分析。結(jié)果表明，樣本外預(yù)測(cè)表現(xiàn)顯著超越 DNN、ARX、ARMAX 等方法。修大成最后指出，RNN 在處理長(zhǎng)程依賴(lài)時(shí)間序列時(shí)，或因維度災(zāi)難導(dǎo)致性能下降，也為后續(xù)研究指明了方向。

Session 1

Model Averaging of Multi-layer Time-Varying Network VARs

李德柜

澳門(mén)大學(xué)工商管理學(xué)院副院長(zhǎng)、商業(yè)經(jīng)濟(jì)學(xué)特聘教授及亞太經(jīng)濟(jì)與管理研究所金融計(jì)量經(jīng)濟(jì)首席研究員李德柜針對(duì)高維大規(guī)模時(shí)間序列傳統(tǒng)建模的局限性，提出了時(shí)變多層網(wǎng)絡(luò)向量自回歸（VAR）模型框架與時(shí)變模型平均方法。

研究指出，傳統(tǒng) VAR 與線(xiàn)性網(wǎng)絡(luò) VAR 難以適配高維、時(shí)變、多層互動(dòng)的復(fù)雜場(chǎng)景。為此，研究構(gòu)建時(shí)變多層網(wǎng)絡(luò) VAR 模型框架，引入多個(gè)鄰接矩陣刻畫(huà)多渠道網(wǎng)絡(luò)溢出效應(yīng)，設(shè)定時(shí)變系數(shù)以適配序列的結(jié)構(gòu)變化，適配節(jié)點(diǎn)數(shù)可趨于無(wú)窮的大規(guī)模網(wǎng)絡(luò)場(chǎng)景，從而精準(zhǔn)捕捉多層溢出與結(jié)構(gòu)變化，并創(chuàng)新提出了懲罰性時(shí)變模型平均方法，以實(shí)現(xiàn)候選模型最優(yōu)組合，并構(gòu)建了一步向前預(yù)測(cè)方法。理論上，該方法被證明具有漸近最優(yōu)性與選擇相合性。模擬實(shí)驗(yàn)顯示，其樣本內(nèi)估計(jì) RMSE 顯著低于基準(zhǔn)模型，1-3 步樣本外預(yù)測(cè) RMSPE 亦表現(xiàn)更優(yōu)。該研究拓展了網(wǎng)絡(luò)向量自回歸模型的適用場(chǎng)景，為高維時(shí)變多層網(wǎng)絡(luò)時(shí)間序列的估計(jì)與預(yù)測(cè)提供了兼具理論嚴(yán)謹(jǐn)性與實(shí)踐有效性的解決方案。

Session 2

Predictive Regression for Expected Shortfall under Heavy-Tailed Time Series

常晉源

西南財(cái)經(jīng)大學(xué)光華首席教授、中國(guó)科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院研究員常晉源針對(duì)厚尾時(shí)間序列下Expected Shortfall（ES）回歸估計(jì)難題，構(gòu)建了兼具魯棒性與通用性的兩步式 ES 回歸分析框架，為厚尾時(shí)間序列的尾部風(fēng)險(xiǎn)預(yù)測(cè)提供了新方法。

研究指出，傳統(tǒng)方法存在模型敏感、非凸優(yōu)化、魯棒性不足等缺陷?；诖耍芯繕?gòu)建聯(lián)合分位數(shù)-ES 回歸模型，將條件分位數(shù)視為冗余參數(shù)，提出核心的兩步估計(jì)法：第一步通過(guò) QR 估計(jì)條件分位數(shù)，第二步基于替代響應(yīng)變量的矩條件，采用均值回歸估計(jì)條件 ES，且理論證明分位數(shù)估計(jì)的誤差對(duì) ES 估計(jì)僅產(chǎn)生二階影響，保證了方法的穩(wěn)定性。研究分別建立線(xiàn)性與非線(xiàn)性估計(jì)方案，先后通過(guò)協(xié)變量截?cái)嗯c平滑分位數(shù)回歸，引入神經(jīng)網(wǎng)絡(luò)緩解維度災(zāi)難，驗(yàn)證了推斷的有效性。模擬結(jié)果顯示，該方法在厚尾與正態(tài)分布下預(yù)測(cè)精度更高、置信區(qū)間表現(xiàn)更優(yōu)。研究突破經(jīng)典模型局限，形成完整解決方案，在金融風(fēng)險(xiǎn)管理等領(lǐng)域具有重要應(yīng)用價(jià)值。

