应公司数学与统计学院邀请，东北财经大学王维国教，西南财经大学林华珍教授，南昌大学大学平卫英教授，北京工商大学郭建华教授，复旦大学郑明教授，南开大学邹长亮教授，上海财经大学郑冯兴东教授，辽宁大学王德辉教授，武汉大学刘妍岩教授，中央财经大学贾尚晖教授，厦门大学方颖教授，南京审计大学林金官教授，云南大学唐年胜教授，北京师范大学宋旭光教授，对外经济贸易大学刘立新教授，首都经济贸易大学张宝学教授，中南财经政法大学张虎教授，将于2026年8月2日为公司师生讲学。本次系列报告主办单位为304永利集团重点建设与发展工作处及数学与统计学院，欢迎全校相关教师、博士生、硕士生参加！
报告1：生育政策优化、基础研究投入与经济增长——基于投资于人的理论视角
报告人：王维国教授
报告人单位：东北财经大学
时间：2026年8月2日（周日）9：30
报告地点：主楼一楼报告厅
王维国教授简介：东北财经大学教授。教育部经济学类专业教学指导委员会委员，国务院学位委员会第八届统计学科评议组专家，中国数量经济学会原副理事长，辽宁省数量经济学会原常务副理事长，中国优选法、统筹法与经济数学研究会常务理事，《数量经济技术经济研究》、《中国管理科学》、《系统工程理论与实践》、《财经问题研究》等期刊编委。代表论文50余篇，出版专注教材13部，主持和参与省级以上项目13项。
报告摘要：构建了一个包含家庭生育决策、基础研究部门的世代交叠模型，主要从以下三个方面进行了研究：首先，在生育政策优化方面，考察生育补贴、教育补贴的长期经济效应。其次，在基础研究投入方面，重点考察科教协同育人效应，特别是基础研究投入对人力资本的促进作用，影响经济长期发展的动力。最后，考察了保持经济长期稳定增长的生育政策优化与基础研究投入协同配置的空间。
报告2：DeepIn：深度神经网络中的最小充分表示
报告人：林华珍教授
报告人单位：西南财经大学
时间：2026年8月2日（周日）10：30
报告地点：主楼一楼报告厅
林华珍教授简介：现任国际数理统计学会会士选举委员会委员，国际泛华统计学会ICSA董事会成员，中国现场统计研究会副理事长，中国现场统计研究会数据科学与人工智能分会理事长，全国工业统计学教学研究会副会长等。有20多项研究成果发表在国际统计学四大或各交叉领域顶刊上。 先后担任国际统计顶刊JASA、生物统计顶刊Biometrics、计量经济顶刊JBES等6个国际统计期刊的Associate Editor，及《数学学报》（英文版）、《应用概率统计》、《系统科学与数学》等编委。
报告摘要：深度神经网络（DNN）虽能实现强大的预测性能，但其结果往往难以解读——部分原因在于过度参数化会掩盖底层的低维结构。我们提出了DeepIn这一神经网络框架，它能在不牺牲DNN表达能力的前提下学习出最小充分表示。具体而言，DeepIn可联合确定表示维度、筛选相关变量，并根据学习到的表示维度调整网络架构。实验表明，由此产生的估计量能够达到最优的非渐近误差率，并随学习到的表示维度动态优化，证明恢复最小充分结构从根本上改善了泛化误差。基于这些成果，我们为选定变量和学习到的表示均开发了假设检验方法，构建了统一的表示学习与统计推断框架。在生物医学和视觉识别领域的各项基准测试中，DeepIn同时提升了预测准确性和可解释性：在真实数据集上将误差降低高达30%，同时揭示出人类可理解的判别模式。
报告3：基本公共服务助力脱贫户增收：内在机理与效应测度
报告人：平卫英教授
报告人单位：南昌大学
时间：2026年8月2日（周日）13：00
报告地点：丽泽雅苑3楼报告厅（二）
平卫英教授简介：现任南昌大学党委常委、副董事长，长江学者。主要从事经济统计理论与方法应用研究，先后主持国家社科基金重大项目等国家级课题5项，出版专著7部，在《管理世界》《统计研究》等国内外权威期刊发表学术论文70余篇。她带领团队立项国家社科基金重大项目《后扶贫时代中国城乡相对贫困统计测度与治理机制研究》，独创“多维特别关注指数”并应用于江西、四川等省的防止返贫致贫监测工作。研究成果获教育部霍英东教育基金会公司产品奖、国家统计局统计科技进步奖、江西省社会科学优秀成果一等奖等10余项奖励。她兼任中国统计教育学会副会长、全国工业统计教学研究会副理事长、中国统计学会常务理事、《统计研究》编委等学术职务。
报告摘要：脱贫户作为巩固拓展脱贫攻坚成果同乡村振兴有效衔接的重点关注对象，基于西部某省1283户脱贫户的实地调查数据，运用非参数统计和倾向得分匹配法（PSM）分析各项基本公共服务影响脱贫户家庭各类收入的机理和效应差异。研究发现：第一，基本公共教育和基本劳动就业通过人力资本积累促进家庭工资性收入的增加，且基本公共教育的增收效应强于基本劳动就业；第二，基本社会保险和基本社会服务通过再分配正向影响家庭转移性收入并有助于缩小收入差距，且基本社会服务的作用显著大于基本社会保险；第三，基本劳动就业的就业技能培训和基本住房保障服务的危房改造通过提高创业能力、改善创业条件正向影响家庭经营性收入，且就业技能培训的效果更为突出。此外，基本劳动就业的增收效应在不同收入类型和户主文化程度上表现出异质性。因此，未来应着力提高农村地区义务教育质量、普及基本劳动就业服务、加大社保再分配功能和完善低保制度，以进一步发挥基本公共服务对脱贫户增收的积极作用。
