2026年3月21日，“2026复杂时间序列前沿论坛”在北京大学圆满闭幕。本次论坛由北京大学光华管理学院主办，立足大数据与人工智能时代背景，围绕高维时间序列建模、非平稳时间序列分析、非线性时间序列方法拓展三大核心议题开展高水平学术研讨，旨在搭建跨地域、跨机构的前沿学术交流平台，促进理论研究与现实应用深度融合，推动我国时间序列计量经济学领域的高质量发展与国际学术交流合作。
论坛开幕式由大会主席、北京大学光华管理学院教授涂云东主持并致开幕辞。涂云东首先代表论坛组委会，向莅临参会的特邀报告嘉宾及全体师生表示热烈欢迎与诚挚谢意。他指出，本次论坛汇聚了时间序列领域全球顶尖学者，集中展示领域前沿研究成果与突破性进展，为广大师生提供了高水平学术交流平台。随后，他系统回顾了学院在时间序列领域的深耕历程与建设成果，全面介绍了研究团队的学术方向、科研布局与人才培养体系。同时，他特别感谢了国家自然科学基金委员会为本次论坛的顺利举办提供的支持与保障，预祝本次论坛研讨深入、交流充分，产出丰硕的学术成果与合作共识。
主旨报告环节，八位海内外顶尖学者围绕复杂时间序列相关领域的关键科学问题与前沿研究方向，系统分享了原创性理论成果与创新性研究方法。英国伦敦经济与政治科学学院统计系教授姚琦伟，北京大学光华管理学院商务统计与经济计量系副教授李丰、助理教授沈周瑜，以及上海财经大学经济学院计量经济学系助理教授林颖倩分别担任各分论坛主持人。
涂云东
姚琦伟
李 丰
林颖倩
沈周瑜
Session 1
Recurrent Neural Networks for Nonliner Time Series
修大成
芝加哥大学布斯商学院约瑟夫·桑德海默计量经济学与统计学讲席教授，美国国家经济研究局（NBER）研究员修大成围绕循环神经网络（RNN）在非线性时间序列中的理论与应用展开深入阐述。
研究将 RNN 作为非参数估计器，构建适配非线性数据生成过程的统计理论，证明其估计一致性与预测准确性，首次推导出预测误差分解公式，并揭示了线性 RNN 与 ARMA 模型的等价性。模拟分析显示，RNN 预测精度与鲁棒性优于传统模型。实证研究中，研究将 RNN 应用于 G10 货币对美元的汇率收益率预测，以无漂移随机游走为基准，采用滚动窗口预测方法展开分析。结果表明，样本外预测表现显著超越 DNN、ARX、ARMAX 等方法。修大成最后指出，RNN 在处理长程依赖时间序列时，或因维度灾难导致性能下降，也为后续研究指明了方向。
Session 1
Model Averaging of Multi-layer Time-Varying Network VARs
李德柜
澳门大学工商管理学院副院长、商业经济学特聘教授及亚太经济与管理研究所金融计量经济首席研究员李德柜针对高维大规模时间序列传统建模的局限性，提出了时变多层网络向量自回归（VAR）模型框架与时变模型平均方法。
研究指出，传统 VAR 与线性网络 VAR 难以适配高维、时变、多层互动的复杂场景。为此，研究构建时变多层网络 VAR 模型框架，引入多个邻接矩阵刻画多渠道网络溢出效应，设定时变系数以适配序列的结构变化，适配节点数可趋于无穷的大规模网络场景，从而精准捕捉多层溢出与结构变化，并创新提出了惩罚性时变模型平均方法，以实现候选模型最优组合，并构建了一步向前预测方法。理论上，该方法被证明具有渐近最优性与选择相合性。模拟实验显示，其样本内估计 RMSE 显著低于基准模型，1-3 步样本外预测 RMSPE 亦表现更优。该研究拓展了网络向量自回归模型的适用场景，为高维时变多层网络时间序列的估计与预测提供了兼具理论严谨性与实践有效性的解决方案。
Session 2
Predictive Regression for Expected Shortfall under Heavy-Tailed Time Series
常晋源
西南财经大学光华首席教授、中国科学院数学与系统科学研究院研究员常晋源针对厚尾时间序列下Expected Shortfall（ES）回归估计难题，构建了兼具鲁棒性与通用性的两步式 ES 回归分析框架，为厚尾时间序列的尾部风险预测提供了新方法。
研究指出，传统方法存在模型敏感、非凸优化、鲁棒性不足等缺陷。基于此，研究构建联合分位数-ES 回归模型，将条件分位数视为冗余参数，提出核心的两步估计法：第一步通过 QR 估计条件分位数，第二步基于替代响应变量的矩条件，采用均值回归估计条件 ES，且理论证明分位数估计的误差对 ES 估计仅产生二阶影响，保证了方法的稳定性。研究分别建立线性与非线性估计方案，先后通过协变量截断与平滑分位数回归，引入神经网络缓解维度灾难，验证了推断的有效性。模拟结果显示，该方法在厚尾与正态分布下预测精度更高、置信区间表现更优。研究突破经典模型局限，形成完整解决方案，在金融风险管理等领域具有重要应用价值。
Session 2
Efficient Portfolio Estimation in Large Risky Asset Universes
李莹莹
香港科技大学金融系及ISOM系讲座教授、冯氏商学教授李莹莹针对大规模风险资产组合的有效前沿估计难题，提出约束稀疏回归方法（CORE），突破了传统均值-方差优化在高维场景下的性能瓶颈，为大规模资产组合构建提供了兼具理论严谨性与实践可行性的解决方案。
