News

阅读原文 2024 年度，在推动数学与多学科深度融合、促进产学研协同创新的使命背景下，上海数学与交叉学科研究院（SIMIS）启动“应用与交叉合作项目”，支持9个重点课题。其中，“复杂疾病发生的网络拓扑解析”开发了一组解析复杂系统总体运行规律的广义统计物理学模型，以此构建影响肿瘤生长、肠道炎疾病发生、抗精神病药药物反应的高维互作网络 idopNetwork；同时，将Yau-Yau非线性滤波算法镶嵌进idopNetwork，利用该算法在线计算快、内存需求低的优良特性，重建随机 Yau-Yau 网络，由此，更精准地解释疾病形成与药理学的机理，开辟生命科学研究的新方法与新视野。近日，该研究成果在Cell Press合作期刊The Innovation第7卷以Report发表。 导 读 复杂系统普遍具有非线性、不确定性和噪声干扰的特征，这些特征使得直接揭示其内部运作机制变得困难。为应对这一挑战，本文基于Idopnetwork分析框架将Yau-Yau非线性滤波算法引入复杂系统建模中，提出了一种能够从带噪声观测数据中重建随机网络的新方法(Yau-Yau Network)。该方法为理解复杂系统中“无序中涌现有序”现象提供了全新的数学工具与视角。 图1 图文摘要 从细胞、微生物群落、人类大脑、生物体、生态系统乃至整个宇宙，从家庭到社会经济组织乃至国际局势——许多自然和社会现象都可能呈现为由众多相互作用部分组成的复杂系统。数学、统计学和计算学领域已发展出多种复杂系统解析方法，其中网络建模因其揭示隐性机制的能力而成为主流手段。具体而言，该方法不仅能刻画复杂交互模式，还能揭示复杂系统的本质涌现属性，从而解答“整体大于部分之和”的奥秘。 然而，现有的大多数网络建模方法仍属于确定性范畴，通常假设复杂系统不会随时间和环境干扰产生波动。复杂系统不仅可能呈现非线性特征，还可能包含随机性和噪声干扰——这些现象均不可避免。更详细来讲，非线性交互是整体大于部分之和现象的主要成因，而随机性则能帮助系统调整内部结构以适应环境变化、优化信息处理并增强稳健性。因此，在网络重建过程中若能同时考量主导复杂系统内部运作机制的三大特征——非线性、不确定性与噪声，将更有助于对复杂系统进行真实而全面的描述与解析。 图2 Yau-Yau随机网络分析与构建的全流程图 本研究引入Yau-Yau非线性滤波算法，用于从噪声数据中识别随机网络。滤波的核心目标是由一系列噪声数据获得随机复杂系统实际状态的精确估计或预测。滤波理论可追溯至两百年前高斯时代，但直至20世纪60年代才由R. E. 卡尔曼奠定基础。由此形成的卡尔曼滤波理论对理解随机系统具有重要意义，但其广泛应用受限于线性假设。此后许多非线性滤波理论被接连提出，其中基于状态条件密度函数演化方程（DMZ方程）衍生的方法和理论不在少数，而鲁棒形式的DMZ方程属于抛物型方程且系数包含观测值，直接求解较为困难。丘成桐与丘成栋通过将DMZ方程转化为前向柯尔莫哥夫方程（FKE），推导出优雅的求解算法（Yau-Yau滤波算法）。