聚焦時序前沿探索——2026復雜時間序列前沿論壇成功舉辦

2026年3月21日，“2026復雜時間序列前沿論壇”在北京大學圓滿閉幕。本次論壇由北京大學光華管理學院主辦，立足大數據與人工智能時代背景，圍繞高維時間序列建模、非平穩時間序列分析、非線性時間序列方法拓展三大核心議題開展高水平學術研討，旨在搭建跨地域、跨機構的前沿學術交流平臺，促進理論研究與現實應用深度融合，推動我國時間序列計量經濟學領域的高質量發展與國際學術交流合作。

論壇開幕式由大會主席、北京大學光華管理學院教授涂云東主持并致開幕辭。涂云東首先代表論壇組委會，向蒞臨參會的特邀報告嘉賓及全體師生表示熱烈歡迎與誠摯謝意。他指出，本次論壇匯聚了時間序列領域全球頂尖學者，集中展示領域前沿研究成果與突破性進展，為廣大師生提供了高水平學術交流平臺。隨后，他系統回顧了學院在時間序列領域的深耕歷程與建設成果，全面介紹了研究團隊的學術方向、科研布局與人才培養體系。同時，他特別感謝了國家自然科學基金委員會為本次論壇的順利舉辦提供的支持與保障，預祝本次論壇研討深入、交流充分，產出豐碩的學術成果與合作共識。

主旨報告環節，八位海內外頂尖學者圍繞復雜時間序列相關領域的關鍵科學問題與前沿研究方向，系統分享了原創性理論成果與創新性研究方法。英國倫敦經濟與政治科學學院統計系教授姚琦偉，北京大學光華管理學院商務統計與經濟計量系副教授李豐、助理教授沈周瑜，以及上海財經大學經濟學院計量經濟學系助理教授林穎倩分別擔任各分論壇主持人。

涂云東

姚琦偉

李 豐

林穎倩

沈周瑜

Session 1

Recurrent Neural Networks for Nonliner Time Series

修大成

芝加哥大學布斯商學院約瑟夫·桑德海默計量經濟學與統計學講席教授，美國國家經濟研究局（NBER）研究員修大成圍繞循環神經網絡（RNN）在非線性時間序列中的理論與應用展開深入闡述。

研究將 RNN 作為非參數估計器，構建適配非線性數據生成過程的統計理論，證明其估計一致性與預測準確性，首次推導出預測誤差分解公式，并揭示了線性 RNN 與 ARMA 模型的等價性。模擬分析顯示，RNN 預測精度與魯棒性優于傳統模型。實證研究中，研究將 RNN 應用于 G10 貨幣對美元的匯率收益率預測，以無漂移隨機游走為基準，采用滾動窗口預測方法展開分析。結果表明，樣本外預測表現顯著超越 DNN、ARX、ARMAX 等方法。修大成最后指出，RNN 在處理長程依賴時間序列時，或因維度災難導致性能下降，也為后續研究指明了方向。

Session 1

Model Averaging of Multi-layer Time-Varying Network VARs

李德柜

澳門大學工商管理學院副院長、商業經濟學特聘教授及亞太經濟與管理研究所金融計量經濟首席研究員李德柜針對高維大規模時間序列傳統建模的局限性，提出了時變多層網絡向量自回歸（VAR）模型框架與時變模型平均方法。

研究指出，傳統 VAR 與線性網絡 VAR 難以適配高維、時變、多層互動的復雜場景。為此，研究構建時變多層網絡 VAR 模型框架，引入多個鄰接矩陣刻畫多渠道網絡溢出效應，設定時變系數以適配序列的結構變化，適配節點數可趨于無窮的大規模網絡場景，從而精準捕捉多層溢出與結構變化，并創新提出了懲罰性時變模型平均方法，以實現候選模型最優組合，并構建了一步向前預測方法。理論上，該方法被證明具有漸近最優性與選擇相合性。模擬實驗顯示，其樣本內估計 RMSE 顯著低于基準模型，1-3 步樣本外預測 RMSPE 亦表現更優。該研究拓展了網絡向量自回歸模型的適用場景，為高維時變多層網絡時間序列的估計與預測提供了兼具理論嚴謹性與實踐有效性的解決方案。

