2026年6月28日，由数理与金融学院主办的“智能金融与资产定价”学术讲座以线上方式顺利举行。本次讲座邀请山东大学经济学院张群姿教授、西安交通大学数学与统计学院刘嘉教授和北京大学金融数学系张瑞勋研究员作专题学术报告。报告会由数理与金融学院夏登峰教授主持，学院部分教师和研究生参加了本次报告会。

张群姿聚焦投资者行为与资产定价，围绕“叙事模糊性”展开报告。她提出了一套基于新闻文本挖掘的叙事模糊性度量方法，捕捉了投资者对信息不确定性的态度及行为反应。实证研究表明，该指标对股市回报具有样本内与样本外预测能力。报告进一步揭示了投资者普遍存在模糊性厌恶的特点，但在面临高概率损失等极端情景时，模糊性容忍度会出现显著反转。值得关注的是，通过整合消费与能源行业的特异性叙事模糊性，她构建了高性能市场收益预测工具，且该预测能力在国际市场及跨资产类别中均保持显著稳健，为资产定价提供了新的视角与实证支撑。

刘嘉介绍了一套从效用学习延伸至鲁棒强化学习的统一偏好诱导框架。针对传统偏好诱导方法计算复杂等痛点，他提出了坐标分量多面体方法（CPM）。该方法摒弃了复杂耦合优化的传统路径，通过预先设定坐标切割并利用线性方程组生成成对比较查询，理论证明能在保证线性收敛速度的前提下大幅降低多面体直径，并成功拓展至更广泛的效用函数形式。在此基础上，他进一步构建了基于偏好的统一鲁棒强化学习（PbRRL）框架，通过“立方体垂直切割方法”自适应生成偏好查询。其理论证明了模糊集的指数收敛性和学习策略的渐近最优性，仿真实验则验证了该方法在显著减少偏好查询次数的同时，依然能保持优良的样本外性能。

张瑞勋针对高维金融数据带来的“维度灾难”与数据稀缺困境，分享了其在金融情景模拟领域的理论突破。他将现代生成式AI中的扩散模型与计量经济学的隐因子结构相融合，提出了“扩散因子模型”（Diffusion Factor Models）。该研究充分利用资产收益率固有的低维因子结构，通过时变正交投影对扩散模型的核心组件——得分函数（Score Function）进行精确分解，并将其深度整合进神经网络架构设计之中，为数据受限环境下的高维金融模拟提供了方法论支撑。 

与会师生认真聆听了三位专家的报告。数理与金融学院费为银教授在总结发言中，首先对三位专家的精彩报告致以诚挚感谢。他指出，本次学术讲座紧扣当前智能金融与资产定价的前沿热点，既有严谨的数理理论支撑，又有扎实的实证分析检验，有效拓宽了学院师生的学术视野与科研思路。他表示，学院将以本次讲座为契机，继续深化与国内外学者的学术交流与合作，积极推动“人工智能与金融”交叉学科的高质量建设，培养兼具深厚数学功底与敏锐金融洞察力的复合型创新人才。 

 （文/图：李亮；初审：江志强；复审：潘海峰；终审：彭海燕、吴小太；责任编辑：汤建文）