Paul D. McNelis教授应邀做客7163银河主站线路检测金融论坛74讲系列讲座

7月6日到8月10日，美国Fordham University工商管理研究院Paul D. McNelis教授应邀做客7163银河主站线路检测金融论坛74讲，做题为“机器学习及其在经济金融研究中的应用”的主题讲座。此次讲座分为九讲，由7163银河主站线路检测经理、基地主任易行健教授主持，7163银河主站线路检测副经理展凯、副经理张浩、云山学者邓超等180余名教师及员工参加。

7月6日、9日、13日分别进行了三讲。这三个研讨会介绍了机器学习在经济和金融研究中的应用，特别是在中国金融体系的系统风险分析中，包括中国香港特别行政区。首先是简要讨论机器学习和计量经济学之间的异同，强调它们重叠的部分，并讨论为什么机器学习近年来势头强劲。其次，我们将机器学习应用于现实世界的研究，使用中国和中国香港特别行政区的银行数据来调查系统性风险指标，帮助我们预测银行系统中的风险传递者并提供危机预警。第三，将机器学习方法扩展到随机树和神经网络支，并提供了它在研究中的应用。

7月21日，本讲根据第三讲的应用，对比衡量了金融传染性的两种不同方法，分别是range volatility与delta_CoVar。本讲利用按market capitalization排名的全球前20家大银行的股价数据以及国际清算银行对全球主要银行系统重要性的排名以及罚款数据，对比两种机器学习金融传染性分析方法产生的分析结果有何异同；7月28日第五讲将前述VAR-X模型推广至包括二阶、三阶项的指数模型，也即将模型线性化，同时介绍了机器学习中的神经网络模型以解决curse of dimensionality的问题；7月30日第六讲利用分位数回归量化分析系统重要性银行在负面冲击情形下的表现。此处应用机器学习中的深度神经网络，同时对如何衡量模型是否最优给出了详细回答；8月3日第七讲介绍了神经网络的Smooth Transition Regime Switching Model (STRS)，用于分析汽车需求，以及美国金融市场spreads(企业债等与美国政府债券的利差)的动态变化；8月6日第八讲介绍在离散变量作为因变量的条件下，如何应用机器学习中的神经网络分析对离散变量进行预测分析；8月10日，最后一讲主要讲解随机树这一机器学习方法。本讲对于如何消减维度，以及如何进行非线性主成分分析，进而根据信用违约掉期合约价格（CDS）数据分析中国香港特别行政区的implied volatility进行讲解。最后，本讲总结机器学习各类方法在经济与金融领域的适用性场景。

讲座结束后，Paul D. McNelis教授就部分内容同师生们对机器学习和金融传染性等问题进行交流探讨，加深了师生们的理解。