Session 2

Predictive Regression for Expected Shortfall under Heavy-Tailed Time Series

常晉源

西南財經大學光華首席教授、中國科學院數學與系統科學研究院研究員常晉源針對厚尾時間序列下Expected Shortfall（ES）回歸估計難題，構建了兼具魯棒性與通用性的兩步式 ES 回歸分析框架，為厚尾時間序列的尾部風險預測提供了新方法。

研究指出，傳統方法存在模型敏感、非凸優化、魯棒性不足等缺陷。基于此，研究構建聯合分位數-ES 回歸模型，將條件分位數視為冗余參數，提出核心的兩步估計法：第一步通過 QR 估計條件分位數，第二步基于替代響應變量的矩條件，采用均值回歸估計條件 ES，且理論證明分位數估計的誤差對 ES 估計僅產生二階影響，保證了方法的穩定性。研究分別建立線性與非線性估計方案，先后通過協變量截斷與平滑分位數回歸，引入神經網絡緩解維度災難，驗證了推斷的有效性。模擬結果顯示，該方法在厚尾與正態分布下預測精度更高、置信區間表現更優。研究突破經典模型局限，形成完整解決方案，在金融風險管理等領域具有重要應用價值。

Session 2

Efficient Portfolio Estimation in Large Risky Asset Universes

李瑩瑩

香港科技大學金融系及ISOM系講座教授、馮氏商學教授李瑩瑩針對大規模風險資產組合的有效前沿估計難題，提出約束稀疏回歸方法（CORE），突破了傳統均值-方差優化在高維場景下的性能瓶頸，為大規模資產組合構建提供了兼具理論嚴謹性與實踐可行性的解決方案。

研究指出，傳統 plug-in 估計在資產數量接近樣本量時誤差累積、夏普比率急劇下降。核心癥結在于高維均值向量與協方差矩陣估計的累積誤差。為此，研究聚焦于僅含風險資產的投資場景，推導出最優資產組合的線性約束回歸表示，并基于線性壓縮估計提出有效資產組合配置的約束稀疏回歸方法。其核心邏輯是將有效組合權重求解轉化為帶線性約束的 最小絕對損失壓縮估計回歸（LASSO）問題，通過構造替代響應變量與約束條件，利用線性約束稀疏回歸直接估計權重。理論證明，該方法在高維漸近下滿足均值 - 方差有效性。實證顯示，基于標普 500 等數據的樣本外檢驗中，CORE 組合風險控制精準、夏普比率與回撤表現顯著優于基準，且可拓展至指數增強策略。

Session 3

On Factor Models with Regime Switching

蘇良軍

清華大學經濟管理學院C.V. Starr講席經濟學教授蘇良軍圍繞高維因子模型在機制轉換情境下的識別與估計問題，提出了創新的稀疏旋轉與聚類篩選方法，為存在結構性變化的高維數據構建了系統性的因子建模框架。

研究指出，傳統因子模型假設因子載荷在時間上恒定，難以刻畫現實經濟系統中因政策、市場環境等變化引發的機制轉換。為此，研究構建了一個允許機制轉換的因子模型框架，在潛因子矩陣中引入稀疏結構。通過對未中心化的主成分估計量施加?1旋轉準則，再利用最大行余弦相似度比值篩選公共因子。采用層次聚類實現因子分離與機制識別，并給出機制數目的信息準則選擇方法。理論上，該方法實現因子、載荷與機制序列的一致估計。模擬與實證表明，其在有限樣本與宏觀金融數據中表現良好，進一步彰顯了該方法的現實應用價值。

Session 3

3D Factor Models with Missing Observations and Applications to Tracking State-Level Economic Conditions

王 霞

中國人民大學吳玉章特聘教授王霞針對美國各州經濟狀況的同步性與異質性特征，提出了三維因子模型，并構建了適用于缺失觀測的推斷理論，為區域性經濟監測提供了新的分析工具。

