【论坛背景】
北京大学光华管理学院：大数据时代为社会带来了一场新的变革，庞大的数据资源使得各个领域开始了量化进程。统计学作为数据分析的工具，更是面临着前所未有的挑战与机遇。为了更好的迎接大数据时代带来的挑战，推动我国统计学术研究的发展，促进国内外统计学者的交流合作，同时进一步加强培养具有实践操作能力与创新精神的高素质统计人才，北京大学光华管理学院商务统计与经济计量系与北京大学商务智能研究中心将于2014年5月23日举办“首届商务大数据博士生论坛”。我们诚挚地邀请对大数据感兴趣的老师、同学及企业人士参加本次论坛。
本次论坛拟分为文本挖掘、理论前沿、移动互联网和金融统计四个专题，具体内容可涉及金融、统计、营销及管理的各个方面。每个专题拟邀请多名优秀博士生和业界专家作为主讲人，和大家共同探讨大数据分析以及相关商业应用。
【金融统计】
金融投资，从来就不缺数据！早在有大数据这个概念之前，金融从业者，尤其是量化投资者已经非常习惯于同大数据打交道了。如此丰富的数据，能否转化为投资价值？这是业界非常关心的问题。与之匹配的理论模型是什么？这是学界关心的问题。本论坛有幸邀请到胡浩和冯永昌两位在投资界从业多年的专家，从他们的角度和大家分享从金融数据到投资价值的故事。我们也非常荣幸邀请到赵婉迪和蒋远营两位优秀的在读博士，和大家分享他们最新的研究成果。非常欢迎对量化投资感兴趣的朋友学者莅临指正！
【报告摘要】
【1】大数据分析、行为金融建模、和量化投资策略
金融数据纷繁复杂，而且极其头痛的是，这些数据既不是严格的序数列也不是可模拟的随机数。如何从这些数据中找到一些规律并将其“模型化”、“策略化”是我们这些看客们最感兴趣的事情，那么怎么做呢？首先是收集足够多的数据并将其有效分类，然后将大数据分析植根于基本的金融理论和投资者行为分析（否则只能算Data
Mining）、寻找可解释的、同时又是可模型化的规律，最后甄选出最稳定有效的规律，将其与金融交易规则融合在一起、形成可操作化的量化投资策略。
【2】基于数据驱动的金融交易
基于数据驱动的金融交易：随着信息技术和计算机技术的不断发展，金融数据及其相关数据越来越成为金融交易中最重要的驱动力量。本报告结合国内数据驱动型金融交易的历史和现状，从数据源到数据处理存储，再到基于数据的交易，最后到数据型交易人才及其定位，尝试勾勒出一幅大数据在金融交易行业中应用的整体画卷。
【3】非对称随机波动条件下的金融风险测度与管理
随着世界经济一体化的推进，国际间的金融活动相互渗透，全球金融市场面临着前所未有的挑战，金融市场呈现出风险频发的趋势。如何测度金融风险的变化及其特性并实施有效的规避防范措施，一直是理论界与实务界共同研究的课题。在此背景下，以波动（Volatility）为主要成分，用以规避风险的投资理论与金融工具得到了广泛的研究和重视。鉴于金融时间数据具有明显的波动聚集，杠杆效应（波动的非对称性，见上图）等特征，而非对称随机波动（SV）模型能很好的反映出这种特征，SV模型的统计推断近年来是学界研究的热点问题之一，所以这次报告和大家一起讨论非对称随机波动建模的新方法，本次报告主要讨论基于非参数贝叶斯方法下的非对称随机波动建模方法，通过统计模拟我们发现该方法有着非常有意义的发现，区别于早期关于杠杆效应的结果，其结果更贴近实际数据，我们用该方法实证分析标普500和沪深指数等金融时间序列数据并应用于风险值（Value
at
Risk）的估计问题。我们企图通过这些研究，有助于理解金融市场风险形成规律，合理规避金融风险，能为投资者的资产配置与风险管理以及监管部门的宏观监控提供决策支持。
【4】LOT流动性度量的渐近性质
流动性是金融市场微观结构中的一个重要的研究内容，它是影响资产定价，市场有效性以及公司财务等金融问题的关键因素，如何准确有效地度量流动性是一个非常重要的研究问题。由于流动性是一个多维度的概念，直接度量十分困难，只能通过其他指标间接对其度量，买卖价差就是一个常用的度量指标。LOT估计是现在使用十分广泛的一种买卖价差的估计方法，但是对其统计性质的研究还十分缺乏。报告中将结合LOT估计的渐近性质的证明和数值模拟研究，对LOT估计的效果做出评价和讨论。
【报名方式】
请点击左下角”阅读原文“链接，下载附件中的报名表进行填写，然后发至邮箱
===========================
欢迎点击右上角菜单"查看官方帐号"关注本订阅号(wquant)，尊享高科技金融、轻理财资讯、上品质生活。
微量网(www.wquant.com)是国内顶尖的量化投资策略在线交易平台，策略提供者和理财投资者对接平台，集策略研发、销售、交易为一体。
本订阅号由量邦信息科技（北京）有限公司和微量网络科技（北京）有限公司联合维护， 立足原创，欢迎转发，转载请注明微量网或加入网站原文链接。少数引文知识产权归原作者所有。如有冒犯，敬请邮件告知info@quanttech.cn。