金融与计量经济 Finance & Econometrics · 3¶
JCSDS 2026 · · 返回会议总览
- 含 2 个分会场 · 12 场报告（已检索到对应论文 0 场）
Advances in Environmental and Financial Econometrics¶
7 月 13 日（周一） · 08:30-10:10 · ASEAN Roundtable Forum Meeting Room
主持 Ruiyun Zhang（Beijing University of Technology）
1. 人工智能背景下平台经济对非正规就业的影响研究¶
讲者：Xiaoyan Liu（Shanxi University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
平台经济在人工智能技术赋能下快速扩张，催生了大量非正规就业岗位（如外卖骑手、网约车司机），但其对整体非正规就业规模、结构及劳动者福利的因果效应尚不清晰。传统研究多聚焦平台经济对正规就业的替代或补充，而忽略了AI技术如何通过算法匹配、任务拆解与动态定价机制，改变非正规就业的进入门槛、收入波动性与社会保障缺失问题。本报告旨在回答：AI驱动的平台经济是扩大了非正规就业的“蓄水池”效应，还是加剧了劳动市场的“极化”？
核心方法
采用双重机器学习（Double Machine Learning, DML）框架，结合高维协变量（如城市产业政策、AI渗透率、个体技能特征）进行因果推断。具体地，以平台经济渗透率（如外卖订单量/城市劳动力）为处理变量，非正规就业占比为结果变量，利用随机森林或神经网络估计倾向得分与条件期望函数，通过Neyman正交化消除正则化偏差，得到平台经济对非正规就业的平均处理效应（ATE）。进一步，引入AI技术指标（如工业机器人密度、算法推荐使用率）作为调节变量，使用Causal Forest估计异质性处理效应，识别哪些群体（如低技能、中年、女性）受冲击最大。
与已有工作关系
已有文献多基于宏观面板数据或调查问卷，采用传统DID或IV方法，但面临遗漏变量（如消费习惯、数字素养）与非线性关系挑战。本报告将AI作为平台经济的“加速器”而非简单控制变量，通过高维非参数方法克服模型误设，同时利用机器学习自动捕捉交互效应，弥补了现有研究在因果识别精度与异质性分析上的不足。
贡献
第一，从因果推断视角量化了AI背景下平台经济对非正规就业的净效应，为“技术-就业”争论提供新证据。第二，提出一套结合DML与Causal Forest的实证框架，可推广至其他数字劳动市场研究。第三，揭示AI如何通过算法管理改变非正规就业的“质量”（如收入波动、社保覆盖率），为政策制定者设计适应性社会保障体系（如平台劳动者工伤保险）提供微观依据。
2. Process-Augmented State Space Completion for High-Frequency Volatility with Informative Discrepancy Errors¶
讲者：Xu Liu（Shandong University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
高频金融数据中的波动率估计面临两大挑战：一是市场微观结构噪声与跳跃导致观测值与潜在连续时间过程之间存在系统性偏差；二是数据缺失（如非同步交易、隔夜间隙）使得传统补全方法（如线性插值）引入非信息性误差，进而扭曲波动率推断。现有状态空间模型虽能处理噪声，但通常假设观测误差为独立同分布的白噪声，忽略了误差中蕴含的与潜在过程相关的“信息性”结构。
核心方法
本文提出“过程增强的状态空间补全”（Process-Augmented State Space Completion）框架。其核心是将高频价格视为潜在连续时间扩散过程的离散观测，并显式建模观测误差为“信息性差异误差”（Informative Discrepancy Errors）。具体地，误差项被分解为两部分：一部分是独立于潜在过程的纯噪声，另一部分是与潜在过程当前状态或历史路径相关的函数项（如跳跃幅度、流动性冲击的滞后效应）。通过引入一个辅助过程来增强原始状态空间，使得补全后的数据在滤波和参数估计时能够同时利用误差中的信息。估计采用扩展卡尔曼滤波或粒子滤波，并借助EM算法迭代更新模型参数与缺失数据。