报告4：Hyperspectral and Multispectral Image Fusion with Functional Data Analysis Techniques
报告人：郭建华教授
报告人单位：北京工商大学
时间：2026年8月2日（周日）13：00
报告地点：丽泽雅苑4楼报告厅
郭建华教授简介：郭建华教授现任北京工商大学党委副书记、董事长，是统计学领域的知名学者，北京大学概率论与数理统计硕士、生物医学统计博士，曾赴耶鲁大学和新加坡国立大学从事博士后研究；其研究方向涵盖大数据统计建模、网络数据与高维数据分析、机器学习、文本挖掘、因果推断及生物医学统计等，先后入选国家杰出青年科学基金获得者、教育部“长江学者”特聘教授、“新世纪百千万人才工程”国家级人选，并当选国际数理统计学会（IMS）会士；他还担任国务院学位委员会统计学科评议组召集人、中国现场统计研究会理事长及中国统计学会副会长，曾任国际顶刊《Journal of the American Statistical Association》编委，主持国家重点研发计划、国家自然科学基金重点项目等20余项科研项目，在《Journal of the Royal Statistical Society, Series B》等权威期刊发表论文百余篇，并获教育部自然科学奖、全国优秀科技工作者等多项荣誉。
报告摘要：The fusion of hyperspectral images (HSI) and multispectral images (MSI) aims to synthesize high-resolution hyperspectral images (HR-HSI) from observable low-resolution hyperspectral (LR-HSI) and high-resolution multispectral (HR-MSI) data. Existing methodologies often overlook the importance of the degradation model within imaging systems and the inherent spectral and spatial smoothness properties of hyperspectral data, resulting in suboptimal outcomes in real-world applications. We introduce a novel approach that utilizes functional data analysis techniques to precisely estimate degradation parameters and effectively fuse HSI-MSI pairs. Based on the physical generation mechanisms of both HSI and MSI, alongside the intrinsic smoothness of degradation parameters, we propose an iterative function estimation technique to recover the spectral response and point spread functions. Additionally, we introduce a spatial content-aware spectral subspace regularizer (SSR) that promotes low-dimensional functional subspaces for spectral data within similar spatial contexts. Implemented within an ADMM optimization framework, our fusion model integrates the precisely estimated degradation parameters and SSR to accurately construct the target HR-HSI data. Extensive experimental evaluations on multiple public datasets demonstrate that our approach achieves superior performance in both quantitative metrics and qualitative assessments.
