题  目：Deep learning enhanced financial time series forecasting

主讲人：王超

时  间：2026年4月9日（星期四）下午14:30-16:30

地  点：腾讯会议832-668-588

主讲人简介

王超，计量经济学博士，澳大利亚悉尼大学商学院副教授。主要研究方向为金融计量经济学、时间序列预测、机器学习、深度学习、贝叶斯方法等。研究工作聚焦于开发适用于金融风险预测的参数化与半参数化模型，融合日内及高频已实现波动率测度，并采用贝叶斯自适应马尔可夫链蒙特卡洛（MCMC）方法进行统计推断。他还提出了将机器学习和深度学习技术整合到金融时间序列预测中的新方法，通过结合传统计量经济建模与现代数据驱动方法，在保持可解释性和统计严谨性的同时提高预测准确性。先后在《International Journal of Forecasting》《Quantitative Finance》《Energy Economics》等国际著名期刊发表论文多篇。

报告摘要：

本报告主要介绍如何将深度学习技术定制并整合到传统金融计量经济模型中，以进行金融风险预测。首先，开发了一种长短期记忆增强的已实现条件异方差模型，通过捕捉非线性和长期效应，探索基于高频数据的已实现波动率对波动率建模和预测的全面影响。进一步地，在扩展异质性自回归模型的基础上，提出了一类结合循环神经网络的长记忆非线性已实现波动率模型，用于直接进行风险价值预测。在所提出的框架中，采用贝叶斯推断与序贯蒙特卡洛方法进行模型估计和序贯预测。使用2000年至2022年的31个指数进行了全面的实证研究。结果表明，与基准模型相比，我们提出的框架在样本外风险预测方面表现出更优越的性能。