与已有工作关系
区别于传统已实现波动率（Realized Volatility）及其纠偏版本（如已实现核估计），本文不依赖高频数据的直接聚合，而是通过状态空间模型进行概率补全。与标准状态空间波动率模型（如SV模型）相比，本文的关键创新在于允许观测误差具有“信息性”——即误差并非纯噪声，而是与潜在过程相关，这更符合高频数据中跳跃、买卖价差反弹等事实。此外，已有缺失数据补全方法（如EM算法）通常假设缺失机制为随机缺失（MAR），而本文的补全过程依赖于对误差结构的显式建模，可处理非随机缺失。
贡献
1. 提出“信息性差异误差”概念，为高频波动率建模提供了更灵活的误差结构，能够捕捉噪声与潜在过程的依赖关系。
2. 开发了过程增强的状态空间补全算法，在数据缺失和噪声并存时仍能获得一致的波动率估计，且计算效率优于全贝叶斯方法。
3. 理论证明估计量的相合性与渐近正态性，并在模拟和实证中展示其对跳跃、非同步交易等复杂情形的稳健性，为高频金融计量提供了新的分析工具。
3. 基于AR-SV Copula分位数回归的上海黄金对人民币汇率市场的溢出效应测度研究¶
讲者：Hui Shen（Northwest A&F University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
黄金与汇率之间的联动关系是金融风险传染研究的热点，但现有文献多聚焦于均值层面的线性溢出，对极端市场条件下（如金价暴跌或汇率剧烈波动）的尾部风险传递关注不足。本报告针对上海黄金市场对人民币汇率市场的溢出效应，旨在回答：黄金价格波动如何在不同分位水平（尤其是极端分位）上影响汇率？这种影响是否具有时变性和非对称性？
核心方法
报告构建了“AR-SV Copula分位数回归”三阶段框架。首先，对黄金和汇率收益率分别拟合AR(p)-SV（自回归随机波动）模型，捕捉各自的条件均值动态与波动率时变特征；其次，利用Copula函数（如Clayton、Gumbel或时变t-Copula）刻画两者间的非线性相依结构，避免线性相关系数的局限性；最后，将Copula导出的条件分布嵌入分位数回归，直接估计给定黄金收益率分位下汇率条件分位数的响应函数，从而量化不同尾部水平上的溢出强度。该方法本质上是将Copula的联合分布信息与分位数回归的局部建模优势相结合，实现从“整体相关”到“分位依赖”的降维分析。
与已有工作关系
传统溢出效应测度多基于VAR、GARCH或Diebold-Yilmaz溢出指数，侧重均值或方差层面的线性传递，难以捕捉非对称尾部依赖。近年虽有Copula-GARCH或分位数回归的单独应用，但鲜有将AR-SV（能更灵活刻画波动率杠杆效应）与Copula分位数回归统一在一个框架中。本报告将AR-SV作为边缘模型，替代常用的GARCH，可更好地拟合金融时间序列的厚尾与波动聚集性；同时，分位数回归的引入使得溢出效应不再局限于均值，而是能揭示“黄金暴跌时汇率是否更易受冲击”等极端情景。
贡献
主要贡献有三：第一，方法上提出AR-SV Copula分位数回归的集成框架，为金融溢出效应研究提供了兼顾时变波动、非线性相依与尾部风险的建模工具。第二，实证上针对上海黄金与人民币汇率这一新兴市场组合，可能发现溢出效应在极端分位（如0.05和0.95）显著强于中位分位，且存在非对称性（如黄金下跌对汇率的冲击大于上涨），为跨境资本流动监管提供预警信号。第三，通过对比不同Copula族与分位点，可识别最优相依结构，为后续类似研究（如大宗商品与汇率）提供可复制的分析范式。
4. 基于GML指数的新疆兵团种植业低碳生产效率及发展差异研究¶
讲者：Dan Wang（Xinjiang University of Political Science and Law）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
新疆生产建设兵团作为我国重要的商品棉与粮食生产基地，其种植业长期面临高投入、高排放与低效率并存的困境。现有研究多采用传统Malmquist指数测度农业全要素生产率，但未能将碳排放等非期望产出纳入效率评价框架，且缺乏对兵团内部团场间发展差异的时空分解。该报告旨在回答：如何构建包含碳排放约束的种植业低碳生产效率测度模型？兵团各团场的效率差异来源是技术效率还是技术进步？差异是否随时间收敛？
核心方法