Session 2

Efficient Portfolio Estimation in Large Risky Asset Universes

李瑩瑩

香港科技大學(xué)金融系及ISOM系講座教授、馮氏商學(xué)教授李瑩瑩針對(duì)大規(guī)模風(fēng)險(xiǎn)資產(chǎn)組合的有效前沿估計(jì)難題，提出約束稀疏回歸方法（CORE），突破了傳統(tǒng)均值-方差優(yōu)化在高維場(chǎng)景下的性能瓶頸，為大規(guī)模資產(chǎn)組合構(gòu)建提供了兼具理論嚴(yán)謹(jǐn)性與實(shí)踐可行性的解決方案。

研究指出，傳統(tǒng) plug-in 估計(jì)在資產(chǎn)數(shù)量接近樣本量時(shí)誤差累積、夏普比率急劇下降。核心癥結(jié)在于高維均值向量與協(xié)方差矩陣估計(jì)的累積誤差。為此，研究聚焦于僅含風(fēng)險(xiǎn)資產(chǎn)的投資場(chǎng)景，推導(dǎo)出最優(yōu)資產(chǎn)組合的線(xiàn)性約束回歸表示，并基于線(xiàn)性壓縮估計(jì)提出有效資產(chǎn)組合配置的約束稀疏回歸方法。其核心邏輯是將有效組合權(quán)重求解轉(zhuǎn)化為帶線(xiàn)性約束的 最小絕對(duì)損失壓縮估計(jì)回歸（LASSO）問(wèn)題，通過(guò)構(gòu)造替代響應(yīng)變量與約束條件，利用線(xiàn)性約束稀疏回歸直接估計(jì)權(quán)重。理論證明，該方法在高維漸近下滿(mǎn)足均值 - 方差有效性。實(shí)證顯示，基于標(biāo)普 500 等數(shù)據(jù)的樣本外檢驗(yàn)中，CORE 組合風(fēng)險(xiǎn)控制精準(zhǔn)、夏普比率與回撤表現(xiàn)顯著優(yōu)于基準(zhǔn)，且可拓展至指數(shù)增強(qiáng)策略。

Session 3

On Factor Models with Regime Switching

蘇良軍

清華大學(xué)經(jīng)濟(jì)管理學(xué)院C.V. Starr講席經(jīng)濟(jì)學(xué)教授蘇良軍圍繞高維因子模型在機(jī)制轉(zhuǎn)換情境下的識(shí)別與估計(jì)問(wèn)題，提出了創(chuàng)新的稀疏旋轉(zhuǎn)與聚類(lèi)篩選方法，為存在結(jié)構(gòu)性變化的高維數(shù)據(jù)構(gòu)建了系統(tǒng)性的因子建模框架。

研究指出，傳統(tǒng)因子模型假設(shè)因子載荷在時(shí)間上恒定，難以刻畫(huà)現(xiàn)實(shí)經(jīng)濟(jì)系統(tǒng)中因政策、市場(chǎng)環(huán)境等變化引發(fā)的機(jī)制轉(zhuǎn)換。為此，研究構(gòu)建了一個(gè)允許機(jī)制轉(zhuǎn)換的因子模型框架，在潛因子矩陣中引入稀疏結(jié)構(gòu)。通過(guò)對(duì)未中心化的主成分估計(jì)量施加?1旋轉(zhuǎn)準(zhǔn)則，再利用最大行余弦相似度比值篩選公共因子。采用層次聚類(lèi)實(shí)現(xiàn)因子分離與機(jī)制識(shí)別，并給出機(jī)制數(shù)目的信息準(zhǔn)則選擇方法。理論上，該方法實(shí)現(xiàn)因子、載荷與機(jī)制序列的一致估計(jì)。模擬與實(shí)證表明，其在有限樣本與宏觀(guān)金融數(shù)據(jù)中表現(xiàn)良好，進(jìn)一步彰顯了該方法的現(xiàn)實(shí)應(yīng)用價(jià)值。

