受国际商学院邀请，修大成教授于2022年2月23日为我院做线上学术报告，吸引了近70名老师和同学前来参加。修大成教授毕业于普林斯顿大学，应用数学系博士，现任芝加哥大学布斯商学院计量经济学和统计学教授。修教授已在国际著名顶级期刊例如Econometrica, Journal of Political Economy, Journal of Finance, Review of Financial Studies, Journal of the American Statistical Association, 以及Annals of Statistics上发表了丰硕的研究成果。他是Journal of Financial Econometrics的共同主编, Review of Financial Studies, Management Science, Journal of Econometrics, Journal of Business & Economic Statistics, Econometrics Journal, Journal of Applied Econometrics，以及Journal of Empirical Finance的副主编。因其出色的研究成果，他获得了多项荣誉，包括金融计量经济协会会士、Journal of Econometrics会士、2018年瑞士金融学院杰出论文奖、2018年AQR Insight Award和2017年欧洲金融协会年会最佳会议论文等。
报告的主要内容为修教授的工作论文(Re-)Imag(in)ing Price Trends。该论文重新考虑了基于价格趋势的可预测性的想法，运用的方法是最能预测未来收益的价格模式的灵活学习算法，而不是假设鉴定或者预先定义的模型(例如动量和反转效应）。论文的原始预测数据是图像--股票级别的价格表--从中找出最能预测收益的的机器学习图像分析方法。修教授所确定的预测模型在很大程度上有别于文献中常见的趋势信号，可以提供更准确的回报预测，转化为更有利可图的投资策略，并对一系列的规格变化具有稳健性。修教授论文的算法似乎也与内容无关：在较短的时间范围内（如每日数据）估计的预测模式与在较长的时间范围内（如每月）的模式同样有效且从美国股票学到的模式在国际市场上也有同样的预测效果。
修教授首先介绍了由于资产价格变动敏感且复杂的特点，对于资产收益的建模一直是学术界不断讨论探索的焦点。然后，他点明了本篇文章的主要贡献，为了在大数据的背景下找到发现能够预测资产收益的稳健模型。接着，他重点介绍了本篇文章采用机器学习中新颖的CNN图像处理方式，将股价的开盘价、收盘价、最高价、最低价、以及波动率等信息绘制成图像，作为CNN模型的输入，以正负收益作为模型的label，分别采用5日、20日以及60日的价格图像进行二分类的建模。结果显示，相较于传统模型，CNN模型给出的资产组合分类以及波动率均优于传统模型。
在学术报告结束后，修教授与我院师生们进行了深入交流并指导我院师生在机器学习和金融学交叉研究领域的学术前沿发展。他对于我院老师提出的模型波动率问题、因变量的分类和噪声等问题进行了解答，并对年青学者如何发现有意义的研究选题等问题进行了探讨和指导。
供稿人：卞咏
如需获取修大成教授的讲座论文，邮件联系我们ibs@zjgsu.edu.cn