2025经济、科技与交叉科学国际峰会在SIMIS成功举办
2025年11月8日，“2025经济、科技与交叉国际峰会”在上海数学与交叉学科研究院召开，本次会议由上海数学与交叉学科研究院、上海财经大学数理经济学教育部重点实验室、复旦-斯坦福金融科技与安全研究院联合主办，由世界华人数学家联盟、康奈尔金融科技中心协办。 上海财经大学经济学院院长和SIMIS访问学者周亚虹教授主持会议开幕式，他首先对各位专家和嘉宾的到来表示热烈欢迎，并隆重邀请知名数学家、菲尔兹奖获得者、上海数学与交叉学科研究院理事长丘成桐先生致开幕辞。 丘成桐先生在致辞中指出，人工智能已成为近年来推动人类智能进步的关键力量，正深刻驱动数学、工业等诸多领域的快速发展。他强调，中国与许多国家一样，正在加大对人工智能的投入，这一战略方向值得充分肯定——因为该领域仍充满众多未知，亟待我们深入探索。除了持续推进人工智能本身的基础研究，我们更应着力推动其在数学、物理学以及其他基础科学中的广泛应用。 要实现真正意义上的跨学科突破，我们必须共同培养一种关键能力：即准确识别哪些问题是人工智能能够协助解决的。在数学领域，许多重大课题正变得日益复杂，涉及对结构本质与复杂度的深层把握，部分前沿定理的证明甚至长达数千页，远超个人独立理解的范畴。我们期待人工智能能够帮助研究人员梳理论证逻辑、验证理论成果。与此同时，随着各学科不断涌现出海量数据，人工智能以其远超人类的数据处理能力，有望协助我们从复杂信息中提取有价值的知识洞见。 丘先生进一步指出，在当前阶段举办融合经济学视角的会议恰逢其时。经济学中蕴含着丰富而活跃的数据资源，具有重要的分析意义，但也伴随着大量噪声干扰，需要数学家、工程师、物理学家与经济学家通力合作，共同挖掘数据背后的深层规律。 他相信，这样的跨学科协作将引领整个领域走向更加广阔的未来，并表达了亲身参与这一事业的强烈意愿。最后，丘先生殷切期盼，本次会议能有效促进更深层次的跨学科对话与合作，并为未来催生丰硕成果奠定坚实基础。 随后，会议进入“经济与金融中的机器学习”主旨演讲环节。周亚虹教授主持了该环节的讨论，多位学者相继分享了前沿研究成果。 斯坦福大学管理科学和工程系教授、高级金融科技实验室主任Kay Giesecke教授以“AICO：监督学习中的特征显著性检验”为题发表了演讲。他指出，尽管机器学习预测能力强大，但其”黑箱”特性使得关键特征难以识别，这为科学推断和决策带来挑战。针对这一难题，Giesecke教授提出了AICO框架，将可解释性问题转化为统计推断任务。该方法通过遮蔽特征并观察模型性能变化来评估特征重要性，适用于所有监督学习模型，无需重新训练即可提供p值和置信区间等统计推断结果。 在方法原理部分, Giesecke教授详细阐述了AICO的核心设计。其关键概念是“特征效应”，即通过构建基准特征值和对比特征值，计算模型在两种情况下的得分差异，以此量化单个样本中特征的重要性。实证检验部分，Giesecke教授展示了AICO在合成任务和真实应用中的卓越表现。在非线性回归和分类的合成任务中，AICO与多种主流方法相比，统计效果相当或更优，假发现率极低，且计算成本降低了数个数量级。与SHAP等常用算法重要性度量相比，AICO对数据噪声更稳健，特征排序更稳定。在信用卡违约预测和抵押贷款状态转换预测两大真实场景中，AICO 成功识别出关键驱动变量，如信用卡违约预测中发现性别、婚姻状况等受保护特征的统计显著性，抵押贷款预测中定位到宏观经济变量和历史状态转换特征的重要作用，充分证明了方法的实用价值。 最后，Giesecke教授总结道，AICO 填补了机器学习实践与经典统计推断之间的长期鸿沟，为大规模应用提供了透明、可信的预测路径。其兼具统计严谨性、计算可扩展性和实践适用性的特点，有望成为机器学习可解释性的新标准，为科学、工业和政策领域的循证决策提供有力支持。 芝加哥大学Booth商学院计量经济学与统计学讲席教授修大成就“如何从海量数据中有效识别弱信号”发表主题演讲，直面经济学与金融学实证研究长期存在的关键难题：大量变量对结果的作用微弱、难以从噪声中分辨，但若忽略这些信息又会削弱预测能力。他指出，在真实世界的数据中，变量往往处在 “有影响”与“无影响”之间的灰色地带，单独贡献极小。这类广泛存在的弱信号正是导致顶级期刊中 R² 值普遍偏低的根本原因。 在方法选择上，修教授明确指出，以稀疏性为核心假设的 L1 正则化（Lasso）并非弱信号环境下的最佳工具。在弱信号占主导时，Lasso 的机制容易在两端犯错：既可能将噪声误判为信号，引入无关变量，也可能遗漏分散而微弱的有效信息。前者甚至会导致其样本外预测表现不如简单的“零预测器”。相比之下，L2 正则化的 Ridge 回归通过对所有系数实施温和压缩，更擅长稳定汇聚分散的有用信息，样本外表现显著优于零预测器；结合交叉验证确定惩罚强度，其优势更加稳健。至于神经网络和随机森林，修教授指出，在采用适当的 L2 正则化与规范化调参后，同样能够取得良好预测效果。 在实证分析中，他以股票收益预测为例展示证据：采用 L2 正则的神经网络与 Ridge 模型在样本外 R² 上表现最佳。