8月27日，2020年第九届数量经济学国际学术会议的“大数据模型及应用”分论坛以线上会议的形式成功举办，主题论坛分为上午和下午两场，共计八篇学术报告。

上午场会议的第一阶段学术报告由吉林大学刘汉副教授主持，纽约大学冯阳副教授、厦门大学郑挺国教授分别以《Targeting Predictors via Partial Distance Correlation with Applications to Financial Forecasting》和《Mixed-Frequency Dynamic Factor Model with Serial Correlations》为题进行了研究分享，参会者与报告人进行了线上问答互动。

冯阳副教授认为，高维时间序列数据集在经济学和金融学等领域变得越来越普遍。对于高维时间序列数据常常会遇到预测变量远远大于样本长度的情况，依赖于稀疏性假设的方法可用于在这种高维环境下进行降维和识别重要的预测因子。但目前很少有关于变量筛选的统计方法考虑到时间序列数据的独特特性。基于此，冯阳副教授首先介绍了两类基于局部距离相关性的无模型筛选方法，并针对时间序列数据的特性，将无模型筛选方法应用于单变量或多变量时间序列模型。大量的模拟研究以及预测美国市场收益的实证结果证实了方法的有效性。

郑挺国教授提出了一种用于混合频率数据的日度动态因子模型，以跟踪经济状况的高频演变。该模型不仅允许在公因子和异质成分之间进行序列相关，而且可以合并在各种频率下测度的流量和存量变量。郑挺国教授与其合作者通过将提出的模型表示为状态空间形式并基于卡尔曼滤波器的最大似然方法估计未知参数和公因子。蒙特卡罗模拟和应用美国经济数据的实证研究结果证实了所提出模型的出色性能。

上午场会议的第二阶段学术报告由厦门大学郑挺国教授主持，南昌大学周德才教授、上海大学龚玉婷副教授分别以《基于金融指标对中国GDP 增长率的多变量时变混频预测研究》和《Exchange Rates Dependence and its Determinants: A Copula-MIDAS Approach》为题进行了研究分享，参会者与报告人进行了线上问答互动。

周德才教授考虑到现有GDP预测不能兼顾多元性、实时性和时变性，通过拓展传统混合数据抽样 (MIDAS模型) 模型，重新构建了多元和组合变量两种多变量时变系数自回归MIDAS模型，采用粒子滤波算法对2020年第2-4季度的GDP进行多元时变混频预测。研究表明：在对中国GDP的短期样本外的多变量时变混频预测中，周教授重新构建的模型有很好的预测效果，对2020年第2-4季度的中国GDP的多元时变混频预报结果表明新冠疫情对中国经济的影响将在年内基本消除，GDP增长率将在第4季度回升到6%的正常水平。这意味着新冠疫情对中国经济的影响将在2020年第4季度逐步消除，相关经济政策可在2021年开始逐步恢复到正常状态。

龚玉婷副教授认为外汇市场之间的关系是投资组合选择和风险管理的重要问题，了解影响外汇之间相互作用的经济因素可以使投资者改善其投资组合的绩效。她提出了将低频解释变量结合到高频动态copula模型中的Copula-MIDAS-X。该模型能够在不考虑其边际分布的情况下，研究经济因素对外汇市场之间关系的影响。在对加元、英镑和日元对美元汇率的应用中发现这些汇率间的相依关系受到其产出缺口、通胀缺口和利率缺口的影响。尤其是产出缺口对跨市场利率相依性的影响，要比通货膨胀和利率缺口的影响更为深远。

下午场会议的第一阶段学术报告由东北师范大学滕建州教授主持，中南财经政法大学李占风教授和合肥工业大学许启发教授分别作了题为《大数据背景下基于深度神经网络的样本选择模型研究》和《A Large Constrained Time-varying Portfolio Selection Model with DCC-MIDAS: Evidence from Chinese Stock Market》的研究分享。参会者与报告人进行了线上问答互动。