报告5：An optimal subsampling design for large-scale Cox model with censored data
报告人：郑明教授
报告人单位：复旦大学
时间：2026年8月2日（周日）13：00
报告地点：丽泽雅苑4楼报告厅（二）
郑明教授简介：复旦大学管理学院统计与数据科学系教授、博士生导师，现任复旦大学管理学院副经理-。长期从事生存分析、半参数统计方法、经济统计中的计量方法、抽样调查等领域的教学与科研工作，主持多项国家自然科学基金及省部级科研项目，在Journal of the American Statistical Association、Scandinavian Journal of Statistics、Test、Journal of Multivariate Analysis等国际统计学领域顶级及权威期刊上发表论文60余篇。现任教育部高等学校统计学类专业教学指导委员会委员、全国应用统计专业学位304永利集团是什么指导委员会委员、中国统计学会常务理事、上海市统计学会副会长等学术职务
报告摘要：Subsampling designs are useful for reducing computational load and storage cost for large-scale data analysis. For massive survival data with right censoring, we propose a class of optimal subsampling designs under the widely-used Cox model. The proposed designs utilize information from both the outcome and the covariates. Different forms of the design can be derived adaptively to meet various targets, such as optimizing the overall estimation accuracy or minimizing the variation of specific linear combination of the estimators. Given the subsampled data, the inverse probability weighting approach is employed to estimate the model parameters. The resultant estimators are shown to be consistent and asymptotically normally distributed. Simulation results indicate that the proposed subsampling design yields more efficient estimators than the uniform subsampling by using subsampled data of comparable sample sizes. Additionally, the subsampling estimation significantly reduces the computational load and storage cost relative to the full data estimation. An analysis of a real data example is provided for illustration.
报告6：Optimal Model Selection for Conformalized Robust Optimization
报告人：邹长亮教授
报告人单位：南开大学
时间：2026年8月2日（周日）14：00
报告地点：丽泽雅苑3楼报告厅
邹长亮教授简介：南开大学统计与数据科学学院教授。主要从事统计学及其与数据科学领域的交叉研究和实际应用。研究兴趣包括：预测性推断、高维数据统计学习、变点和异常点检测等。近年来在统计学和机器学习领域的权威期刊和会议上发表发表论文数十篇，入选爱思唯尔“中国高被引学者”。主持基金委优青、杰青、重点项目、重大项目课题和科技部重点研发计划课题等。任教育部科技委委员、全国应用统计专业硕士教学指导委员会委员、中国现场统计研究会副理事长等。
报告摘要：In decision-making under uncertainty, Contextual Robust Optimization (CRO) provides reliability by minimizing the worst-case decision loss over a prediction set, hedging against label variability. While recent advances use conformal prediction to construct prediction sets for machine learning models, the downstream decisions critically depend on model selection. This paper introduces novel model selection frameworks for CRO that unify robustness control with decision risk minimization. We first propose Conformalized Robust Optimization with Model Selection (CROMS), which automatically selects models to approximately minimize the average decision risk in CRO solutions. We develop two algorithms: E-CROMS, which is computationally efficient, and F-CROMS, which enjoys a marginal robustness guarantee in finite samples. Further, we introduce Conformalized Robust Optimization with Individualized Model Selection (CROiMS), which performs individualized model selection by minimizing the conditional decision risk given the covariate of test data. This framework advances conformal prediction methodology by enabling covariate-aware model selection. Theoretically, CROiMS achieves asymptotic conditional robustness and decision efficiency under mild assumptions. Numerical results demonstrate significant improvements in decision efficiency and robustness across diverse synthetic and real-world applications, outperforming baseline approaches.