变量重要性分析也显示，这两类方法更能稳定识别具有经济含义的特征，为“弱信号可被机器学习有效提炼”提供了直接支持。 面向研究实践，修教授强调，不应把“稀疏性”视为默认前提，而应根据数据结构与研究目标理性选择方法。在弱信号普遍存在的场景中，应优先考虑能够汇聚分散信息的 L2 正则化，并以交叉验证作为核心流程进行调参与模型选择。他总结道：机器学习确实具备从弱信号中提取信息的能力，但关键不在于模型是否足够复杂，而在于研究者能否做出恰当的偏好设定与正则化选择。这一理念为经济学与金融学中的高维预测研究提供了具体可行的路径，也为在嘈杂环境中提升预测稳健性开辟了新的思路。 “经济与金融中的机器学习”演讲环节结束后，复旦-斯坦福金融科技与安全研究院执行院长和SIMIS访问学者刘庆富教授主持了“金融科技与人工智能”演讲环节。 上海交通大学上海高级金融学院金融学教授、高金讲席教授潘军发表了题为“全球贸易脆弱性的定价研究”的主题演讲。该研究系统分析了全球贸易不确定性如何演化为可在金融市场中被定价的风险因子，并首次提出了“全球贸易脆弱性”（Global Trade Vulnerability）的概念。 潘军教授指出，过去二十年间，全球贸易已从持续增长的时代转向高风险与高不确定性的阶段。自2018年中美贸易战以来，贸易摩擦、政策波动与供应链冲击成为全球企业和金融市场的核心关注点。新冠疫情进一步暴露了全球供应链的系统性脆弱，而2025年初新一轮“解放日关税”（Liberation Day Tariffs）的出台，更使贸易不确定性从双边问题演化为全球性冲击。潘军教授强调，企业对单一国家或供应商的高度依赖，正在成为一种可被金融市场识别与定价的重要系统性风险。 在演讲中，潘教授介绍了研究的核心方法论：通过金融市场数据识别并定价全球贸易风险。研究团队基于S&P Global Panjiva数据库中2012年至2023年的企业级进口提单数据，构建了企业层面的“贸易脆弱性”指标，用以衡量进口来源的集中度。 潘军教授特别指出，中国进口依赖度是贸易风险溢价的重要驱动因素之一。进口来源高度集中且对中国依赖度高的企业，其风险溢价显著高于其他企业。研究同时发现，贸易脆弱性与科技行业高度相关，尤其在半导体、电子等领域更为集中。即使在控制科技暴露后，贸易风险因子仍保持显著，反映出贸易依赖与科技暴露的双重风险结构。 研究还揭示了贸易风险的动态演化路径。自2018年中美贸易战及新冠疫情以来，全球贸易风险已从特定国家暴露扩展为更广泛的系统性现象。2025年“解放日关税”对中等集中度企业的影响尤为明显，显示全球贸易不确定性正从局部冲突转向结构性风险阶段。 最后，潘军教授总结道，该研究通过创新性地利用企业级贸易提单数据，构建了国家集中度指标，从而在资本市场层面识别并定价全球贸易风险因子。这一成果为理解供应链结构、地缘经济风险与金融市场表现之间的关系提供了新的量化框架，对投资者、政策制定者以及跨国企业均具有重要启示意义。 清华大学建树金融学讲席教授、清华大学金融科技研究院副院长、清华大学五道口金融学院资产管理研究中心主任余剑峰教授发表了题为“回购效应与资产价格”的主题演讲，展示了研究团队关于投资者“回购后悔”行为及其资产定价影响的最新研究成果。 余剑峰教授指出，这项研究聚焦于一个在现实交易中极为常见、却长期被忽视的现象：投资者在卖出股票后，当股价继续上涨时往往会产生强烈“后悔”心理，从而在之后的投资决策中降低了再次购买同一支股票的概率。投资者宁愿维持原有决定，也不愿在更高价位承认自己当初卖错了。但迄今为止，学界对于这种行为是否会在股票横截面收益中形成系统性、可检验的资产定价效应，缺乏系统证据。因此，针对这一空白，研究团队围绕“如何在股票层面量化投资者的复购后悔，并检验其定价后果”为核心问题，利用美国市场自1983年至2023年的高频逐笔成交数据，构建了一个全新的股票层面的“复购后悔”指标，并系统考察其与未来股票收益之间的关系。不同于传统关注卖出行为的处置效应，这项研究从买回或者不买回的角度，捕捉了投资者在卖出之后面对价格继续上涨时形成的心理阴影及交易迟疑，有效弥补了既有资产定价文献中对买方行为关注不足的问题。 这项研究在多个层面具有重要启示意义。对于学术界而言，它首次在公开逐笔数据基础上提出了可操作的“复购后悔”股票层面度量，并将其系统纳入资产定价框架，为理解投资者买入行为如何影响横截面收益提供了新证据；对于业界而言，基于“复购后悔”因子的投资策略为量化投资和因子挖掘提供了新的思路，有助于识别那些尚未被情绪压制的优质资产；对于监管者和市场组织者而言，研究提醒我们，“复购后悔”这种行为在宏观层面可能积累为系统性的错配与波动，需要在投资者教育与市场机制设计中给予更多关注。这项研究展示了如何将高频金融大数据、行为科学理论与经典资产定价模型有机融合，为未来在中国市场开展基于投资者行为偏差的资产定价研究提供了有价值的研究范式和实践参考。 康奈尔大学商学院管理学讲席教授、金融学教授Lin William …
English 
简体中文