理论与实践均表明，Yau-Yau算法相较于经典的集成卡尔曼滤波器（EnKF）、无迹卡尔曼滤波器（UKF）及粒子滤波方法更具优势。本文证明，基于Yau-Yau滤波器的随机网络能够捕捉复杂系统因随机性与不确定性产生的隐蔽模式与关联，为揭示自然与社会现象的波动机制提供了独特视角。 本研究为验证Yau-Yau算法的统计特性，在多种滤波系统假设下开展了一系列模拟实验。模拟结果表明，Yau-Yau算法在这些场景中表现优异，尤其在对观测数据正交化后效果显著。相较于现有最先进的确定性网络，Yau-Yau网络能识别每个成员在随机误差作用下真实的行为状态及其与其他成员的交互模式。理论上，自然现象的真实状态无法直接测量，但Yau-Yau网络能从观测数据中提取基本信息或原理。这些特性使Yau-Yau网络成为从混沌混乱中实现科学发现自动化的强大工具。 为了探寻Yau-Yau网在真实生态下构建随机网络的能力，我们设计并开展了一项生态实验，通过在同一培养基中联合培养三种常见细菌(大肠杆菌（Escherichia coli）、金黄色葡萄球菌（Staphylococcus aureus）和 绿脓杆菌（Pseudomonas aeruginosa）），构建出微型生态系统。确定性模型将三种细菌整合为idopNetwork，其中每对细菌间的相互作用明确表征为双向、带符号且加权的边。idopNetwork描绘了微生物丰度与相互作用随时间变化的轨迹，却无法捕捉物种时间点上的随机波动。在自然与生命系统中——例如土壤微生物群落、肠道微生物群落或海洋微生物群落——微生物活动始终呈现持续扰动趋势，以更好地适应生长过程中环境扰动的影响。Yau-Yau网络利用idopNetwork从观测数据中提炼出这种隐蔽的随机扰动，从而揭示支配自然与社会现象的生物学机制与规律。 总结与展望 在本研究中，我们将Yau-Yau非线性滤波算法融入统计力学框架，重建了复杂系统中至关重要的随机idopnetwork（即Yau-Yau网络）。并在研究中设计并开展了一系列仿真实验和生态实验展示出Yau-Yau网络在揭示复杂系统随机扰动上的效果与能力。 未来的研究将进一步聚焦于Yau-Yau网络在生物医学，金融市场等更广泛领域中的应用潜力。此外，本文构建的Yau-Yau网络由连续时间序列数据驱动，如何生成拟动态数据构建由更一般数据类型驱动的Yau-Yau网络也是未来值得思考的方向。同时，如何纳入高阶随机互作，构建超高维Yau-Yau网络以及与GLMY等拓扑理论工具有机结合，也是未来需要长期努力的议题。 本文内容来自Cell Press合作期刊The Innovation第7卷以Report发表的“Statistical learning of stochastic complex systems via the Yau-Yau nonlinear filter” (投稿: 2025-03-22；接收: 2026-01-10；在线刊出: 2026-01-15)。 DOI:10.1016/j.xinn.2026.101267 引用格式：Xu S., Wang Y., Wu S., et al. …

