10月17日，第六届（2021年）风险管理与金融统计论坛圆满落幕。论坛于线上举行，共计两天，聚焦“大数据时代金融风险管理与统计分析”的主题，邀请到4位主题演讲嘉宾、12位邀请报告嘉宾和来自十余所高校的65位参会代表做分组报告。
本届论坛由厦门大学经济学院、王亚南经济研究院、邹至庄经济研究中心、“计量经济学”教育部重点实验室（厦门大学）、福建省统计科学重点实验室（厦门大学）主办，由厦门大学经济学院金融系、统计学与数据科学系联合承办，广州国际金融研究院、广州金羊研究院、广东金融发展与数据科学研究中心（广州大学）、中国管理现代化研究会管理与决策科学专业委员会协办。同时邀请到Quantitative Finance and Economics、Green Finance、《系统科学与数学》、《广州大学学报（社科版）》等学术期刊作为支持媒体。
风险管理与金融统计论坛由中国科学院、天津大学、中山大学、广州大学、湖南工商大学、厦门大学等院校的相关专家学者于2016年倡议发起，每年举行一次，今年为第六届。论坛旨在搭建高水平的学术交流平台，推进金融与统计学科的交叉融合发展，以及风险管理与金融工程领域的理论和实证研究，提高科研人员、教师、研究生的创新与实践能力。
16日上午，在厦门大学林明教授的主持下，第六届风险管理与金融统计论坛拉开帷幕。
厦门大学校长助理、经济学院和王亚南经济研究院教授方颖首先致欢迎辞。他热烈欢迎各位嘉宾的到来，并对在疫情这一特殊情况下，各主办单位、承办单位及协办单位为本次论坛顺利举行所付出的努力表示了衷心的感谢。方颖教授提出，守住金融风险至关重要，而大数据时代的到来给相关问题带来了巨大机遇与挑战。他希望，今年的会议能够为金融学界与统计学界的学者搭建跨学科交流的平台，并推动大数据背景下金融风险管理研究的发展。
随后，作为风险管理与金融统计系列论坛的发起人之一，北京化工大学的余乐安教授简要回顾了历史，并对应邀参与此次论坛的各位嘉宾表示了欢迎。作为论坛另一位发起人及下届论坛主办单位的代表，广州国际金融研究院的李正辉教授简要介绍了下届论坛筹备的相关信息并预祝本次论坛取得圆满成功。
短暂的开幕式后，研讨会迎来当天上午主题演讲，美国普林斯顿大学范剑青教授、中国人民大学张顺明教授、天津大学张维教授依次作主题演讲。
范剑青：How much can machine learn finance?
范剑青教授介绍了他在机器学习与金融交叉学科领域的一系列工作成果，并对“机器可以在多大程度上学习金融？”这一问题进行了回答。
范剑青教授首先介绍了人工智能这一概念。他认为，人工智能是机器学习的平方，其目标是让机器自动地收集有效数据并学习相关算法。驱动人工智能研究的引擎，正是无处不在的大数据。大数据本身所具有的流量大、速度快、种类多等特点对系统和分析提出了一系列挑战，也由此催生出了数据科学这一新兴学科。利用数据科学这一媒介，我们得以将大数据转化为智慧数据，从而为决策提供支持。然而，机器学习所面临的通常是个体差异较小且信号集已知的问题。而在金融问题中，我们处理的数据信噪比较小且不光滑，同时市场环境在不断变化，这都对机器学习在金融领域的应用构成了挑战。在介绍完相关概念后，范剑青教授对自己的一系列工作成果进行了介绍。范剑青教授认为，对资产定价进行成功预测需要满足以下三个条件：一、对大数据进行有效处理；二、算法稳健；三、模型足以捕捉个体特征。基于这三个标准，范剑青教授进行了一系列研究。
在算法稳健性方面，范剑青教授针对高维数据所面临的稳健性问题提出了两个解决方案。一方面，在高维统计研究中我们需要多次计算样本均值，而在柯西分布下得到的计算结果极度不稳健。针对这一问题，范剑青教授提出对数据本身进行截断，通过对数据进行缩尾处理，而截断后样本均值近似于高斯分布，这对于稳健的协方差正则化和稳健主成分分析至关重要。另一方面，在回归问题中，为了模型的可解释性，我们不便于对数据本身进行截断。针对这一问题，范剑青教授提出对惩罚函数进行截断。他提出了自适应Huber损失函数，从而保证了良好的指数集中化(exponential concentration)性质。