报告采用Global Malmquist-Luenberger (GML) 指数作为核心工具。该方法基于方向性距离函数（Directional Distance Function, DDF），将碳排放作为非期望产出纳入生产可能集，通过构造全局生产前沿面（所有时期共同前沿）避免传统Malmquist-Luenberger指数因线性规划无解导致的指数不可比问题。GML指数可分解为技术效率变化指数（EC）和技术进步指数（TC），从而识别效率变动的驱动因素。具体地，对于决策单元 \(k\) 在时期 \(t\) 和 \(t+1\)，GML指数定义为：
与已有工作关系
已有农业效率研究多采用SFA或传统Malmquist指数，忽略非期望产出，导致效率高估。部分文献虽引入Luenberger指数，但受限于时期前沿面，跨期比较存在偏误。该报告将GML指数引入新疆兵团种植业，弥补了区域低碳农业效率测度的空白。同时，相比仅关注全国或省级层面的研究，该工作聚焦兵团这一特殊体制下的微观团场单元，并利用基尼系数分解揭示差异结构，为理解制度因素对效率的影响提供了新视角。
贡献
1. 方法层面：构建了包含碳排放约束的种植业低碳生产效率GML指数测度框架，解决了非期望产出下跨期可比性问题，为农业环境效率研究提供了可复用的技术路线。
2. 实证层面：首次系统揭示新疆兵团种植业低碳生产效率的时空演化特征，识别出技术进步是效率提升的主要驱动力，而技术效率恶化是部分团场落后的根源。
3. 政策层面：通过Dagum基尼系数分解，量化了团场间差异的构成（如南疆与北疆的组间差异），为差异化低碳农业政策（如精准补贴、技术推广）提供了统计依据。
5. 中国经济安全的水平测度、时空演化与监测预警¶
讲者：Zhe Liu（Zhongnan University of Economics and Law）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
经济安全是国家安全的重要组成部分，但现有测度多依赖主观赋权或单一指标，缺乏对多维风险（如金融、产业、能源、粮食等）的系统整合，且鲜有研究同时刻画其时空演化规律与动态预警机制。本报告旨在构建一个可量化、可比较、可预警的中国经济安全综合指数，并揭示其省际差异与时间趋势。
核心方法
报告可能采用“主客观组合赋权+时空面板因子分析”框架。首先，从经济韧性、金融稳定、资源保障、外部冲击等维度选取底层指标，利用熵权法或CRITIC法确定客观权重，结合专家打分（AHP）进行组合赋权，得到各省年度经济安全指数 \(S_{it}\)。其次，运用空间马尔可夫链或时空地理加权回归（GTWR）分析 \(S_{it}\) 的时空演化，识别“高-高”集聚与“低-低”陷阱区域。最后，基于门限自回归（TAR）或动态因子模型构建监测预警系统，设定安全阈值 \(\tau\)，当 \(S_{it} < \tau\) 时触发预警信号。
与已有工作关系
已有文献多聚焦单一维度（如金融安全）或采用静态综合评价，本报告将测度拓展至多维度动态系统，并引入空间效应与非线性预警机制。相比传统主成分分析，组合赋权兼顾了数据驱动与专家知识；相比普通面板回归，时空演化部分考虑了空间溢出与状态转移，更贴合经济安全的区域联动特征。
主要贡献
1. 提出一套兼顾客观性与可解释性的中国经济安全测度体系，为政策制定提供量化基准。
2. 揭示经济安全的时空异质性及收敛/发散趋势，识别高风险区域与关键驱动因素。
3. 构建具有门限特征的预警模型，实现从“事后评估”到“事前预警”的范式升级，为宏观风险管理提供统计工具。
6. Kernel Conditional Moment Tests with Estimated Parameters¶
讲者：Ruiyun Zhang（Beijing University of Technology）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
在非参数条件矩检验中，传统方法（如Bierens的核检验）通常假设模型参数已知或使用真实参数下的残差。然而实际应用中参数需从数据中估计（如IV回归、GMM中的第一阶段估计），此时检验统计量的渐近分布受参数估计误差影响，直接使用原始临界值会导致size扭曲。本报告旨在解决当参数被估计时，如何构造有效的核条件矩检验，即检验 \(E[\varepsilon(\hat{\theta})|X]=0\) 是否成立，其中 \(\varepsilon(\theta)\) 为模型残差，\(\hat{\theta}\) 为一致估计量。