科研动态 | 邬荣领团队“复杂疾病发生的网络拓扑解析”科研成果在The Innovation发表 Read More »

View More 在自然界中，没有任何生命是一座孤岛。从土壤中的微生物到浩瀚海洋里的鱼群，从人体内的肠道菌群到热带雨林中的参天大树，物种之间无时无刻不在进行着复杂的相互作用。一个长期困扰科学界的根本问题是：当不同物种彼此影响时，这种“相互作用”本身是否也镌刻在基因之中？是什么遗传机制让生命能够感知并响应其他物种的存在，从而改变自身的行为和特征？ 近日，一项由上海数学与交叉学科研究院、北京雁栖湖应用数学研究院、北京林业大学等机构联合完成的开创性研究，为这个困扰生态学与进化生物学多年的“黑箱”带来了突破性答案。通讯作者邬荣领教授及其团队在国际上首次构建了一套计算生态遗传模型（Horizontally Interactive Epistatic, HiE模型），成功破解了物种相互作用中“交互表型可塑性”的完整遗传密码。这项研究成果发表在国际权威期刊《Molecular Ecology Resources》（中科院一区）上，不仅填补了传统数量遗传学的理论空白，更为预测和调控生态系统演化提供了前所未有的计算框架。 从“单打独斗”到“跨界对话”：遗传学研究的范式革命 传统遗传学研究如同在实验室里研究单个球员的射门技巧——它关注的是一个物种自身的基因如何影响自己的性状。然而，真实的自然界是一场复杂的“足球赛”，每个球员的表现不仅取决于自身能力，更受到对手、队友甚至裁判的实时影响。这种跨物种的基因互作，正是经典理论长期忽视的“遗传盲区”。 邬荣领团队敏锐地指出，在真实的生态群落中，一个物种的表型特征受到三重遗传力量的共同塑造：自身基因的直接调控、共存物种基因的间接影响，以及不同基因组之间的交互作用。研究团队将这种跨基因组的相互作用正式定义为“水平上位性”（horizontal epistasis），并创造性地提出了HiE统计模型。 “这相当于在遗传学中打开了’跨界对话’的维度，”邬荣领教授解释道，“过去我们认为基因只在同一个基因组内部’聊天’，现在我们发现，不同物种的基因之间也在进行跨空间的’通话’，共同决定生态系统的演化方向。”这一概念的提出，标志着数量遗传学从“单基因组研究”迈向“跨基因组协同演化”的关键一跃，为理解生命共同体提供了全新的理论视角。 实验揭秘：大肠杆菌与金黄色葡萄球菌的”基因攻防战” 为了验证HiE模型的强大威力，研究团队设计了一套精巧的微生物“对决”实验。他们选取了100株基因型不同的大肠杆菌（E. coli）和100株金黄色葡萄球菌（S. aureus），构建了这两种常见细菌在单独培养（单培养）和混合培养（共培养）两种环境下的生长对比体系。 实验结果揭示了一幅高度不对称的“生态遗传图景”，仿佛一场实力悬殊的“基因攻防战”： 进攻与防御的策略差异 研究发现，当与金黄色葡萄球菌共处时，大肠杆菌倾向于激活大量“防御性基因”，一方面强化自身生长能力，另一方面通过少量“进攻基因”抑制对手。而金黄色葡萄球菌则更多依赖“进攻性基因”来应对胁迫，其防御机制相对被动。这种“你攻我守”的非对称策略，解释了为什么在混合培养中，大肠杆菌生长更旺盛，而金黄色葡萄球菌则受到明显抑制。 水平上位性的惊人作用 HiE模型成功识别出超过13万组影响这种相互响应的SNP（单核苷酸多态性）组合。最令人惊讶的是，跨物种的“水平上位性效应”在介导表型可塑性中占据了举足轻重的地位——这在以往的单物种研究中是根本无法观测到的遗传机制。打个比方，这就像发现两支球队的比赛结果不仅取决于各自球员的技术，更取决于双方球员之间“化学反应”的微妙互动。 基因功能的精准定位 通过基因本体论分析，研究团队首次在分子层面绘制了“防御基因”与“进攻基因”的功能图谱。大肠杆菌的防御基因主要集中于小分子生物合成、氨基酸代谢等增强自身活力的通路；而金黄色葡萄球菌的防御基因则与清除外源DNA、抗生素响应等抵抗性机制相关。这种功能分化，完美诠释了两种细菌在生态系统中的不同生存策略。 