2024数字金融暑期学术研讨会成功举办！

此次会议由清华大学孵化的学说平台主办，康奈尔大学商学院金融科技中心提供学术支持。研讨会联席组委由康奈尔大学约翰逊商学院Rudd家族管理学讲席教授、金融学教授及《Management Science》金融主编叢林（丛林），与清华大学五道口金融学院副院长、金融学讲席教授张晓燕组成。

本次会议共收到超过300位国内外的老师、学生以及业界人士的热情申请，最终共有约200位来自103所高校的师生和数位业界人士同时在线上和线下参会，并有18篇论文在本次会议上进行展示。

研讨会伊始，杜克大学富卡商学院Campbell R. Harvey教授以“Web3觉醒:解密去中心化金融与新互联网时代”为题发表了开幕主旨演讲。

Campbell R. Harvey教授围绕去中心化金融（DeFi）和Web3的革命性潜力展开了讨论。Harvey教授着重讲解了DeFi旨在解决的传统金融体系问题，包括效率低下、准入受限、不透明和中心化控制。他强调，与普遍认知相反，DeFi并非主要用于非法活动，反而比传统现金更加透明。

对于投资者和企业管理者，Harvey教授建议设立专门的数字资产部门，密切关注多元化的加密货币生态系统。他预测，未来所有资产都将被代币化，DeFi将使金融服务更便宜、快速、安全和个性化。

Campbell Harvey，杜克大学富卡商学院金融学教授、NBER研究员

随后，首都经济贸易大学党委常委、副校长、教授李鲲鹏详细介绍了"One Binds All: Dimension Reduction with Single Factor"的研究成果。这篇论文主要有两点结论：第一，在因子结构设置下，PLS方法不具有一致性，这是因为相关因子可识别，导致双向正交限制条件失效；第二，任何线性因子增广回归模型都存在等价的单一相关因子模型表示。

基于这些发现，李教授提出了监督期望最大化（SEM）方法来提取单一相关因子。SEM算法包括构建初始值、迭代更新参数、构造SEM权重和计算预测值四个主要步骤。

李鲲鹏，首都经济贸易大学党委常委、副校长、教授

埃默里大学的姜纬教授围绕“金融研究与技术：机器学习与计量经济学的融合”和“金融研究与技术：聚焦公司金融与公司治理”展开了演讲。

首先，姜教授特别强调了因果推断在金融研究中的重要性，并介绍了“因果随机森林”这一新概念。姜教授指出，这种方法结合了随机森林的预测能力和因果推断的理论基础，为处理复杂的因果关系提供了强大的工具。最后，姜教授呼吁在应用机器学习技术时，要注重其可解释性。她强调，尽管机器学习极大地扩展了我们从数据中提取信息的能力，但理解数据生成过程背后的经济机制仍然至关重要。

关于公司金融和治理问题，姜教授表示大多数该问题可以追溯到三个基本因素：所有权和控制权的分离、内部人和外部人之间的信息不对称、以及合约的不完整性。

在讲座的空隙，参会人员自发组队针对姜教授分享的观点进行讨论并上台分享。讲座结束后，参会教师与姜教授针对学术研究问题和路径等方面进行了热烈交流。

芝加哥大学布斯商学院的修大成教授做了“Machine Learning in Asset Pricing”的演讲，通过多篇论文详细阐述了机器学习在金融中的必要性、个股收益率预测、计算机视觉在金融预测中的应用、大语言模型在新闻分析中的应用、自编码器资产定价模型、资产定价异常现象与风险溢价估计、金融机器学习的挑战与局限性等问题。详细论文如下：

修大成，芝加哥大学布斯商学院计量经济学和统计学教授、NBER研究员

Daniel Rabetti，新加坡国立大学商学院助理教授

英属哥伦比亚大学尚德商学院助理教授Allen Hu的分享主题为“Big Data in Finance”，探讨了如何分析高维度、大规模的非结构化数据。他表示，在处理非结构化数据时，研究者需要考虑三个关键步骤：选择适当的数据表示方法（representation）、确定最适合的测量方法（measurement），以及进行数据分析（analysis）。

Hu教授指出，经济学家面临的一个重要任务是将概念上模糊的事物进行降维处理。以视频数据为例，可以将其拆分为图像和音频两个部分进行分析。在文本分析方面，Hu教授介绍了从传统的词袋模型（Bag of Words）到更先进的词嵌入（Word Embedding）技术的发展。