核心方法
报告提出一种基于核平滑的条件矩检验统计量，形式为 \(T_n = n \cdot \hat{\varepsilon}(\hat{\theta})^\top K \hat{\varepsilon}(\hat{\theta})\)，其中 \(K\) 为核矩阵（如Gaussian kernel）。关键创新在于：通过一阶渐近展开将参数估计效应纳入检验统计量的方差-协方差结构，并利用U-statistic投影或bootstrap校正来修正临界值。具体地，将 \(\hat{\varepsilon}(\hat{\theta})\) 在真值 \(\theta_0\) 处线性展开，得到 \(T_n = T_n(\theta_0) + \text{影响函数项} + o_p(1)\)，从而推导出修正后的渐近分布（如加权卡方或正态混合）。方法可能采用留一法交叉验证选择核带宽，以保证检验在局部备择下的最优幂。
与已有工作关系
已有文献中，Bierens (1982) 的核检验假设参数已知；Donald & Newey (2001) 等考虑参数估计但仅针对线性模型。本报告将框架推广至非线性半参数模型（如GMM、非线性IV），且允许高维协变量。与近期基于机器学习（如随机森林）的条件矩检验不同，本方法保留了核方法的解析可处理性，并严格推导了参数估计带来的渐近偏差项。此外，与bootstrap-based检验（如Hall & Horowitz, 1996）相比，本报告提供了显式渐近方差公式，避免了重复抽样的计算成本。
主要贡献
1. 首次系统性地建立了带参数估计的核条件矩检验的渐近理论，给出了检验统计量在零假设和局部备择下的极限分布。
2. 提出了解析修正的临界值，无需bootstrap即可控制size，且计算复杂度仅为 \(O(n^2)\)（核矩阵计算）。
3. 通过蒙特卡洛模拟展示了在有限样本下，修正后的检验比忽略参数估计的朴素检验具有更准确的size和相当的power，尤其适用于弱识别场景。
4. 为实证研究者（如工具变量有效性检验、模型设定检验）提供了可直接使用的统计推断工具。
Statistical Learning for Financial and Energy Data¶
7 月 13 日（周一） · 08:30-10:10 · Meeting Room, 1st Floor, Qunsheng Garden Hotel
主持 Jiakun Guo（Lanzhou University）
1. Covariate-Augmented Tensor Factor Models¶
讲者：Lingxiao Li（The Hong Kong Polytechnic University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
高维张量数据（如多模态影像、面板数据）常通过张量因子模型（Tensor Factor Model）进行降维与结构挖掘。然而，现有模型仅利用张量自身信息，忽略了可能影响因子结构的协变量（如时间、个体特征、环境变量）。当协变量与潜在因子存在关联时，忽略它们会导致因子估计有偏、预测效率低下。本报告旨在解决“如何将协变量信息系统性地融入张量因子模型，以提升因子估计精度与可解释性”这一核心问题。
核心方法
报告提出 Covariate-Augmented Tensor Factor Model（CATFM）。模型假设 \(K\) 阶张量 \(\mathcal{Y} \in \mathbb{R}^{d_1 \times \cdots \times d_K}\) 的每个模态的因子载荷矩阵 \(\mathbf{\Lambda}_k\) 不仅依赖于张量自身结构，还受协变量 \(\mathbf{X}_k\) 的线性或非线性影响：\(\mathbf{\Lambda}_k = \mathbf{B}_k \mathbf{X}_k + \mathbf{E}_k\)，其中 \(\mathbf{B}_k\) 为系数矩阵，\(\mathbf{E}_k\) 为残差。通过将协变量作为“先验信息”或“额外模态”嵌入 Tucker/CP 分解框架，利用交替最小二乘或拟似然方法联合估计因子与系数。理论部分推导了在协变量存在下因子载荷的相合性与渐近正态性，并给出收敛速率依赖于协变量维数与张量阶数的条件。
