财经数据科学重点实验室举行2025年第002期学术
讨论会
3月1日至2日，财经数据科学重点实验室举行了三场学术讨论会。
1日下午，第一场学术讨论在财数中心大楼四楼讨论室1举行，中国宏观经济系统数字孪生团队中的“政策+贸易小组”的相关师生共30余人（含线上3人）参加了讨论会议。
政贸小组的此次讨论主要围绕“贸易关税和中国零售品价格”进行。李洋洋同学汇报的论文题目为《贸易关税和中国零售品价格》（田巍等，2023），文章主要探讨了2018年中美贸易摩擦背景下，双方加征关税对中国零售品价格的影响。在汇报过程中，李洋洋重点讲解了理论框架、数据来源、实证分析以及政策建议。研究基于“我查查”移动端获取的零售品价格数据，结合Feenstra et al.（2020）多产品异质企业模型，分析关税政策对市场价格传导机制的作用，此外，研究还探讨了关税传导路径，分析了不同类型产品和城市的异质性影响，并提出政策建议，如增强国内市场竞争、优化供应链结构、减少对外贸市场的依赖等。
2日上午，第二场讨论会议在财数中心大楼406会议室举行，讨论主要围绕公里级西太平洋海底地形反演方法研究进行，海洋统计团队共计20余名师生参加了此次讨论。
第二场讨论会议涵盖“带约束的boosting方法”“图神经网络反演水深”“利用卷积神经网络反演地形”等主要内容，开展了多场文献汇报与专题研讨。
曾嘉豪汇报的论文题目为《P-O工具包》，主要从参数选择、工具包特点、可视化方法几个方面进行展开，介绍了文章的创新点。
林上春汇报的论文题目为《带约束的boosting方法》，主要从船测构建短波模型、使用约束保证地形连续性、选择相同区域研究方法的自适应程度、选择不同区域研究方法的应用效果、根据误差选择最优参数、罚函数的构建几个方面进行展开，介绍了文章的创新点与后续工作重点。
陶羽彤汇报的论文题目为《函数型数据估计平均海面高》，主要从局部核平滑、数据驱动构造模型、利用函数型数据而非离散点构建海平面、方法的评估指标几个方面进行展开，介绍了文章的创新点与后续工作重点。
钟云生汇报的论文题目为《图神经网络反演水深》，主要从图结构，区域分割、聚合邻域信息、计算距离作为索引，迭代邻域、分布式训练优化计算量、解释对比的优势几个方面进行展开，介绍了文章的创新点与后续工作重点。
徐征汇报的论文题目为《变分滤波实验改进》，主要从克里金插值的优势和必要性、实验方法探讨、文章创新点及后续工作重点几个方面展开。
饶佳丽汇报的论文题目为《利用卷积神经网络反演地形》，主要从加入正余弦的位置信息、考虑多源重力信息、参数调整、hubor损失，网格化搜索最优参数、实验设计、实验对比对象几个方面进行展开，介绍了文章的创新点与后续工作重点。
柳佳兵汇报的论文题目为《海面高校正》，主要从GM时空客观分析法计算海面高进行展开，介绍了可以应用到项目上的方法。
罗怡峰汇报的论文题目为《多尺度地形分类》，主要从分地形区训练模型反演、多尺度地形判断、反演效果几个方面进行展开，介绍了文章创新点。
胡天英汇报的第一篇论文题目为Neural networks for geospatial data，主要从将NN嵌入空间数据的高斯过程协方差模型进行展开，介绍了文章核心内容。
胡天英汇报的第二篇论文题目为Deep learning for geophysics:Current and future trends（Siwei Yu&Jianwei Ma，2021），主要从深度学习以及地球物理相关方法综述及发展趋势进行展开，介绍了文章可以应用到项目上的方法。
2日下午，第三场讨论会议在财数中心大楼406会议室举行，中国宏观经济系统数字孪生团队中的“预测+文本+大模型小组”的相关师生共30余人参加了讨论会议。
预测小组的第三场讨论会议共开展3场文献汇报与专题研讨，涵盖以下方向：“动态因子模型”“文本指数构建”“大模型发展”。
章龙文汇报的论文题目为《神经网络的基本原理和特点》，主要从模型的定义、结构、数学表达以及实际运用，分别对MP神经网络、感知机、多层感知机、Transformer前馈神经网络、RNN、LSTM、GRU这些模型进行了讲解。
刘思慧汇报的论文题目为《大语言模型、文本情绪与金融市场》（姜富伟等，2024），文章结合中国金融市场特征，基于BERT模型训练中文金融大语言模型，并开展金融市场情绪测度和资产价格风险预测。研究发现，与传统字典法相比，使用中文金融大语言模型构建的大模型情绪在金融市场回报预测方面表现显著更佳，能预测宏观经济变量，且在经济下行和极端事件期间预测效果更强，契合了金融理论中非理性情绪对金融市场和宏观经济会产生非对称与非线性影响的结果。
柳强汇报的论文题目为《混频模型在我国宏观经济预测中的应用研究》（邬琼，2024），文章融合动态因子模型和混频数据抽样模型，构建了因子混频数据抽样模型FA-MIDAS，实现对120多个宏观运行监测指标的深度挖掘和信息提取，并对我国季度GDP增速进行样本内拟合与样本外预测。FA-MIDAS模型的样本内拟合效果好于未考虑混频数据的模型以及将月度数据简单平均后转换为季度数据的模型。但与同频模型相比，FA-MIDAS模型在数据波动较大时，加入自回归项会存在惯性趋势，反而降低了模型预测精度。
（图文/财经数据科学重点实验室 谢淑妗 熊震海 胡天英）