中国社会科学网讯（记者 张译心 李永杰）4月6—7日，第四届“大数据计量经济学理论与应用——人工智能与计量经济学建模”研讨会在厦门大学顺利举行。 

　　本次会议由《计量经济学报》编辑部，国家自然科学基金委“计量建模与经济政策研究”基础科学中心和厦门大学邹至庄经济研究院、厦门大学经济学院主办，中国科学院预测科学研究中心协办。众多高校和科研机构专家学者齐聚厦门大学，聚焦人工智能与计量经济学相关理论与应用的进一步融合发展。

　　4月6日上午研讨会举行开幕式。厦门大学邹至庄经济研究院教授韩晓祎主持开幕式。厦门大学经济学院与王亚南经济研究院院长周颖刚用“3个3”简要介绍了新百年厦大经济学科的发展和愿景，并表示值此厦门大学103周岁之际，希望此次研讨会能促进人工智能与计量经济学相关理论与应用的进一步融合发展。

　　中国科学院大学经济与管理学院院长、《计量经济学报》联合主编洪永淼与参会嘉宾分享了大数据计量经济学理论与应用系列研讨会的举办初衷和历届情况。他表示，本次研讨会搭建了一个优秀的学术交流平台，推动国内计量经济学理论与方法的研究，希望在座的年青学者能抓住良机，多与资深学者交流学习。

　　本次研讨会共有三个时段的七场特邀报告和一场青年学者圆桌论坛，第一时段特邀报告由湖南大学教授李海奇主持。

　　中国科学院数学与系统科学研究院教授汪寿阳以“TEI@I方法论与经济预测”为题发表了主旨演讲，介绍了自己在多年经济预测工作中总结得出的TEI@I方法论，重点讲述了方法论的启发、含义和应用三个方面。经济预测是一个困难的问题，以原油价格为例，传统计量经济学方法难以用单一计量模型刻画油价波动高频部分。受到陈锡康团队的全国粮食产量预测工作和自身团队的外汇汇率短期预测和原油价格波动预测工作的启发，汪寿阳提出了TEI@I方法论。TEI@I方法论的内涵包含了文本和事件挖掘（Text mining & event mining）、计量方法建模（Econometrical modelling）、人工智能算法（Intelligent algorithm）和方法结合（Integration）四个方面。他表示，在解决现实经济系统的预测问题中，各个方面都很重要，计量方法优点在于解释性强，而人工智能方法优点在于短期预测准确，有机结合这些方法才会达到理想的预测效果。

　　据悉，TEI@I方法论是一种研究复杂系统的方法论，所以应用领域非常广泛，如油价预测、供应链工程、航空指挥与保障系统工程和商业系统等领域。汪寿阳重点说明了方法论在汇率预测中的应用。对于汇率数据，传统的计量模型把握非线性的能力较弱，而人工智能方法存在过拟合及参数敏感等问题。他基于TEI@I方法论，针对汇率数据特点、国内经济状况、国际经济形势和公众预期四个方面设立了不同的预测方法，最后综合得到一个集成汇率预测方法，该方法的实际预测效果处于国际领先水平。

　　最后，汪寿阳总结认为，TEI@I方法论已经有了较广泛的应用，在解决实际困难问题方面取得了较好的成效，但仍有一些理论问题需要解决，如混类数据的计量建模理论和方法等，需要在解决若干重大实际经济系统的问题中发展新理论和提出新方法。

　　美国康奈尔大学约翰逊商学院教授丛林以“建设经济学人工智能模型（Building AI Models for Finance）”为题发表，主要介绍了其团队在金融领域构建AI模型的成果和一些观察思考。他表示，构建金融AI模型很多情况下是一个给定经济问题目标，拓展模型空间，而后智能搜索优化目标的模型的过程。将AI模型应用于金融领域通常会存在计算复杂、缺乏问责机制等问题，考虑到金融数据的计算、数据隐私和模型可解释性等方面的需求，金融领域的AI大模型需要满足垂直化、不过度依附于通用大模型、准确且风险可控、能有效应对算力突破和对抗攻击等特点。

　　第二时段特邀报告由《计量经济学报》编辑部主任李琳主持，香港理工大学应用数学系教授黄坚以“利用预训练模型的统计生成学习（Statistical Generative Learning Leveraging Pretrained Models）”为题作报告。

　　他汇报了基于Diffusion Model的图像大模型研究。黄坚解释了扩散过程，即通过逐步增加高斯噪声将数据转化为白噪声，并在此过程中学习得分函数。之后，利用该函数从高斯分布进行逆过程生成。实际操作需离散化连续过程。使用的Stable Diffusion Model大模型基于扩散过程，涉及约60亿张图像。他提出将得分函数表示为条件期望，把复杂问题转化为非参回归问题。黄坚还讨论了如何将大模型问题转化为统计问题，通过结合条件分布和贝叶斯理论，将学习内容与大模型关联。最后，他总结了报告并展望了未来工作，提出在现有时间序列数据大模型基础上进行研究的可能性。