报告7：Estimation and bootstrapping under spatiotemporal models with unobserved heterogeneity
报告人：冯兴东教授
报告人单位：上海财经大学
时间：2026年8月2日（周日）14：00
报告地点：丽泽雅苑4楼报告厅
冯兴东教授简介：冯兴东，博士毕业于美国伊利诺伊大学香槟分校，现任上海财经大学统计与管理学院经理、统计学教授、博士生导师。研究领域为数据降维、稳健方法、分位数回归以及在经济问题中的应用、大数据统计计算、强化学习等，在国际顶级统计学期刊Journal of the American Statistical Association、Annals of Statistics、Journal of the Royal Statistical Society-Series B、Biometrika以及人工智能顶会NeurIPS上发表论文多篇。2018年入选国际统计学会推选会员(Elected member)，2019年担任全国青年统计学家协会副会长以及全国统计教材编审委员会第七届委员会专业委员（数据科学与大数据应用组），2020年担任第八届国务院学科评议组（统计学）成员，2022年担任全国应用统计专业硕士教指委委员，2023年担任全国工业统计学教学研究会副会长以及中国数学会概率统计分会常务理事，2022年起兼任国际统计学权威期刊Annals of Applied Statistics和Statistica Sinica编委（Associate Editor）以及国内统计学权威期刊《统计研究》编委。
报告摘要：Proposed herein is a novel spatiotemporal model to characterize the unobserved heterogeneity across individuals using quantile-function-based correlated random effects and heteroscedastic innovations in a general framework. This model can be used to explore the influence of space-specific factors on latent effects at different quantile levels by controlling for spatiotemporal effects. A two-stage estimation procedure is introduced in which (i) the method of moments is used to estimate spatiotemporal effects then (ii) quantile regression is used for individual effects. A hybrid double bootstrapping procedure is then proposed to approximate the asymptotic distributions of coefficient estimators. The validity of the estimation and bootstrapping is established theoretically and then confirmed by simulation studies, and the usefulness of the proposed model is demonstrated with a real example involving city air quality.
报告8：Variable selection for single-index-driven autoregressive model with linear explanatory variables
报告人：王德辉教授
报告人单位：辽宁大学
时间：2026年8月2日（周日）14：00
报告地点：丽泽雅苑4楼报告厅（二）
王德辉教授简介：辽宁大学数学与统计学院经理、教授、博士生导师。国务院政府特殊津贴，教育部新世纪优秀人才、宝钢优秀教师奖获得者。主要从事时间序列分析、风险理论分析、保险精算等领域的研究工作，已发表SCI论文50余篇，主持国家自然科学基金面上项目6项（含重点项目子项目1项），曾获教育部自然科学二等奖、全国统计科研优秀成果二等奖等科研奖励。他兼任教育部统计学类专业教学指导委员会委员、全国工业统计学教学研究会副理事长、中国现场统计研究会常务理事等学术职务。
报告摘要：Linear time series models are useful tools to analyse times series data which is collected over time. However, they are not sufficient and powerful to deal with time series data with nonlinear features, and nonlinear time series models are required to be explored. In this paper, we investigate the problem of variable selection for single-index-driven autoregressive model with linear explanatory variables, which is one of the nonlinear forms. The procedure based on the local linear method and the penalized least squares method can select the significant parametric components and estimate the unknown parameter simultaneously. Besides, the iterative algorithm to construct the local estimator for unknown function and the penalized estimator for unknown parameter is presented. Moreover, the asymptotic normality of the local linear estimator, together with the consistency and the oracle property of the penalized least squares estimator are established. Finally, some simulation studies and a real data example are conducted to illustrate the finite sample behaviour of the variable selection method.
