首届金融数学与金融科技国际论坛成功举办

　　 　　随着金融科技的高速发展，数学、金融与现代科技的深度融合已成时代发展的大趋势，以大数据、人工智能、云计算及区块链等为代表的数字化技术正深刻改变金融市场的创新能力、服务质量及风险控制水平。

　　由中国人民大学数学学院携手中国人民大学出版社、中国人民大学统计与大数据研究院、互联网金融研究院、中国人民大学苏州校区共同举办的“首届金融数学与金融科技国际论坛”于2019年6月30日—7月2日在中国人民大学苏州校区成功举办。来自美国普林斯顿大学、加拿大多伦多大学、英国牛津大学、帝国理工学院、中国科学院数学与系统科学研究院等国内外著名高校和研究机构的专家、学者分别从数学、统计学、信息技术与金融学等角度，进行了精彩的专题报告和深入交流。

　　 　　中国人民大学数学学院院长郑志勇教授主持开幕式并致辞，郑志勇教授在致辞中指出，中国人民大学数学学院是在2018年6月30日成立，众所周知，经济数学是人民大学数学学科的传统特色和优势，此次大会的顺利召开将成为我们学科建设的新的征程和起点。他特别地指出，数学是大数据、分布式技术、人工智能等技术共同的母亲！从牛顿的微积分到牛顿的力学再到第一次工业革命，从麦克斯韦的电磁方程组到法拉第的电磁转换定律再到第二次工业革命，从爱因斯坦的相对论到量子力学再到第三次工业革命，历史反复证明了数学是一切知识创新、科技创新以及产品创新的源头。今天我们处在信息数字技术飞速发展，金融产业向智能化深刻转变的前夜，数学在金融科技中具有至关重要的作用和地位。

　　 　　中国人民大学教务处处长龙永红教授代表主办单位致辞，他指出，中国人民大学长期以来坚持主干文科，精干理工科的学科发展布局。近年来，学校将数学学院和人工智能学院的成立作为“双一流”建设的一个重大战略举措。为适应当前网络化、信息化、数字化、智能化为核心的新一轮工业革命浪潮，学校提出了新工科新文科融合发展的学科发展和人才培养理念和思路。中国人民大学数学学科最早可追溯到1950年的数学教研室，1978年复校成立信息系，强调数学、信息技术与经济管理相结合。数学学院成立以来，进一步强调大力发展基础数学，并突出与经济管理的结合，以及与信息技术结合的特色和优势。他还表示，在当前，金融科技的发展热潮中应准确把握其发展的总体趋势，深入分析和研究其基础与核心的问题，不仅要认真研究思考当前市场中量化方法与金融技术的合理与深度应用，更要结合金融的本质特征和发展趋势，从未来市场的构建、规制和治理要求出发，提出并立足解决重大与关键问题。本次会议正是基于这样的目的，大家共同讨论和交流，无论是对中国人民大学相关学科的发展，还是对金融科技未来发展都有重要意义。

　　 　　苏州工业园区党工委委员，管委会副主任，组织部部长林小明指出，目前，苏州工业园区正处于转型升级、高质量发展的重要关口，苏州工业园区基于大数据和云计算的人工智能产业已积累了坚实的基础，为促进金融和科技的深度融合提供了技术支撑与产业环境。

　　 　　中关村互联网金融研究院刘勇院长指出，数字经济的发展离不开数字科技的支撑，以大数据技术、人工智能技术、分布式技术、安全技术等为代表的技术以不断发展的前沿科技为动力，着力于科技与产业的融合。数字金融作为数字经济的重要部分，已经形成良好的发展态势，数字金融正呈现互联网化、智能化和普惠化的发展趋势。

　　 　　中国人民大学出版社于波副总编辑表示，近年来中国人民大学出版社始终热切关注并深度参与金融教学与金融科技前沿领域相关成果的出版和推广，也希望继续借助中国人民大学的学科优势，将国内各位专家和中国人民大学出版在高校教材领域的品牌优势结合起来，带动金融科技产业的蓬勃发展，助力金融数学和金融科技领域的研究和出版的推进。

