报告题目：基于机器学习方法的中国公募基金收益预测
报 告 人：李仲飞（南方科技大学讲席教授，长江学者特聘教授，国家杰青）
报告时间：2022年11月9日晚7:00-7:30
会议方式：腾讯会议 ID：157-212-304
报告题目：市场操纵能被机器学习吗？—基于高频数据与“隐藏”案例信息挖掘的视角
报 告 人：陈海强（厦门大学教授，博士生导师，厦门大学王亚南经济研究院副院长）
报告时间：2022年11月9日晚7:30-8:00
会议方式：腾讯会议 ID：157-212-304
报告题目：Realized Probability: A Conditional Autoregressive Beta Mode for Return Direction Forecasting
报 告 人：谢海滨（对外经济贸易大学金融学院教授，博士生导师，金融科技系主任）
报告时间：2022年11月9日晚8:00-8:30
会议方式：腾讯会议 ID：157-212-304
报告题目：Forecasting High-Dimensional Value at Risk with Dynamic Factor Loadings Based on the Multivariate Asymmetric Laplace Distribution
报 告 人：陈孝伟（南开大学金融学院教授）
报告时间：2022年11月9日晚8:30-9:00
会议方式：腾讯会议 ID：157-212-304
报告人简介
李仲飞，男，南方科技大学金融系讲席教授，国务院学位委员会学科评议组成员，长江学者特聘教授，国家杰青，全国模范教师，国务院政府特殊津贴专家，全国百篇优秀博士学位论文获得者，新中国成立70周年观礼嘉宾，Elsevier 中国高被引学者，全球前2%顶尖科学家，国家自科创新研究群体项目主持人，国家社科基金学科评审组专家，中国系统工程学会副理事长，中国优选法统筹法与经济数学研究会副理事长及其量化金融与保险分会理事长，十多个国内外期刊的领域主编、副主编或编委。历任中山大学社科处处长，管理学院执行院长，创业学院院长。研究领域包括绿色金融与碳经济，金融科技与数字金融，金融工程与风险管理，金融市场与投资。
报告摘要：本研究综合基金自身特征、基金持有股票特征、基金经理特征和宏观变量四大类104个特征指标，运用8种机器学习方法，探索中国公墓基金收益是否可以被预测，哪些特征可以预测基金收益，以及一些特征和基金收益的非线性关系。结果表明，我们的部分模型在不同的市场情况下都具有非常好的预测能力，能获得高达66%的样本外R2；能有效识别优秀的基金；能获得非常高的投资组合收益，未来首个季度的最高实际收益可达40%，高水平业绩可持续6个季度。此外，我们的研究发现了具有最好预测能力的特征指标。本研究对中国公募基金投资者和金融分析师有重要的参考价值。
陈海强，教授，博士生导师，美国康奈尔大学经济学博士，厦门大学王亚南经济研究院副院长，教育部计量经济学重点实验室（厦门大学）副主任，入选教育部青年国家级人才（2020），国家自然科学基金重点项目主持人，福建省高等学校新世纪优秀人才，厦门市高层次引进人才。研究领域为金融计量、数字经济、金融科技与金融风险管理。论文发表在AEA Papers and Proceedings, Journal of Econometrics, Econometric Theory, Econometrics Journal, Journal of Empirical Finance, Journal of International Money and Finance,《经济研究》和《管理科学学报》等国内外重要学术期刊。曾获国家高等教育教学成果奖二等奖（2018）、宝钢优秀教师（2021）、China Economic Review年度最佳论文（2017）、福建省第十二届社会科学优秀成果奖等奖。在《经济日报》、《中国社会科学报》等国内重要新闻媒体撰文，相关政策报告获国家领导人批示。作为负责人主持多项国家级、省部级和企业课题。
报告摘要：市场操纵泛滥是困扰A股市场的长期问题，然而，由于缺乏实时有效的预测预警与监管机制，投资者无法及时规避相关风险。本文利用2013年至2020年中国证监会公布的市场操纵处罚案例所涉及的股票作为学习样本，结合高频交易数据与公司治理相关的低频变量构建特征集，采用机器学习方法逐年学习训练得到A股市场操纵机器学习模型。与传统计量模型相比，新提出的机器学习方法改善了案例公布滞后导致的样本混淆问题，并能处理高维变量以及捕捉变量之间存在的非线性关系。样本外预测证实机器学习较传统计量模型能更及时有效识别及预警操纵行为。进一步，本文基于机器学习模型估计得到个股日度市场操纵风险指标（MM-score），模拟构建监管重点名单，发现机器学习较传统计量建模可以显著提高被操纵股票的覆盖效率，此外基于MM-score构建的简单多空策略亦能产生显著并稳健的超额收益，且受益来源主要来自高操纵风险组的卖空收益。本文结论认为，大数据与机器学习方法相结合的监管科技能有效提高市场操纵预测与监管效率，可以为投资者决策提供预警指标。
谢海滨，现任对外经济贸易大学金融学院教授，金融科技系系主任，博士生导师，主要研究方向为实证金融，风险管理，预测理论与方法等，主持国家自然科学基金、教育部人文社科基金、对外经济贸易大学优秀青年培育计划项目等多项国家级和省部级课题研究项目，在《管理科学学报》、《管理评论》、《中国管理科学》、《统计研究》、Journal of Forecasting、Journal of Risk、Computational Economics、Journal of Derivatives等国内外权威期刊发表多篇论文、出版中英文学术专著各一部。曾获全国商务发展研究奖，金融教育优秀研究成果著作类三等奖、校级优秀论文指导教师等荣誉。
报告摘要：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.
陈孝伟，现为南开大学金融学院精算学系教授，美国伊利诺伊大学、韩国木浦海洋大学访问学者，研究方向为风险管理与精算学、动态经济理论，发表学术论文40余篇，分布在Insurance: Mathematics and Economics, EJOR，Information Sciences，《南开经济研究》与《保险研究》等经济、管理科学领域知名期刊，主持两项国家自然科学基金。2011年入选天津市首批“用三年时间引进千名以上高层次人才”项目，2017年天津市131第三层次人才。目前担任中国运筹学会不确定系统分会理事长，中国运筹学会理事，中国运筹学会智能计算分会常务理事，《Fuzzy Optimization and Decision Making》《Journal of Uncertain Systems》副主编，《International Journal of e-Navigation and Maritime Economy》编委，教育部学位中心学位论文评审专家，天津市政府保险招投标评审专家。
报告摘要：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.