破解遗传密码：从“单基因”到 “交互式基因组” 的量化解析 HiE模型的核心突破在于，它首次实现了对直接遗传效应、间接遗传效应与水平上位效应的系统性整合与定量解析。这相当于为生态遗传学研究提供了一把“万能标尺”，能够精确测量三种遗传力量的相对贡献。 “我们的模型好比一个基因’窃听器’，”论文第一作者王玉博士形象地比喻，“它不仅能听到每个物种自己基因的表达声音（直接效应），还能捕捉到来自其他物种基因的’隔空喊话’（间接效应），以及不同基因之间的’密谋对话’（水平上位效应）。” 通过对实验数据的深度挖掘，研究团队获得了多项里程碑式发现： 间接遗传效应的颠覆性认知 传统遗传学几乎只关注直接效应，但研究发现，间接遗传效应在生物互作中至少与直接效应同等重要。在金黄色葡萄球菌的表型可塑性中，间接效应甚至超过了直接效应。这意味着，物种的适应性约有一半是“由对手塑造”的。 时间动态变化的精妙调控 遗传效应并非一成不变。在共培养的早期（0-10小时），直接和间接效应的绝对值先升后降，呈现明显的动态调控；而在10小时后，效应强度趋于稳定，但水平上位效应的相对贡献显著提升。这种时序特征揭示了微生物群落从激烈竞争到动态平衡的全过程的遗传基础。 130个核心SNP组合的“双面人生” 研究鉴定出130对两种细菌都有影响的“共通SNP组合”，它们表现出典型的“拮抗性控制”——一个等位基因在增强大肠杆菌适应性的同时，会抑制金黄色葡萄球菌的生长，反之亦然。这就像一把双刃剑，在进化博弈中维持着精妙的平衡。 从理论到应用：重塑微生物组研究与生态预测 这项研究的深远意义远超微生物学范畴。邬荣领团队开创的模型与实验范式，为多个前沿领域打开了全新的可能性： 微生物工程与合成生态 通过精准调控特定防御或进攻基因的表达水平，人类可以“定向编程”微生物群落结构。这对于构建高效的工业发酵体系、修复污染环境的微生物组、乃至设计个性化益生菌治疗方案，都具有直接的指导价值。 抗生素耐药与病原控制 研究揭示了跨物种基因互作对致病性的潜在影响。理解病原菌如何利用进攻基因破坏宿主微生物屏障，或将为对抗耐药菌提供全新靶点。例如，抑制金黄色葡萄球菌的某些进攻基因，可能削弱其致病能力。 生态进化预测 在全球变化背景下，HiE模型为预测群落如何响应环境变化提供了可计算框架。科学家可以模拟不同基因型组合下的群落动态，预判生态系统对气候变暖、入侵物种等胁迫的演化轨迹，为生物多样性保护提供决策支持。 精准医学的新维度 人体本身就是一个超级生态系统。这项研究为理解肠道菌群与宿主、菌群成员之间的基因互作提供了理论工具，未来有望发展出基于”跨界遗传效应”的精准医疗策略。 结语：生命共同体的遗传交响曲 正如邬荣领教授所言：“生命的遗传密码，从来不是孤立书写的——它是在物种之间的相互作用中，被共同塑造、不断演化的。”这项研究以高度原创的理论视角、严谨的数学建模和扎实的实验数据，重新定义了“基因如何在物种互作中发挥作用”这一根本问题。 HiE模型的诞生，不仅填补了传统数量遗传学与进化生物学之间长期存在的空白，更重要的是，它让我们第一次能够量化解读生命共同体的“遗传交响曲”。在这个交响曲中，每个物种既是独奏者，也是伴奏者；它们的基因既在表达自我，也在倾听他者。这种深层次的遗传对话，正是地球生命网络得以维系和演化的根本机制。 随着这一理论工具的推广，人类将有望从“基因-基因”的互动视角，升级到“基因组-基因组”的系统认知，最终实现对生态系统的精准理解、预测与调控。这不仅是一次科学研究的突破，更是人类认识生命、与自然和谐共生的一次重要飞跃。 论文信息 Wang, Y., Zhao, …

破解物种间“基因密码对话”：我国科学家建立全新计算模型，揭示微生物如何“彼此塑造” Read More »

12月3日下午，复旦大学财资处刁宇婴副处长、曹佩科长、杨晶晶科长一行受邀来到我院，围绕科研经费管理政策和日常管理中遇到的问题与我院科研和管理人员进行了交流。

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 …

2025经济、科技与交叉科学国际峰会在SIMIS成功举办 Read More »