報告題目：基于機器學習方法的中國公募基金收益預測
報 告 人：李仲飛（南方科技大學講席教授，長江學者特聘教授，國家杰青）
報告時間：2022年11月9日晚7:00-7:30
會議方式：騰訊會議 ID：157-212-304
報告題目：市場操縱能被機器學習嗎？—基于高頻數(shù)據與“隱藏”案例信息挖掘的視角
報 告 人：陳海強（廈門大學教授，博士生導師，廈門大學王亞南經濟研究院副院長）
報告時間：2022年11月9日晚7:30-8:00
會議方式：騰訊會議 ID：157-212-304
報告題目：Realized Probability: A Conditional Autoregressive Beta Mode for Return Direction Forecasting
報 告 人：謝海濱（對外經濟貿易大學金融學院教授，博士生導師，金融科技系主任）
報告時間：2022年11月9日晚8:00-8:30
會議方式：騰訊會議 ID：157-212-304
報告題目：Forecasting High-Dimensional Value at Risk with Dynamic Factor Loadings Based on the Multivariate Asymmetric Laplace Distribution
報 告 人：陳孝偉（南開大學金融學院教授）
報告時間：2022年11月9日晚8:30-9:00
會議方式：騰訊會議 ID：157-212-304
報告人簡介
李仲飛，男，南方科技大學金融系講席教授，國務院學位委員會學科評議組成員，長江學者特聘教授，國家杰青，全國模范教師，國務院政府特殊津貼專家，全國百篇優(yōu)秀博士學位論文獲得者，新中國成立70周年觀禮嘉賓，Elsevier 中國高被引學者，全球前2%頂尖科學家，國家自科創(chuàng)新研究群體項目主持人，國家社科基金學科評審組專家，中國系統(tǒng)工程學會副理事長，中國優(yōu)選法統(tǒng)籌法與經濟數(shù)學研究會副理事長及其量化金融與保險分會理事長，十多個國內外期刊的領域主編、副主編或編委。歷任中山大學社科處處長，管理學院執(zhí)行院長，創(chuàng)業(yè)學院院長。研究領域包括綠色金融與碳經濟，金融科技與數(shù)字金融，金融工程與風險管理，金融市場與投資。
報告摘要：本研究綜合基金自身特征、基金持有股票特征、基金經理特征和宏觀變量四大類104個特征指標，運用8種機器學習方法，探索中國公墓基金收益是否可以被預測，哪些特征可以預測基金收益，以及一些特征和基金收益的非線性關系。結果表明，我們的部分模型在不同的市場情況下都具有非常好的預測能力，能獲得高達66%的樣本外R2；能有效識別優(yōu)秀的基金；能獲得非常高的投資組合收益，未來首個季度的最高實際收益可達40%，高水平業(yè)績可持續(xù)6個季度。此外，我們的研究發(fā)現(xiàn)了具有最好預測能力的特征指標。本研究對中國公募基金投資者和金融分析師有重要的參考價值。
陳海強，教授，博士生導師，美國康奈爾大學經濟學博士，廈門大學王亞南經濟研究院副院長，教育部計量經濟學重點實驗室（廈門大學）副主任，入選教育部青年國家級人才（2020），國家自然科學基金重點項目主持人，福建省高等學校新世紀優(yōu)秀人才，廈門市高層次引進人才。研究領域為金融計量、數(shù)字經濟、金融科技與金融風險管理。論文發(fā)表在AEA Papers and Proceedings, Journal of Econometrics, Econometric Theory, Econometrics Journal, Journal of Empirical Finance, Journal of International Money and Finance,《經濟研究》和《管理科學學報》等國內外重要學術期刊。曾獲國家高等教育教學成果獎二等獎（2018）、寶鋼優(yōu)秀教師（2021）、China Economic Review年度最佳論文（2017）、福建省第十二屆社會科學優(yōu)秀成果獎等獎。在《經濟日報》、《中國社會科學報》等國內重要新聞媒體撰文，相關政策報告獲國家領導人批示。作為負責人主持多項國家級、省部級和企業(yè)課題。
報告摘要：市場操縱泛濫是困擾A股市場的長期問題，然而，由于缺乏實時有效的預測預警與監(jiān)管機制，投資者無法及時規(guī)避相關風險。本文利用2013年至2020年中國證監(jiān)會公布的市場操縱處罰案例所涉及的股票作為學習樣本，結合高頻交易數(shù)據與公司治理相關的低頻變量構建特征集，采用機器學習方法逐年學習訓練得到A股市場操縱機器學習模型。與傳統(tǒng)計量模型相比，新提出的機器學習方法改善了案例公布滯后導致的樣本混淆問題，并能處理高維變量以及捕捉變量之間存在的非線性關系。樣本外預測證實機器學習較傳統(tǒng)計量模型能更及時有效識別及預警操縱行為。進一步，本文基于機器學習模型估計得到個股日度市場操縱風險指標（MM-score），模擬構建監(jiān)管重點名單，發(fā)現(xiàn)機器學習較傳統(tǒng)計量建模可以顯著提高被操縱股票的覆蓋效率，此外基于MM-score構建的簡單多空策略亦能產生顯著并穩(wěn)健的超額收益，且受益來源主要來自高操縱風險組的賣空收益。本文結論認為，大數(shù)據與機器學習方法相結合的監(jiān)管科技能有效提高市場操縱預測與監(jiān)管效率，可以為投資者決策提供預警指標。