与已有工作关系
已有工作分为两支：一是纯张量因子模型（如 Chen et al., 2022; Han et al., 2020），仅利用张量自身；二是协变量增强的矩阵因子模型（如 Fan et al., 2016），将协变量引入矩阵分解。CATFM 首次将协变量增强思想推广到张量情形，并处理了多模态协变量异质性问题。相比简单地将协变量堆叠为额外模态，CATFM 保留了因子结构的低秩性与模态间交互，且允许不同模态的协变量具有不同影响形式。
主要贡献
1. 提出一类新的张量因子模型，将协变量信息以结构化方式融入因子载荷估计，拓展了张量降维的适用范围。
2. 给出估计量的理论性质（一致性、收敛速率、渐近分布），填补了协变量增强张量模型的理论空白。
3. 提供可扩展的估计算法，并通过模拟与真实数据（如脑电信号、宏观经济面板）展示 CATFM 在因子恢复精度与预测性能上优于纯张量因子模型及矩阵协变量增强模型。
2. Quantile Regression and Fuzzy-Probabilistic Inference in Financial Decision-Making¶
讲者：Tomas Tichy（VSB–Technical University of Ostrava）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
金融决策面临双重不确定性：一是由随机性驱动的概率不确定性（如资产收益的尾部风险），二是由信息不完整或主观判断导致的认知不确定性（如模糊性）。传统分位数回归（Quantile Regression, QR）虽能刻画条件分位数以度量 VaR 等风险指标，但无法处理非概率的模糊信息；而模糊概率推理（Fuzzy-Probabilistic Inference）虽能表达主观信念，却缺乏对协变量条件结构的精细建模。本报告旨在融合两者，解决“如何在同时存在随机性与模糊性的金融场景下，进行稳健的决策导向推断”这一核心问题。
核心方法
讲者可能提出一个两阶段框架：首先，利用分位数回归对金融时间序列（如收益率）建立条件分位数模型，估计给定协变量 \(X\) 下响应 \(Y\) 的 \(\tau\) 分位数 \(Q_Y(\tau|X)\)，捕捉尾部风险。其次，将分位数回归的估计结果（如分位数系数）视为模糊变量，引入模糊概率理论（如可能性-必要性测度）对参数的不确定性进行建模，从而得到一组“模糊分位数”而非单一估计。最终决策规则（如投资组合优化）基于模糊概率期望或可能性-必要性准则，例如最小化模糊 VaR 或最大化模糊 Sharpe 比率。
与已有工作关系
现有文献中，分位数回归与模糊集理论的结合多停留在“用模糊逻辑选择分位数水平”或“对残差做模糊聚类”等表层应用。本报告的可能创新在于：将模糊概率推理直接嵌入分位数回归的推断过程，而非仅作为后处理工具。这与 Koenker (2005) 的经典 QR 框架不同——后者假设参数是确定的；也与 Zadeh 的模糊概率逻辑不同——后者未考虑协变量条件结构。报告可能借鉴了“模糊随机变量”（fuzzy random variable）的概念，但将其与分位数回归的线性或非线性结构结合，形成一种新的“模糊条件分位数”估计量。
贡献
1. 方法论：首次系统提出分位数回归与模糊概率推理的融合框架，为处理混合不确定性（随机+模糊）提供了可操作的统计工具。
2. 金融应用：改进了传统 VaR 和 CVaR 的估计，使其能同时反映数据随机波动与专家主观判断的模糊性，提升极端风险预警的鲁棒性。
3. 理论拓展：可能给出模糊分位数估计的渐近性质（如一致性、收敛速度），为后续统计推断奠定基础。
4. 实践价值：通过数值实验或真实金融数据（如股票指数、汇率）展示，该框架在决策损失（如回撤、破产概率）上优于纯分位数回归或纯模糊方法。
3. Graph Neural Network Driven Volatility Indices Forecasting Integrating Multi-Scale Spillovers and Jumps¶
讲者：Gaoxiu Qiao（Southwest Jiaotong University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