Session 3

3D Factor Models with Missing Observations and Applications to Tracking State-Level Economic Conditions

王 霞

中國(guó)人民大學(xué)吳玉章特聘教授王霞針對(duì)美國(guó)各州經(jīng)濟(jì)狀況的同步性與異質(zhì)性特征，提出了三維因子模型，并構(gòu)建了適用于缺失觀(guān)測(cè)的推斷理論，為區(qū)域性經(jīng)濟(jì)監(jiān)測(cè)提供了新的分析工具。

研究指出，州級(jí)經(jīng)濟(jì)狀況既存在共同波動(dòng)又呈現(xiàn)顯著差異，傳統(tǒng)二維因子模型難以有效刻畫(huà)這種復(fù)雜結(jié)構(gòu)。為此，研究構(gòu)建了三維因子模型，能夠同時(shí)捕捉截面、時(shí)間與個(gè)體維度間的交互效應(yīng)。為應(yīng)對(duì)數(shù)據(jù)不平衡與缺失觀(guān)測(cè)的現(xiàn)實(shí)問(wèn)題，研究發(fā)展了一套適用于一般缺失模式的三維因子模型推斷理論。估計(jì)方法通過(guò)對(duì)部分觀(guān)測(cè)數(shù)據(jù)構(gòu)造的調(diào)整協(xié)方差矩陣進(jìn)行主成分分析，充分利用所有可用觀(guān)測(cè)信息，實(shí)現(xiàn)了估計(jì)的靈活性與高效性。研究推導(dǎo)了因子與載荷估計(jì)量的漸近分布。在此基礎(chǔ)上，結(jié)合方差分解框架，研究構(gòu)建了美國(guó)各州經(jīng)濟(jì)狀況指數(shù)，結(jié)果顯示各州經(jīng)濟(jì)周期存在顯著聯(lián)動(dòng)性，同時(shí)表現(xiàn)出明顯的截面異質(zhì)性。該研究為區(qū)域性宏觀(guān)經(jīng)濟(jì)監(jiān)測(cè)與政策分析提供了方法論支撐。

Session 4

Zero Variance Portfolio

史震濤

香港中文大學(xué)經(jīng)濟(jì)系教授史震濤針對(duì)資產(chǎn)數(shù)量超過(guò)樣本量的高維場(chǎng)景下最小方差組合的“零方差”悖論，提出了一種基于“Ridgelet”估計(jì)的創(chuàng)新方法，揭示了過(guò)參數(shù)化情境下投資組合優(yōu)化的一般性與泛化能力。

報(bào)告指出，當(dāng)資產(chǎn)數(shù)量大于樣本量時(shí)，傳統(tǒng)最小方差組合會(huì)在訓(xùn)練樣本內(nèi)產(chǎn)生病理性的零樣本內(nèi)方差。為克服這一問(wèn)題，研究提出“Ridgelet”估計(jì)器，通過(guò)引入新穎的估計(jì)方式，使得在樣本外測(cè)試數(shù)據(jù)中，該組合仍具備良好的泛化性能。研究發(fā)現(xiàn)，該組合表現(xiàn)出雙下降現(xiàn)象，并在資產(chǎn)數(shù)量遠(yuǎn)大于樣本量的過(guò)參數(shù)化情境下，能夠?qū)崿F(xiàn)最優(yōu)風(fēng)險(xiǎn)水平。相比之下，基于偽逆的“Ridgeless”估計(jì)器雖然能實(shí)現(xiàn)樣本內(nèi)插值，但在樣本外表現(xiàn)不佳，偏離最優(yōu)性。通過(guò)大量模擬與實(shí)證研究，研究驗(yàn)證了“Ridgelet”方法在高維投資組合優(yōu)化中的競(jìng)爭(zhēng)性表現(xiàn)。該研究為高維資產(chǎn)配置中的過(guò)參數(shù)化問(wèn)題提供了新的理論視角與實(shí)踐工具。