研究指出，州級經濟狀況既存在共同波動又呈現顯著差異，傳統二維因子模型難以有效刻畫這種復雜結構。為此，研究構建了三維因子模型，能夠同時捕捉截面、時間與個體維度間的交互效應。為應對數據不平衡與缺失觀測的現實問題，研究發展了一套適用于一般缺失模式的三維因子模型推斷理論。估計方法通過對部分觀測數據構造的調整協方差矩陣進行主成分分析，充分利用所有可用觀測信息，實現了估計的靈活性與高效性。研究推導了因子與載荷估計量的漸近分布。在此基礎上，結合方差分解框架，研究構建了美國各州經濟狀況指數，結果顯示各州經濟周期存在顯著聯動性，同時表現出明顯的截面異質性。該研究為區域性宏觀經濟監測與政策分析提供了方法論支撐。

Session 4

Zero Variance Portfolio

史震濤

香港中文大學經濟系教授史震濤針對資產數量超過樣本量的高維場景下最小方差組合的“零方差”悖論，提出了一種基于“Ridgelet”估計的創新方法，揭示了過參數化情境下投資組合優化的一般性與泛化能力。

報告指出，當資產數量大于樣本量時，傳統最小方差組合會在訓練樣本內產生病理性的零樣本內方差。為克服這一問題，研究提出“Ridgelet”估計器，通過引入新穎的估計方式，使得在樣本外測試數據中，該組合仍具備良好的泛化性能。研究發現，該組合表現出雙下降現象，并在資產數量遠大于樣本量的過參數化情境下，能夠實現最優風險水平。相比之下，基于偽逆的“Ridgeless”估計器雖然能實現樣本內插值，但在樣本外表現不佳，偏離最優性。通過大量模擬與實證研究，研究驗證了“Ridgelet”方法在高維投資組合優化中的競爭性表現。該研究為高維資產配置中的過參數化問題提供了新的理論視角與實踐工具。

Session 4

Fixed-k Inference for Explosive Drift

李 嘉

新加坡管理大學經濟學院院長、李光前經濟學教授李嘉針對高頻數據中爆炸性漂移的推斷問題，提出了基于固定窗口長度的新推斷框架，突破了傳統大帶寬漸近理論在該場景下的局限性，為金融資產價格驟變檢驗提供了更精確的統計方法。

報告指出，傳統大帶寬漸近方法在處理短窗口計算的“局部”檢驗統計量時，因其分布遠非高斯而失效。研究提出將窗口長度k視為固定，發現局部統計量與一系列相依的t變量耦合，其最大值收斂于Fréchet分布，而非傳統Gumbel分布。研究建立了相依t過程的反聚類條件，為在重疊估計窗口下證明該極限理論提供了依據。局部功效分析表明，爆炸性漂移對極限分布產生乘法冪變換，而非高斯理論中的加法位置平移。實證研究中，基于耦合的檢驗方法展現出更優的尺寸控制能力，并發現日內價格在統計上顯著的“爆炸”事件遠少于基于高斯方法所揭示的數量。

本次“2026復雜時間序列前沿論壇”的成功舉辦，匯聚了全球時間序列計量經濟學領域的頂尖學術力量，系統梳理了復雜時間序列分析的最新研究進展與前沿發展趨勢，為海內外學者搭建了深度交流、協同創新的優質平臺，進一步加強了國內外該領域的學術聯動與合作交流。論壇產出的一系列原創性理論成果與創新性方法，不僅為復雜時間序列分析領域的學術發展提供了新的思路與方向，也為經濟金融風險管控、宏觀經濟監測、智能決策優化等現實場景提供了堅實的方法論支撐。未來，北京大學光華管理學院將持續深耕時間序列計量經濟學等前沿領域，搭建更多高水平的國際化學術交流平臺，推動相關領域的理論創新與實踐落地，為中國經濟學與數據科學的高質量發展持續貢獻力量。

來源 |北大光華學術資訊

審閱|塔娜