　　美国芝加哥大学布斯商学院教授修大成以“机器能否学习弱信号（Can Machines Learn Weak Signals）？”为题，深入浅出地阐述了机器能否学习弱信号的问题。修大成认为，在经济和金融的当前研究中发现由于低信噪比的问题，当采用来自计算机或者统计学中常用的机器学习算法时，其有效性值得商榷。为此修大成就这一问题提出了一些思考。弱信号（Weak Signals）在经济学中弱信号是非常普遍的情况。当弱信号维度高时会涉及过拟合的问题。修大成从统计学方法中最常见的两种回归方法Lasso和Ridge入手来考虑机器学习算法能否识别并利用弱信号这一问题。修大成指出，本篇文章的主要理论结果是在高维回归的框架下，精确地给出Ridge和Lasso估计量的预测误差，并与零估计量的预测误差进行比较。实证发现随机森林相比Gradient Boosting树，在处理弱信号时表现得更好。类似的，神经网络在使用l2正则化或者early stopping来训练时比l1正则化表现更好。这些结论对于指导机器学习在经济金融数据的应用有重要意义。

　　青年学者圆桌论坛的主题为“‘人工智能+’时代计量经济学研究与人才培养探讨”，由厦门大学教授薛涧坡主持。厦门大学教授陈坚、韩晓祎，中央财经大学教授姜富伟、副教授黄乃静，香港中文大学副教授史震涛，上海财经大学教授谢天，暨南大学教授姚加权依次分享了各自的研究心得以及人才培养方法。

　　第三时段主旨报告由厦门大学经济学院教授郑挺国主持。美国波特兰州立大学教授林光平的演讲报告题目为“TimeGPT for Time Series Forecasting”。首先，他介绍了TimeGPT是基于1亿多条时间序列数据的大规模基础模型，能够基于历史数据进行迁移学习用以预测未来，具备准确、高效和简单地进行零样本推断和预测的能力。同时，林光平还展示了TimeGPT的编码和解码结构，列举了TimeGPT的多种应用场景，包括多元预测、区间预测、不规则时频序列预测、长记忆模型预测和数据纠正。

　　在回顾了传统计量经济学和现代机器学习中的时间序列模型及其预测方法之后，林光平依次展示了TimeGPT对中国的GDP增长率、CPI指数和上证交易所股票市场回报率的训练结果。训练结果表明，TimeGPT较传统的预测模型更准确。同时，林光平还展示了TimeGPT对GDP增长率和CPI指数的预测结果，其中所采用的训练数据截至2023年第三季度。结果表明，GDP增长率的预测结果与实际数据非常接近，消费者物价指数在2024年将保持平稳。最后，林光平以亲身经历为例，介绍了TimeGPT的简便性，可以花费较少的人力就能做出准确预测。

　　清华大学统计学研究中心长聘副教授邓柯以“运用前沿人工智能技术从技术性贸易措施角度计量全球经贸态势”为题作演讲。据他介绍，“技术性贸易措施”是与关税、知识产权并称驾驭世界货物贸易的“三驾马车”，具有法律上的合法性、手段上的隐蔽性、发展上的灵活性等特点。技术性贸易措施预警意义重大，加强研究迫在眉睫。针对“技术性贸易措施”建立风险预警体系具有重要现实意义，文本精准解析是实现有效风险预警的关键，基于统计学习的领域文本技术是大语言模型的有力补充，运用前沿人工智能技术有潜力大幅度提升智慧政务管理水平。

　　洪永淼在汇报中从全新的视角讨论了汇率预测中的经典问题——Meese&Rogoff谜题。Meese&Rogoff谜题认为，汇率近似随机游走过程，汇率的变化率是不可预测的。基于这一经典谜题，洪永淼提出了一个基于微观信息预测汇率的框架，即利用两国上市公司所有个体层面的股票价格信息构成的大面板数据，结合机器学习方法，预测两国间货币的汇率。为了论证“个体层面股票价格结合机器学习”这一预测框架的有效性，他提出了三个关键问题。第一，该方法是否优于随机游走模型；第二，该方法是否优于基于经济理论的结构化模型；第三，该方法是否优于基于总体层面宏观经济变量的模型。研究考察了多个预测期下该框架对八种货币汇率变化的预测能力，结果表明，该方法在短期内与随机游走模型预测能力相当，中长期内能够大幅提升预测精度，并且比基于经济理论的结构化模型、基于总体层面宏观经济变量等各类经典模型都有更出色的预测能力。

　　基于微观层面信息预测宏观经济变量的预测框架创造性地将宏观与微观相连，为计量经济学的应用带来新的视角和启发。首先，直接将个体层面股票价格信息加入预测，充分地考虑了微观主体的异质性，而这种异质性很大程度上有助于提高预测精度。其次，从微观视角出发预测宏观经济变量，突出了微观个体在捕捉重要宏观经济动态方面的关键作用。最后，大数据与人工智能为经济学研究带来了巨大的变化，将开放的、非垄断性的大数据引入到经济学研究与实践中，借助前沿的机器学习方法，能够更深层次地挖掘数据中的价值，从新的视角讨论经济学领域的一系列经典问题。

　　此外，本次研讨会举办了16个分论坛，涵盖了“人工智能与经济学建模”主题下的多个前沿议题，包括复杂时间序列模型的估计、检验与预测，大数据环境下空间和金融计量模型的统计学习方法、非参数政策学习与政策评估方法、高维统计模型理论方法，以及人工智能与大模型方法在经济金融中的实证应用等计量领域的重要议题。在各个分论坛中，报告人全面深入地展示了最新的研究成果，参会师生积极参与提问和讨论。