报告题目： 动态分位数的函数系数向量自回归模型及其在构建非参数金融网络中的应用

报告时间： 2025-07-03 09:00——2025-07-03 12:00

报告人： 蔡宗武教授

报告地点： 劝学楼408

主办单位： 数据科学与人工智能学院

【报告人简介】

蔡宗武，美国堪萨斯大学经济系计量经济学Charles Oswald Distinguished Professor（杰出教授）。1982年取得中国地质大学（武汉）数学学士学位，1988年获得杭州大学（现为浙江大学）统计学硕士学位，1995年获得美国加州大学戴维斯校区统计学博士学位。主要研究领域包含理论和应用计量经济学、宏观计量经济学、微观计量经济学、经济分析和政策评估、金融计量学、金融与经济大数据、风险管理、非线性和非平稳时间序列建模和检验、非参数函数估计和检验，以及大数据分析与建模等多个领域。蔡宗武教授曾任“中国留美经济学会”会长（2018年9月-2019年8月）和理事长（2020年1月-2020年12月）。蔡宗武教授还是多家国际一流经济学、数据科学、统计学、金融学期刊的副主编，同时也是美国统计协会Fellow和《Journal of Econometrics》的Fellow。他在国际计量经济学、统计学以及数据科学领域有很高的影响力。在计量经济学和统计学领域，取得许多富有创新性的研究成果，具有国际领先地位的学术造诣。在国际顶尖级的经济学与统计学以及金融学等期刊上发表了论文130多篇。

【报告摘要】

在本文中，我们研究了一种用于条件分位数的函数系数向量自回归模型，该模型允许风险价值（Value-at-Risk）等尾部风险之间的相互依赖关系随一般经济变量平滑变化。从方法学角度，我们基于神经网络的深度学习方法和局部线性平滑技术，开发了一种易于实现的两阶段程序，用于估计动态网络系统中的函数。我们在几何β混合时间序列设定下，建立了所提出估计量的一致性和渐近正态性。仿真研究表明，我们的新方法效果良好。通过构建和估计一种新型非参数动态金融网络的实证研究，证明了所提出估计程序的潜力。这是与刘西元博士和苏良军教授的合作成果，论文可在网站https://econpapers.repec.org/paper/kanwpaper/202406.htm下载。最后，本文将讨论与报告相关的该领域未来研究主题，包括如何使用机器学习方法解决现有问题。

In this article, we investigate a functional coefficient vector autoregressive model for conditional quantiles, in which the interdependences among tail risks such as Value-at-Risk are allowed to vary smoothly with a variable of general economy. Methodologically, we develop an easy-to-implement two-stage procedure to estimate functionals in the dynamic network system based on the deep learning method of neural networks and the local linear smoothing technique. We establish the consistency and the asymptotic normality of the proposed estimator under geometrically beta-mixing time series settings. The simulation studies are conducted to show that our new methods work fairly well. The potential of the proposed estimation procedures is demonstrated by an empirical study of constructing and estimating a new type of nonparametric dynamic financial network. This is a joint work with Dr. Xiyuan Liu and Professor Liangjun Su and the paper can be downloaded at the website https://econpapers.repec.org/paper/kanwpaper/202406.htm. Finally, the future research topics in this field related to my talk will be addressed, including how to use machine learning methods to solve the existing problems.