　　 　　在主题报告环节，美国普林斯顿大学Moore金融学讲席教授，COPSS奖获得者，台湾中院院士范剑青做了题为《Statistical machine learning for financial prediction and inference》的报告，报告介绍了机器学习、深度学习、人工智能、大数据的基础问题，特别指出机器学习目前面临的重要挑战，包括个体差异大、数据集未知、特征难提取、多学科交叉等，以及在大数据应用中的普遍特征，即相互依赖性及重尾问题。针对如何处理重尾数据和使用协变量信息，提出了因子调整鲁棒模型方法，分析了这一方法的技术原理与实现方法，针对鲁棒预报问题给出了两个有效的处理原则，包括数据截断与自适应Huber损失技巧。范剑青教授的报告涵盖了统计机器学习的最新进展及其在金融预报与推断中的应用。

　　 　　加拿大联邦政府金融监管委员会专家，多伦多大学兼职教授，加拿大Concentra Bank总行风险管理副总裁Alan Peng从金融科技在银行业及风险管理方面的影响，阐述了大数据、云计算、流程、人工智能、区块链等新兴技术议题，剖析了新技术的概念、机制、优势、发展状况等主要内容，指出新兴技术对银行业风险管理方面有着深刻的影响。他表示，新兴技术正在引起风险管理战略发展的最大转变，特别是针对金融业成本降低、速度与准确度提升、网络风险、模型风险等方面有着全面深入的影响。

　　 　　美国堪萨斯大学经济系Charles Oswald讲席教授蔡宗武围绕变参数前向-倒向扩散模型的推断问题展开报告，这一模型涵盖了资产定价问题、股票定价、利率分析、期权定价等一系列金融模型。基于对非线性模型的一阶逼近及高阶逼近，具体阐述了多个估计结果，给出了线性与非线性扩散模型的估计方法，剖析了所涉及的具体技术难点。报告还给出了随机波动模型、Black-Scholes模型、Heston模型估计与检验的相应结果。

　　 　　乔治亚理工学院教授George Lan的报告围绕多阶段随机优化问题的动态随机逼近理论及其在资产配置中的应用展开，阐述了资产配置对应的多阶段最优化问题中所涉及的一系列因素及其数学模型刻画。针对这一前沿问题，Lan教授剖析了现有技术的局限性，发展了动态随机逼近技术来给出三阶段最优化问题的解决方案及其向多阶段最优化问题的推广，指出新方案针对阶段依赖型问题、高维问题、多周期等实际问题较现有方法有十分显著的优势。

　　 　　多伦多大学风险实验室主任，Sigma分析管理有限公司总裁兼首席执行官，多伦多大学数学金融项目部主任，教授Luis Seco着重报告了面向证券投资组合的人工智能，从历史回顾的角度阐述了金融科技与监管科技的重要价值。从现代资产组合理论到后组合构建，Seco教授剖析了其中的风险边界、投资回报数学模型、投资目标等问题以及伴之而来的相应法案，指出投资范式的重要转变。进而，结合强化学习、深度学习、人工智能发展的里程碑事件，深刻分析了这些新兴技术在金融场景下的运用，并着重强调了大数据所带来的风险及其形成良性循环的价值链。

　　 　　威斯康大学教授Yazhen Wang带来了题为《Unified Modeling and Combined Analysis of High- and Lower-Frequency Financial Data》的报告。首先，王教授以1980年至2016年的标准普尔指数为例解释了低频金融数据的特征，并给出了一系列随机波动模型，进而以股票市场和欧元汇率为例展示了高频金融数据的特征，并给出了离散时间与连续时间的数学模型进行刻画。在此基础上，王教授提出了一种统一的GARCH-Ito模型来描述高频与低频金融数据并存的波动过程，剖析了新模型的统计特性及参数估计方法，从而对前述问题建立了一套有效的数学刻画框架。王教授通过案例研究论证了新模型的有效性及优越性。

　　 　　在当前新一轮产业革命的推动下，人类社会已经由工业革命时期进入了全新的信息化社会，数据在促进科技创新、维护金融安全和赋能实体经济发展方面发挥着极大的作用，以数据作为关键生产要素的数字经济形态正在崛起，随着人工智能、大数据、5G技术的不断进步，数字金融智能化、普惠化已成现实。在此大背景下，首届金融数学与金融科技国际论坛成功汇集国内外行业专家、学者，通过研讨与交流，就促进数字金融产业升级发展、充分发挥金融科技底层技术带来的创新，提出了新思路、新方向。

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。