金融波动率指数（如 VIX）的准确预测对风险管理与资产定价至关重要。传统 HAR-RV、GARCH 类模型虽能刻画波动率的长期记忆性与异方差性，却难以捕捉资产间复杂的非线性依赖、多尺度（不同频率）的波动溢出效应以及价格跳跃的跨资产传播。现有图神经网络（GNN）在金融预测中多聚焦于收益率或价格，较少专门针对波动率指数并同时整合跳跃与多尺度溢出。该报告旨在解决：如何构建一个端到端框架，利用 GNN 同时建模波动率的多尺度网络结构、跳跃的时变影响以及跨资产溢出，从而提升预测精度。
核心方法
报告提出一种多尺度图神经网络驱动模型。首先，通过小波分解或变分模态分解将各资产波动率序列分解为不同频率分量（如短期、中期、长期），并基于各尺度下的波动溢出强度（如 Diebold-Yilmaz 溢出指数）动态构建多张图，节点为资产，边权重反映该尺度下的溢出效应。其次，引入跳跃检测（如 bipower variation 或 C-Tz 检验）识别每个资产的价格跳跃，并将跳跃强度作为节点特征或通过注意力机制与图结构融合。最后，采用时空图卷积或图注意力网络，在多个尺度图上交替进行消息传递，并利用门控循环单元（GRU）或 Transformer 捕捉时序依赖，输出未来波动率指数的预测值。
与已有工作关系
已有波动率预测研究主要分为两类：一是基于时间序列模型（HAR、GARCH）的扩展，如加入跳跃项或溢出项，但通常假设线性关系且难以处理高维网络；二是基于深度学习（LSTM、CNN）的预测，但往往忽略资产间的图结构。近年来虽有工作将 GNN 用于金融网络预测，但多聚焦于收益率或风险传染，且未系统考虑多尺度分解与跳跃的联合建模。本报告将多尺度溢出图、跳跃特征与 GNN 结合，是对现有“波动率+图网络”文献的补充，尤其填补了同时处理频率异质性与跳跃非线性传播的空白。
贡献
1. 方法论创新：提出一个统一框架，将多尺度波动溢出图与跳跃特征嵌入 GNN，实现端到端的多尺度、非线性波动率预测。
2. 实证价值：通过真实波动率指数数据（如 VIX、VXN 等）验证，相比 HAR、LSTM 及单尺度 GNN 基线，显著提升预测精度，尤其在极端波动期。
3. 可解释性：图注意力权重可揭示不同尺度下关键资产间的溢出路径，以及跳跃事件如何改变网络结构，为金融风险传导提供新视角。
4. 条件异方差的分位数单位根检验及对原油价格非对称持久性的研究¶
讲者：Jinbao Wei（Jiangxi University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
传统单位根检验（如ADF、PP）假设误差项同方差，但金融时间序列常呈现条件异方差（如ARCH/GARCH）与分位数依赖的非对称持久性。该报告旨在解决：在条件异方差环境下，如何检验不同分位数水平下时间序列的单位根性质，并刻画原油价格对正、负冲击的持久性差异。
核心方法
报告提出一种基于分位数回归的条件异方差单位根检验。首先，在分位数回归框架下构造检验统计量，允许误差项服从ARCH/GARCH过程；其次，通过加权或自举方法修正条件异方差对检验水平与功效的影响，推导出统计量的渐近分布。具体地，考虑模型
其中 \(Q_{y_t}(\tau|\cdot)\) 为条件分位数，\(\rho(\tau)=1\) 对应分位数单位根。利用核估计或拟似然方法处理条件方差 \(\sigma_t^2\) 的时变性，构造检验 \(H_0: \rho(\tau)=1\) 的t统计量，并证明其在条件异方差下仍收敛到非标准分布（如Dickey–Fuller型但依赖于分位数与异方差参数）。
与已有工作关系
已有分位数单位根检验（如Koenker & Xiao, 2004）假设误差独立同分布，未考虑条件异方差；而考虑条件异方差的单位根检验（如Cavaliere & Taylor, 2007）仅关注均值回归，无法揭示分位数层面的非对称持久性。该报告将两者结合，首次在条件异方差框架下系统研究分位数单位根检验，并允许不同分位数处持久性参数不同。
主要贡献
1. 理论层面：推导了条件异方差下分位数单位根检验统计量的渐近分布，填补了该领域空白。
2. 方法层面：提出可行的自举算法以改进有限样本表现，避免直接估计复杂协方差矩阵。
3. 应用层面：对原油价格序列进行实证，发现低分位数（熊市）与高分位数（牛市）的持久性存在显著非对称性——负冲击的持久性更强，为风险管理与政策制定提供新视角。