在大数据处理方面，针对自变量间存在的高度相依性，范剑青教授提出了用于高维推断的因子调整方法和用于预测的因子增广方法。因子调整方法的思想在于利用因子模型将高度相依的自变量进行分解，未经调整时自变量之间的高度相关性会使传统的高维统计分析方法（如LASSO等）失效，可以利用主成分分析先行提取自变量中的共同因子，然后对提取因子后的余项重新应用LASSO、SCAD等回归方法。模拟效果表明，在不同的变量相关程度下，因子调整方法的效果均符合预期。此外，因子调整方法还可以应用于大规模的假设检验问题。因子增广方法则是在对自变量进行因子分解的基础上，利用所提取的因子对因变量进行预测。
最后，范剑青教授向我们介绍了他对于因子增广预测方法应用的最新研究——利用中文新闻研究资产定价问题。文本分析已经被广泛应用于金融研究中，通常学者们会将高维的文本数据转化为情感，并利用情感得分进行预测。范剑青教授分析了2000-2019年新浪金融和新浪经济网站上的约700万篇文章。在利用因子增广方法将词汇分解为共同因子的基础上，范剑青教授利用机器学习方法对相应公司的股票回报进行了预测，该预测值可以看作情感得分。在得到情感得分后，范剑青教授利用面板回归分析了情感得分对于超额回报的预测能力，并利用事件学习分析了新闻对于交易的影响。结论表明，情感得分可以对超额回报进行良好预测，正面新闻被报道前市场即会给出反馈，而负面新闻在被报道2-3天后市场会持续给出反馈，这与中国市场不允许做空的实际情况相符。此外，该方法还可以用于构造投资组合。
介绍完一系列工作成果后，范剑青教授最终对“机器可以在多大程度上学习金融？”这一问题提供了答案。他认为，资产定价本质上是一个预测问题，而机器学习在预测问题上已经取得了巨大成功。此外，资产定价中涉及的因子数量较多且高度相关，机器学习方法可以帮助我们处理大数据并从中选择重要因素和特征。面对资产定价问题中复杂且未知的函数，机器学习方法可以通过引入非线性学习来极大地改善预测效果。此外，机器学习方法还能够很好地应对过度拟合问题。通过将稳健性和对抗性网络提炼为定价，利用机器学习方法进行智能预测可以带来较大的经济收益。
张顺明：Do stock index futures increase ambiguity? Evidence from China
张教授首先讲到学者们经常用波动率研究金融市场的风险不确定性。已有研究表明，股指期货对波动率同时存在正面影响和负面影响。股指期货的引入会增加不知情交易者的数量，促进现货市场的流动性和效率，从而有助于提高现货市场的稳定性。但是被股指期货的高杠杆性质吸引的噪音交易者会过度地追求投机活动，从而使得股市大幅波动。有一些实证研究结果表明，股指期货与市场波动率之间的关系不显著。在此背景下，张教授提出从ambiguity的角度度量不确定性。
张教授讲解了ambiguity这一概念的来源、发展以及在学术里的不同度量方法。Ellsberg 在1961年提出，概率分布未知的不确定性称为ambiguity。张教授采用Izhakian 等人2017年的提出的EUUP框架(Expected utility with uncertain probabilities theory)度量ambiguity，即度量不确定性的概率分布的分散程度。
接下来，张教授介绍了基于沪深300指数研究股指期货对ambiguity影响的实证结果。股指期货在中国于2010年4月引入，张教授选取2005年5月-2012年12月共91个月的数据，使用DID方法研究引入股指期货后，实验组和对照组的ambiguity是否有显著差异。描述性统计表明，在发行股指期货后，控制组对照组ambiguity的均值差显著增大。回归结果也表明：无论在不考虑固定效应、考虑个体时间效应、考虑固定时间效应、同时考虑固定个体效应和时间效应的模型下，回归系数均显著大于0，即股指期货的引入对ambiguity有显著正向影响。