李占风教授从机器学习这一全新的视角出发，研究微观计量模型的构建问题，提出了深度样本选择网络模型。该模型不但突破了传统模型关于模型参数化结构与随机扰动项分布形式的限制，能够在依赖较少假设的基础上充分挖掘、量化大样本数据背后的微观决策过程，而且利用了深度神经网络中的一些特殊结构和技术来更为合理地构建新的模型。实证结果表明：深度样本选择网络具有很强的泛化能力，对于不同的微观数据集在样本外的预测效果均很稳定，并且在影响因素的挖掘和模型变量的识别上也有着很好的效果。在大数据背景下，深度样本选择网络不仅能够更为细致地量化微观计量经济问题，也为利用人工智能技术来发展改进社会科学的实证方法提供了新的工具与思路。

许启发教授的研究提出了NC-MVP-DCC-MIDAS模型以解决大规模投资组合选择问题。该模型结合了动态条件相关混合数据抽样 (DCC-MIDAS) 模型以及时变范数约束最小方差投资组合 (NC-MVP) 模型。其中，DCC-MIDAS模型通过利用混合频率数据中包含的丰富信息来改进金融资产之间动态相关性的估计。此外，该模型使用弹性网惩罚对最小方差优化问题施加了范数约束，以选取合理数量的资产并避免最终组合中出现极端头寸。通过对上证50指数成分股的最优稀疏和稳定投资组合的构建证明了该模型的优越性。

下午场会议的第二阶段学术报告由中南财经政法大学李占风教授主持，西南财经大学尚玉皇副教授、吉林大学刘汉副教授分别以《混频数据信息下的时变货币政策传导机制研究：基于混频TVP-FAVAR模型》和《中国季度实际GDP增长率的实时预报与短期预测——基于高维混频数据模型的实证研究》为题进行了研究分享，参会者与报告人进行了线上问答互动。

尚玉皇副教授基于季度GDP及月度经济指标等多维度混频大数据信息，提出了一种混频时变参数因子增广向量自回归 (MF-TVP-FAVAR) 模型。研究发现：首先，基于该模型提取的金融形势指数（FCI）能较好地表征宏观经济先行趋势，为货币政策的制定提供了前瞻性信息。其次，无论是价格型还是数量型货币政策传导，混频FAVAR模型都可以捕捉到货币政策传导所呈现的高频时变特征，与货币供应量相比，受期限结构影响，利率传导机制对产出的影响具有一定滞后性。再次，两种类型的货币政策传导机制都受到经济周期影响且数量型货币政策更容易受到影响。最后，货币政策对FCI冲击的响应具有时变性，说明我国货币政策传导机制受到金融市场的信息冲击，在制定货币政策时应充分考虑金融市场信息。

刘汉副教授认为，分析和检验高维混频数据模型对我国季度实际 GDP 增长率进行实时预报与短期预测的有效性和精确性非常重要。研究采用结合了“混频数据抽样模型”与“惩罚函数”的组惩罚无约束混频数据抽样 (GP-UMIDAS) 模型对我国季度 GDP 增长率进行实时预报和短期预测。研究发现，GP-UMIDAS 模型在一定程度上提高了GDP增长率的实时预报和短期预测能力，并成功地在不同的预测期内识别出能够影响 GDP增长率的核心解释变量；GP-UMIDAS 模型能有效利用高维混频数据显著地提高我国 GDP 增长率预报和预测精度，并甄别影响我国GDP增长率的核心变量，是现有利用混频数据模型进行宏观经济分析和预测的有效改进、补充和扩展。

在本场分论坛中，经济学专家学者们通过学术论文报告交流形式分享了最新的研究成果，并与其他参会者一道进行了广泛而深入的讨论，达成诸多学术共识。专家学者一系列精彩的学术报告，为在场来宾带来了一场丰富的学术盛宴，与会同道深入的交流探讨也有助于加速催发新的理论、方法和模型，不断夯实和深化经济学的研究基础，并进一步扩大经济学研究的视角和范围，积极推进这些理论、方法和模型转化为系列重大应用成果，为有效解决各类现实经济问题提供有益思路和可行方案。