Session 4

Fixed-k Inference for Explosive Drift

李 嘉

新加坡管理大學(xué)經(jīng)濟(jì)學(xué)院院長(zhǎng)、李光前經(jīng)濟(jì)學(xué)教授李嘉針對(duì)高頻數(shù)據(jù)中爆炸性漂移的推斷問(wèn)題，提出了基于固定窗口長(zhǎng)度的新推斷框架，突破了傳統(tǒng)大帶寬漸近理論在該場(chǎng)景下的局限性，為金融資產(chǎn)價(jià)格驟變檢驗(yàn)提供了更精確的統(tǒng)計(jì)方法。

報(bào)告指出，傳統(tǒng)大帶寬漸近方法在處理短窗口計(jì)算的“局部”檢驗(yàn)統(tǒng)計(jì)量時(shí)，因其分布遠(yuǎn)非高斯而失效。研究提出將窗口長(zhǎng)度k視為固定，發(fā)現(xiàn)局部統(tǒng)計(jì)量與一系列相依的t變量耦合，其最大值收斂于Fréchet分布，而非傳統(tǒng)Gumbel分布。研究建立了相依t過(guò)程的反聚類(lèi)條件，為在重疊估計(jì)窗口下證明該極限理論提供了依據(jù)。局部功效分析表明，爆炸性漂移對(duì)極限分布產(chǎn)生乘法冪變換，而非高斯理論中的加法位置平移。實(shí)證研究中，基于耦合的檢驗(yàn)方法展現(xiàn)出更優(yōu)的尺寸控制能力，并發(fā)現(xiàn)日內(nèi)價(jià)格在統(tǒng)計(jì)上顯著的“爆炸”事件遠(yuǎn)少于基于高斯方法所揭示的數(shù)量。

本次“2026復(fù)雜時(shí)間序列前沿論壇”的成功舉辦，匯聚了全球時(shí)間序列計(jì)量經(jīng)濟(jì)學(xué)領(lǐng)域的頂尖學(xué)術(shù)力量，系統(tǒng)梳理了復(fù)雜時(shí)間序列分析的最新研究進(jìn)展與前沿發(fā)展趨勢(shì)，為海內(nèi)外學(xué)者搭建了深度交流、協(xié)同創(chuàng)新的優(yōu)質(zhì)平臺(tái)，進(jìn)一步加強(qiáng)了國(guó)內(nèi)外該領(lǐng)域的學(xué)術(shù)聯(lián)動(dòng)與合作交流。論壇產(chǎn)出的一系列原創(chuàng)性理論成果與創(chuàng)新性方法，不僅為復(fù)雜時(shí)間序列分析領(lǐng)域的學(xué)術(shù)發(fā)展提供了新的思路與方向，也為經(jīng)濟(jì)金融風(fēng)險(xiǎn)管控、宏觀(guān)經(jīng)濟(jì)監(jiān)測(cè)、智能決策優(yōu)化等現(xiàn)實(shí)場(chǎng)景提供了堅(jiān)實(shí)的方法論支撐。未來(lái)，北京大學(xué)光華管理學(xué)院將持續(xù)深耕時(shí)間序列計(jì)量經(jīng)濟(jì)學(xué)等前沿領(lǐng)域，搭建更多高水平的國(guó)際化學(xué)術(shù)交流平臺(tái)，推動(dòng)相關(guān)領(lǐng)域的理論創(chuàng)新與實(shí)踐落地，為中國(guó)經(jīng)濟(jì)學(xué)與數(shù)據(jù)科學(xué)的高質(zhì)量發(fā)展持續(xù)貢獻(xiàn)力量。

來(lái)源 |北大光華學(xué)術(shù)資訊

審閱|塔娜