研究指出，传统 plug-in 估计在资产数量接近样本量时误差累积、夏普比率急剧下降。核心症结在于高维均值向量与协方差矩阵估计的累积误差。为此，研究聚焦于仅含风险资产的投资场景，推导出最优资产组合的线性约束回归表示，并基于线性压缩估计提出有效资产组合配置的约束稀疏回归方法。其核心逻辑是将有效组合权重求解转化为带线性约束的 最小绝对损失压缩估计回归（LASSO）问题，通过构造替代响应变量与约束条件，利用线性约束稀疏回归直接估计权重。理论证明，该方法在高维渐近下满足均值 - 方差有效性。实证显示，基于标普 500 等数据的样本外检验中，CORE 组合风险控制精准、夏普比率与回撤表现显著优于基准，且可拓展至指数增强策略。
Session 3
On Factor Models with Regime Switching
苏良军
清华大学经济管理学院C.V. Starr讲席经济学教授苏良军围绕高维因子模型在机制转换情境下的识别与估计问题，提出了创新的稀疏旋转与聚类筛选方法，为存在结构性变化的高维数据构建了系统性的因子建模框架。
研究指出，传统因子模型假设因子载荷在时间上恒定，难以刻画现实经济系统中因政策、市场环境等变化引发的机制转换。为此，研究构建了一个允许机制转换的因子模型框架，在潜因子矩阵中引入稀疏结构。通过对未中心化的主成分估计量施加ℓ1旋转准则，再利用最大行余弦相似度比值筛选公共因子。采用层次聚类实现因子分离与机制识别，并给出机制数目的信息准则选择方法。理论上，该方法实现因子、载荷与机制序列的一致估计。模拟与实证表明，其在有限样本与宏观金融数据中表现良好，进一步彰显了该方法的现实应用价值。
Session 3
3D Factor Models with Missing Observations and Applications to Tracking State-Level Economic Conditions
王 霞
中国人民大学吴玉章特聘教授王霞针对美国各州经济状况的同步性与异质性特征，提出了三维因子模型，并构建了适用于缺失观测的推断理论，为区域性经济监测提供了新的分析工具。
研究指出，州级经济状况既存在共同波动又呈现显著差异，传统二维因子模型难以有效刻画这种复杂结构。为此，研究构建了三维因子模型，能够同时捕捉截面、时间与个体维度间的交互效应。为应对数据不平衡与缺失观测的现实问题，研究发展了一套适用于一般缺失模式的三维因子模型推断理论。估计方法通过对部分观测数据构造的调整协方差矩阵进行主成分分析，充分利用所有可用观测信息，实现了估计的灵活性与高效性。研究推导了因子与载荷估计量的渐近分布。在此基础上，结合方差分解框架，研究构建了美国各州经济状况指数，结果显示各州经济周期存在显著联动性，同时表现出明显的截面异质性。该研究为区域性宏观经济监测与政策分析提供了方法论支撑。
Session 4
Zero Variance Portfolio
史震涛
香港中文大学经济系教授史震涛针对资产数量超过样本量的高维场景下最小方差组合的“零方差”悖论，提出了一种基于“Ridgelet”估计的创新方法，揭示了过参数化情境下投资组合优化的一般性与泛化能力。
报告指出，当资产数量大于样本量时，传统最小方差组合会在训练样本内产生病理性的零样本内方差。为克服这一问题，研究提出“Ridgelet”估计器，通过引入新颖的估计方式，使得在样本外测试数据中，该组合仍具备良好的泛化性能。研究发现，该组合表现出双下降现象，并在资产数量远大于样本量的过参数化情境下，能够实现最优风险水平。相比之下，基于伪逆的“Ridgeless”估计器虽然能实现样本内插值，但在样本外表现不佳，偏离最优性。通过大量模拟与实证研究，研究验证了“Ridgelet”方法在高维投资组合优化中的竞争性表现。该研究为高维资产配置中的过参数化问题提供了新的理论视角与实践工具。
Session 4
Fixed-k Inference for Explosive Drift
李 嘉
新加坡管理大学经济学院院长、李光前经济学教授李嘉针对高频数据中爆炸性漂移的推断问题，提出了基于固定窗口长度的新推断框架，突破了传统大带宽渐近理论在该场景下的局限性，为金融资产价格骤变检验提供了更精确的统计方法。
报告指出，传统大带宽渐近方法在处理短窗口计算的“局部”检验统计量时，因其分布远非高斯而失效。研究提出将窗口长度k视为固定，发现局部统计量与一系列相依的t变量耦合，其最大值收敛于Fréchet分布，而非传统Gumbel分布。研究建立了相依t过程的反聚类条件，为在重叠估计窗口下证明该极限理论提供了依据。局部功效分析表明，爆炸性漂移对极限分布产生乘法幂变换，而非高斯理论中的加法位置平移。实证研究中，基于耦合的检验方法展现出更优的尺寸控制能力，并发现日内价格在统计上显著的“爆炸”事件远少于基于高斯方法所揭示的数量。
本次“2026复杂时间序列前沿论坛”的成功举办，汇聚了全球时间序列计量经济学领域的顶尖学术力量，系统梳理了复杂时间序列分析的最新研究进展与前沿发展趋势，为海内外学者搭建了深度交流、协同创新的优质平台，进一步加强了国内外该领域的学术联动与合作交流。论坛产出的一系列原创性理论成果与创新性方法，不仅为复杂时间序列分析领域的学术发展提供了新的思路与方向，也为经济金融风险管控、宏观经济监测、智能决策优化等现实场景提供了坚实的方法论支撑。未来，北京大学光华管理学院将持续深耕时间序列计量经济学等前沿领域，搭建更多高水平的国际化学术交流平台，推动相关领域的理论创新与实践落地，为中国经济学与数据科学的高质量发展持续贡献力量。
来源 |北大光华学术资讯
审阅|塔娜
热门跟贴