除了上述分析外，张教授还做了稳健性检验来支持上述结论：（1）将股指期货发行的时间换成其他时间，实证结果不再显著；（2）换不同的时间区间对结果没有影响；（3）逐个增加其他控制变量，比如流动性、二手率、交易量、公司准备金等，对结果影响不大；（4）更换ambiguity的其他度量方法，结果依旧显著。
因为业务不确定性的程度可能会影响公司在股票市场上的表现，张教授还做了异质性分析：（1）将股票按行业分，工业和公共事业股的表现依旧显著；（2）将股票按公司所有制分，国有企业和非国有企业的结果依旧显著；（3）将股票按不同区域分：东部和中部地区股票的结果依旧显著。
为了验证ambiguity是更合适的不确定性度量指标，张教授还用波动率做了上述分析。结果表明，时间区间的选取不会影响以ambiguity为指标的实证结果，而以波动率为指标的结果则受时间区间影响。
讲座最后，张教授与参会师生进行互动，耐心地回答了同学们提出的问题。张教授的报告内容丰富且结构清晰，让在场师生深受启发。
张维：金融风险管理中的金融系统工程思想
首先，张维教授从金融工程的基本作用出发，指出了金融风险管理的必要性。金融工程的基本作用在于设计金融产品以满足投资者的给定风险偏好需求以及管理金融风险。对金融资产的定价实际上也是对金融资产对应风险的“定价”，只有定价精确，金融机构才能准确地“买卖”金融风险。
其次，张维教授向我们介绍了金融机构和投资者面临的主要风险。应采用一般结合具体的方法去应对风险。一般化的金融工程思想主要有三点：一是资产分散化，利用多种金融资产进行配置，基于反向变动进行资产对冲；二是风险规避和转移，尽可能回避风险，不能回避则尽量转移给其他有能力承担的对象；三是风险体系化，把握好在复杂金融中的链接度，平衡风险。具体化的金融工程思想分为四点：一是应对信用风险，可以从增加信息对称性和基于衍生工具的技术的角度出发，被动主动相结合。二是应对流动性风险，通过资产证券化，或者拓展市场的方式，来改变资产自身的流动性，应对流动性风险。三是应对操作性风险，首先需要完善技术模型，其次是强化内控系统。四是应对利率风险，基于资产权益价值最大化，调整现有资产、负债的结构进行自然套期，或增加新的衍生产品进行人工套期。
接着，张维教授指出了中小企业融资难的问题，以风险减少、风险承担、风险分担的三大思路，提出了推动中小企业融资的金融工程思想。为推动中小企业融资，一是风险减少，即实质风险和认知风险的减少。前者指通过政府、社会的扶持，减少中小企业经营现金流的不确定性；后者指降低中小企业与潜在投资者之间的信息不对称性，可以通过大数据风控模型、新型在线检测技术等实现。二是风险承担，即增加高风险投资者的供给。通过政府资金的投入，以市场化的设计，去应对融资难问题。在具体实践过程中，还需注意政府资金投向、评价方法、标准等是否正确的问题，更多地运用市场化的标准去进行政府R&D投资，从而改善中小企业融资现状。三是风险分担，即在中小企业自身和多个不同风险偏好的投资者之间进行合作，分担高风险，分享高收益。
然后，张维教授从两个角度指出“风险管理系统”的“规划、设计和应用”。一是建立金融风险管理体系的多层结构，包括行业自律体系和政府监管体系。二是优化设计金融风险管理体系，包括内部风控体系、行业自律体系和政府监管体系三大体系，每层体系有组织系统建设、技术系统建设、规则系统建设和信息系统建设的四维系统建设。
最后，张维教授指出金融交易本质上是一种风险交易，因此金融风险管理成为首要问题，管理风险依赖多层次的管理主体及其内部的组织、规则、技术和相关信息，是一个典型的复杂系统，进而需要金融系统工程作为思想基础。
16日下午，会议安排了两个场次的分组报告会，每场次分组报告会共有五个平行场，33位参会代表分别进行论文报告。
17日上午，论坛迎来12位演讲人作邀请报告。此外，还有32位学者参加了分组报告会，并在会上进行论文汇报和相互点评。
（WISE 林安语）