Allen Hu，英属哥伦比亚大学尚德商学院助理教授

康奈尔大学约翰逊商学院的叢林教授的分享主题为“Web3 Economics, Tokenomics, and Interpretable AI for Finance”，围绕人工智能、代币经济学和加密货币与代币的实证研究、区块链大数据等内容展开进行了分享。

叢教授为与会者带来了一场关于金融领域可解释人工智能的深度演讲，重点探讨了基于面板树的目标导向搜索优化框架。这场演讲不仅介绍了创新的技术方法，还深入探讨了这些方法在解决传统资产定价问题中的应用。

叢教授首先强调了可解释人工智能在金融领域的重要性。然后，演讲的核心内容围绕三个主要部分展开：基于面板树构建有效前沿、分组异质性下的稀疏建模、以及预测性拼花。叢教授详细解释了每个部分的核心概念、方法论和实证结果。

贯穿整个演讲的是目标导向搜索（Goal-Oriented Search）的理念。叢林教授将其定义为一种介于监督学习和无监督学习之间的方法，由经济学理论和目标引导。他解释道，纯粹的机器学习方法可能会忽视重要的经济学直觉，而传统的经济学方法可能无法处理大规模复杂数据。目标导向搜索旨在结合两者的优势。

在演讲的结尾，叢教授强调，他的研究为金融AI提供了一个新的方向。这种方法既不是完全监督的，也不是完全无监督的，而是经济学指导下的目标导向搜索。它结合了"分而治之"的策略和经济学指导，实现了广义证券分类、异质因子建模和预测性拼花的稀疏和可解释建模。

叢教授深入探讨了代币经济学的概念基础、功能与设计。他的演讲涵盖了从代币化经济的基本原理到具体应用的广泛内容，为与会者提供了全面的理论框架和实践洞见。

叢教授首先介绍了代币经济学的基本概念和研究动机。在介绍代币经济学的研究领域时，叢教授强调了几个关键方面：代币的角色（如引导平台采用、稳定用户基础、作为公司融资工具等）、代币的基本价值和定价、基于代币的融资和补偿、代币供应政策的微观和宏观影响，以及数字货币和加密代币的监管含义。这些研究领域反映了代币经济学的多维度性质，涉及经济学、金融学和计算机科学等多个学科。

叢教授接着深入探讨了代币化经济的出现、代币质押、基于代币的融资、通用支付代币（如比特币、稳定币）和中央银行数字货币（CBDC）的特点和挑战、产品代币的特点和代币化平台之间的竞争等内容。

演讲不仅全面介绍了代币经济学的理论基础，还通过大量实证研究和案例分析，展示了这一领域的最新进展和实际应用。他强调，代币经济学是一个快速发展的领域，涉及金融、经济学、计算机科学等多个学科，为理解和设计数字经济提供了重要工具。这场演讲为与会者提供了深入理解代币经济学的机会，也为未来的研究方向提供了宝贵的洞见。

叢教授深入探讨了加密货币和代币的实证研究，涵盖了资产定价、非同质化代币（NFT）、稳定币和中央银行数字货币（CBDC）等多个领域。

叢教授首先介绍了加密货币市场的背景。截至2023年7月，加密货币市场的总市值达到1.2万亿美元，日交易量为332亿美元。这个新兴的资产类别因其与其他资产的低相关性而受到投资者和学术界的广泛关注。叢林教授展示了比特币与标准普尔500指数、石油和黄金的相关性数据，证实了加密货币作为一种潜在的投资组合多样化工具的价值。

在加密货币的资产定价研究方面，叢教授指出，早期研究主要集中在比特币的价值决定因素上，包括供需关系、社交媒体关注度和链上交易等。随着研究的深入，学者们开始构建加密货币市场指数，并探索驱动加密货币收益的因素。他特别强调了加密货币市场中观察到的异常现象。这些异常包括规模效应、动量效应、反转效应和流动性溢价等。这些发现为构建加密货币的因子模型奠定了基础。

关于非同质化代币（NFT），叢教授指出，与其他加密资产不同，NFT的定价主要受到替代投资需求、低利率环境下的收益需求、代币稀缺性和投资者审美偏好等因素的影响。这反映了NFT市场的独特性质。在稳定币方面，叢教授讨论了稳定币与宏观经济因素的关系。最后，叢教授介绍了中央银行数字货币（CBDC）的实证研究。