謝海濱，現(xiàn)任對外經濟貿易大學金融學院教授，金融科技系系主任，博士生導師，主要研究方向為實證金融，風險管理，預測理論與方法等，主持國家自然科學基金、教育部人文社科基金、對外經濟貿易大學優(yōu)秀青年培育計劃項目等多項國家級和省部級課題研究項目，在《管理科學學報》、《管理評論》、《中國管理科學》、《統(tǒng)計研究》、Journal of Forecasting、Journal of Risk、Computational Economics、Journal of Derivatives等國內外權威期刊發(fā)表多篇論文、出版中英文學術專著各一部。曾獲全國商務發(fā)展研究獎，金融教育優(yōu)秀研究成果著作類三等獎、校級優(yōu)秀論文指導教師等榮譽。
報告摘要：Return direction forecasting is of great importance to practitioners and of great interest in financial econometrics. With the easy access to high-frequency data, this paper presents a new decomposition technique that can transform return direction prediction into realized probability forecasting, and proposes a Conditional AutoRegressive Beta-distribution (CARB) model. The CARB model shares a dynamic structure similar to ARCH-type models. An even more interesting and important property with the CARB model is that it can capture not only the time-varying probability of direction change but also the term structure of probability change. Simulation studies examine the performance of the CARB model in finite samples, and empirical results confirm that the CARB model yields better in-sample and out-of-sample direction forecasts than the commonly used dynamic probit model does.
陳孝偉，現(xiàn)為南開大學金融學院精算學系教授，美國伊利諾伊大學、韓國木浦海洋大學訪問學者，研究方向為風險管理與精算學、動態(tài)經濟理論，發(fā)表學術論文40余篇，分布在Insurance: Mathematics and Economics, EJOR，Information Sciences，《南開經濟研究》與《保險研究》等經濟、管理科學領域知名期刊，主持兩項國家自然科學基金。2011年入選天津市首批“用三年時間引進千名以上高層次人才”項目，2017年天津市131第三層次人才。目前擔任中國運籌學會不確定系統(tǒng)分會理事長，中國運籌學會理事，中國運籌學會智能計算分會常務理事，《Fuzzy Optimization and Decision Making》《Journal of Uncertain Systems》副主編，《International Journal of e-Navigation and Maritime Economy》編委，教育部學位中心學位論文評審專家，天津市政府保險招投標評審專家。
報告摘要：This paper develops a new quantile regression framework to forecast Value at Risk (VaR) for high-dimensional stock returns. The proposed methodology is highly flexible and computationally tractable with score-driven dynamics. We draw on successful ideas from the research on modeling high-dimensional covariance matrixes and the recent work on generalizing the Multivariate Asymmetric Laplace (MAL) joint quantile regression to a time-varying setting. A closed-form likelihood expression is derived to allow for straightforward parameter estimation making the model scalable to high dimensions. Applying the new model to a large panel of 50 stocks from 11 Sectors of the S\&P 100 index from 2001 to 2021, we show that our model produces a relatively accurate forecast of out-of-sample VaR. Using the Skew Mean-Variance (SMV) strategy, we show that the new model also improves portfolio performance one step ahead.