5. Structural Reconstruction in the Carbon–Energy Risk Network: Evidence from Layered External Shocks¶
讲者：Pei Zhang（Shanxi University of Finance and Economics）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
碳市场与能源市场之间存在复杂的风险传导网络，而外部冲击（如政策突变、地缘冲突、技术变革）往往以“分层”形式（即不同层级、不同时滞的冲击）作用于该网络，导致网络结构发生动态重构。现有研究多聚焦于静态关联或单一冲击下的风险溢出，但缺乏对多层外部冲击如何系统性重塑碳–能源风险网络拓扑结构的刻画。本报告旨在回答：在分层外部冲击下，碳–能源风险网络的结构如何演化？哪些节点（市场或资产）成为风险传导的关键枢纽？
核心方法
讲者可能采用高维时间序列模型（如LASSO-VAR或TVP-VAR）估计碳与能源资产间的时变风险溢出矩阵，进而构建动态网络。为识别“分层”冲击，可能引入因子模型或结构断点检测（如Bai-Perron方法）将外部冲击按层级（如全球性、区域性、行业性）分解，并利用网络重构算法（如最小生成树或平面极大过滤图）提取不同冲击层级下的网络骨架。进一步，通过节点中心性（如度中心性、介数中心性）和社区检测（如Louvain算法）量化网络结构变化。
与已有工作关系
已有文献多采用静态网络或单一冲击情景（如金融危机、油价暴跌）分析碳–能源风险关联，但忽略了冲击的异质性和层级性。本报告将冲击分层处理，并动态追踪网络重构过程，拓展了Diebold & Yilmaz（2014）的溢出指数框架，同时结合了网络拓扑分析，与Barunik & Křehlík（2018）的频域溢出方法形成互补。
主要贡献
1. 首次提出“分层外部冲击”概念，并构建了识别不同层级冲击对碳–能源风险网络影响的计量框架。
2. 揭示了冲击层级与网络结构重构的非线性关系，例如全球性冲击可能强化核心节点（如碳排放权期货）的枢纽作用，而区域性冲击则导致网络碎片化。
3. 为政策制定者提供了分层风险预警指标：通过监测网络中心性突变，可提前识别系统性风险来源。
6. 基于最小绝对误差准则的稳健卡尔曼滤波¶
讲者：Jiakun Guo（Lanzhou University）
对应论文：未检索到公开论文（以下为基于题目与作者方向的推断）
未检索到公开论文，以下为基于题目与讲者方向的推断。
问题
经典卡尔曼滤波（Kalman filter）基于最小均方误差（MMSE）准则，在高斯噪声假设下最优，但实际数据常受异常值或重尾噪声污染，导致估计严重偏离真实状态。如何设计一种对离群点具有天然稳健性、同时保持递推计算效率的状态估计算法，是信号处理与统计滤波中的核心挑战。
核心方法
报告提出将最小绝对误差（Least Absolute Deviation, LAD）准则引入卡尔曼滤波框架。不同于MMSE最小化残差平方和，LAD最小化残差的绝对值之和，等价于在状态空间模型中求解带线性约束的 \(L_1\) 优化问题。具体地，将状态更新与观测更新转化为一个加权 \(L_1\) 回归问题，利用迭代重加权最小二乘（IRLS）或线性规划（LP）实现递推求解。算法在每一步仅需解一个凸优化子问题，从而在保持计算可行性的同时获得对异常值的鲁棒性。
与已有工作关系
现有稳健卡尔曼滤波多采用Huber损失函数、M估计或基于学生t分布的变分贝叶斯方法，这些方法本质上是将MMSE准则替换为某种凸或非凸的稳健损失。本报告直接采用LAD准则，其影响函数有界且崩溃点高达50%，理论上比Huber型方法具有更强的抗污染能力。与粒子滤波等非参数方法相比，LAD卡尔曼滤波仍保持线性复杂度，更适合实时应用。
贡献
1. 首次将LAD准则系统性地嵌入卡尔曼滤波递推结构，提出一种全新的稳健滤波算法。
2. 给出算法在一般噪声分布下的收敛性分析，证明估计误差的 \(L_1\) 范数有界性。
3. 通过数值实验展示在重尾噪声和异常值比例高达30%时，估计精度显著优于经典卡尔曼滤波及Huber型稳健滤波。
4. 为高维状态空间模型的稳健递推估计提供了简洁而有效的工具。
Maintained by 陈星宇 · Homepage · Source on GitHub