叢教授的演讲不仅全面回顾了加密货币和代币领域的实证研究现状，还指出了未来研究的潜在方向，包括加密货币洗钱交易、加密货币与通货膨胀的关系、加密货币的税收收益率收割策略，以及总锁仓价值（TVL）和代币估值的信息/金融一体化等。这场演讲为与会者提供了加密货币和代币研究的全面视角，为未来的研究方向提供了宝贵的洞见。

叢教授提供讲义深入探讨了区块链大数据在金融取证、金融包容性和互操作性研究中的应用。他强调，区块链经济学的重要性，以及将区块链、DeFi、CeFi和Web3的丰富数据与经济分析相结合是一条富有成果的研究路径。

叢教授最后总结道，区块链经济学研究正变得越来越重要，将区块链和Web3的丰富数据与经济分析相结合是一条富有成果的研究路径。虽然在金融包容性和民主化方面还有待改进，但在金融取证和跨链互操作性方面已经取得了显著进展，这为未来的研究和应用开辟了未来的方向。

叢林，康奈尔大学约翰逊商学院Rudd家族管理学讲席教授及金融学教授，NBER研究员

清华大学五道口金融学院张晓燕教授围绕“金融创新监管、机器人投资顾问以及大语言模型在中国的应用”进行了分享。

基于中国P2P借贷平台的研究，张晓燕教授表示，与国有企业（SOE）有关联的P2P平台在多个方面表现更好：更大的交易量、更多的投资者，生存能力更强，特别是在市场动荡时期。同时，这些平台为投资者提供的利率较低。研究还比较了中央SOE和地方SOE，以及金融类SOE和非金融类SOE关联平台的表现差异，进一步揭示了政府背景的影响。

此外，张教授团队使用了来自中国最大的线上基金投资平台的数据，研究机器人投资顾问（Robot Investment Assistant，简称RIA）服务如何影响个人投资者的表现。研究发现，RIA服务的使用与投资者未来投资业绩的改善正相关。特别值得注意的是，RIA的效果主要来自于建议渠道，而非信息渠道。研究还发现，财务知识较少的投资者从建议服务中获益更多。这些发现对于理解如何更好地利用金融科技帮助个人投资者具有重要意义。

最后五道口金融学院博士后吴辉航分享了大语言模型（LLM）在中国股市收益预测中的应用研究。研究发现，所有LLM模型生成的信号都能有效预测中国股票的未来收益，且表现优于传统的词袋（BOW）模型。集成模型表现最佳，产生的多空组合年化收益率高达89.88%（t值为10.13）。研究还发现，LLM信号对信息环境较差、套利成本较高的公司更有价值，突显了LLM在改善市场效率方面的潜力。

张晓燕，清华大学五道口金融学院副院长、金融学讲席教授

本届会议共设置3个论文宣讲分会场，内容涉及BigTech、生成式AI、金融科技研究前沿、去中心化资产、另类数据、Decentralized Autonomous Organization（DAO）、机器学习等研究方向。论文报告人展示了金融科技各领域最新的学术研究成果，和与会学者进行了热烈讨论和充分交流。厦门大学经济学院的姜富伟教授作为“机器学习”专场的特邀嘉宾进行论文点评。

为加强理论与实践的结合，研讨会还特别安排了企业参访活动。参会人员分别走进了北京市的人工智能头部企业字节跳动和清微智能。

在字节跳动，参会人员深入了解了这家领先科技公司的发展历程、企业文化以及前沿技术应用，感受到字节跳动独特的企业文化，包括"永远Day 1"的创业精神，以及"追求极致"、"始终创新"的价值观，也重点体验了字节跳动在人工智能领域的最新成果。

字节跳动

在清微智能，参会人员首先参观了清微智能的展厅，了解了当前AI芯片的发展情况，并体验了基于AI芯片的图像处理技术及其实际产品应用。清微智能的可重构计算架构师于义博士向师生们介绍了公司核心的可重构计算（CGRA）技术路线及其基础上的研发成果。骑士工具链总监韩振华博士分享了他对人工智能、大模型及算力芯片发展趋势的看法。

清微智能

作者简介：

阮启宏，康奈尔大学经济系博士生，数济金科实验室(DEFT Lab)成员。 

张蓝尹，IC3（The Initiative For Cryptocurrencies & Contracts）研究员，青年创业者。