2022年4月11日，国际商学院研讨会“金融时间序列多尺度特征挖掘及其应用”于线上举行。本次讲座主讲人，崔金鑫老师首先介绍了十种新兴的数据分解算法：1. MODWT极大重叠离散小波变换分解算法；2.EMD经验模态分解算法；3.EEMD集合经验模态分解算法；4.CEEMD互补集合经验模态分解算法；5.CEEMDAN带有自适应白噪声的完全集合经验模态分解算法；6.ICEEMDAN改进的带有自适应白噪声的完全集合经验模态分解算法；7. EWT经验小波变换分解算法；8.VMD变分模态分解算法；9. BEMD二元经验模态分解算法；10.MEMD多元经验模态分解算法。并且，通过引入金融时间序列分解实例，他对比了每种分解算法的优势以及存在的缺陷，理清了分解算法改进的演化路径，为分解算法的进一步改进提供了有力参考。
接着，崔老师介绍了金融时间序列多尺度特征挖掘的三大应用场景：1. 金融时间序列多尺度组合预测研究；2. 金融市场间多尺度联动性研究；3. 金融时间序列多尺度风险溢出效应研究。金融时间序列多尺度组合预测主要遵循“分解-重构-预测-集成”的主体建模框架，先对原始时间序列进行分解，利用新兴的数据分解算法捕捉序列的局部特征，然后重构成高、中和低频重构分量，再根据各分量的特征选取机器学习模型进行单一分量预测，最后集成得到最终的时间序列预测结果。金融市场间多尺度联动性和风险溢出效应研究主要遵循“分解-重构-建模-分析”的主体框架，先对时间序列进行分解，然后在各个重构分量上建立联动性和溢出效应量化模型，然后根据各个分量的联动性和溢出效应实证结果进行分析。
最后，他回答了倪禾教授就多尺度组合预测提出的几个疑问。未来的多尺度组合预测研究可以在以下几个方面进行改进：1. 数据分解算法的改进；2. 分量重构方法改进；3. 特征挖掘算法的改进；4. 机器学习预测模型的改进；5. 优化算法的改进；6. 预测结果集成算法的改进。本次讲座旨在抛砖引玉，希望能为各位老师的研究提供一些新的灵感。
供稿人：崔金鑫