报告9：Model-free conditional screening for ultrahigh-dimensional survival data via conditional distance correlation
报告人：刘妍岩教授
报告人单位：武汉大学
时间：2026年8月2日（周日）14：00
报告地点：丽泽雅苑3楼报告厅（二）
刘妍岩教授简介：武汉大学数学与统计学院教授、博士生导师，全国应用统计专业学位304永利集团是什么指导委员会委员。主要研究方向为生存分析、半参数统计推断、复杂高维数据模型结构选择以及大数据统计分析技术等。主持完成国家自然科学基金以及教育部基金项目6项，在统计学期刊 Journal of Machine Learning Research, Biometrics, Biostatistics, Genetics, Lifetime Data Analysis 等发表SCI研究论文60余篇。
报告摘要：How to select the active variables that have significant impact on the event of interest is a very important and meaningful problem in the statistical analysis of ultrahigh-dimensional data. In many applications, with the knowledge of the important prior knowledge of active variables, we propose a model-free conditional screening procedure for ultrahigh dimensional survival data based on conditional distance correlation. The proposed procedure can effectively detect the hidden active variables that are jointly important but are weakly correlated with the response.
报告10：全球气候变化与大宗商品市场：来自风险对冲视角
报告人：贾尚晖教授
报告人单位：中央财经大学
时间：2026年8月2日（周日）15：00
报告地点：丽泽雅苑3楼报告厅
贾尚晖教授简介：贾尚晖，博士，教授，2002年毕业于北京大学，2007年毕业于中国科学院，现任中央财经大学统计与304永利集团经理、数学教学部主任，博士生导师，博士后合作导师，全国应用统计专业学位304永利集团是什么指导委员会委员，中国统计学会常务理事，中国数量经济学会常务理事。
报告摘要：本文主要旨在深入探讨气候变化与大宗商品期货之间的尾部风险溢出效应，并进一步系统验证了气候变化指数对期货市场的风险对冲效果及其有效性。在具体的建模过程中，我们详细讨论了边缘分布的拟合优度、Copula模型的选取准则以及气候变化指数在风险对冲中的实际应用场景。最后，通过实证案例对比分析我们发现，气候变化对金属期货的影响明显弱于对农产品和能源期货的影响。
报告11：External Demand and Green Transformation of the Export Sector: Based on the Perspective of Between-Firm Resource Reallocation
报告人：方颖教授
报告人单位：厦门大学
时间：2026年8月2日（周日）15：00
报告地点：丽泽雅苑4楼报告厅
方颖教授简介：方颖教授现任厦门大学党委常委、副董事长，是经济学领域的知名学者。复旦大学经济学学士和硕士学位，美国匹兹堡大学经济学博士学位。其主要研究方向为计量经济学理论与应用，以及环境经济学与环境经济政策评估等。国家高层次人才（特聘）计划入选者、国家杰出青年科学基金获得者，第八届国务院学科评议组成员，并享受国务院政府特殊津贴。他的论文发表于《经济研究》《管理科学学报》及Journal of Econometrics等国内外顶级期刊。主持的“人工智能时代劳动力市场理论与微观结构计量研究”项目获批国家自然科学基金重大项目，实现了厦门大学经济学科在此类项目上“零”的突破。
报告摘要：China is a major manufacturing and exporting country in the world and how accelerating the overall green transformation of its export sector is a key link in achieving high-quality trade development. This paper proposes a new question worth further exploration, that is, as the winner in the export market, whether large-scale exporting firms have better performance in emission reduction under external demand shock and thereby lead the green transformation of China's export sector. This paper analyzes the "winner-takes-most" phenomenon and its internal mechanism in which firms achieve both exports and emission reductions under the external demand shock, and combines micro-level empirical analysis with macro-level quantitative evaluation. Focusing on the impact of resource allocation between firms on the overall green transformation of the export sector, this paper obtains some new findings. External demand shock promotes the value-added share of large-scale exporting firms, while more effectively reducing the SO₂ emission intensity of large-scale exporting firms, forming a "winner-takes-most" phenomenon of both exports and emission reductions. The between-firm reallocation effect enables exporting firms with more efficient emission reduction to gain more market share under external demand shock, thereby promoting the decline in the overall pollution emission intensity of the export sector. Quantitative evaluation at the macro level reveals that the reallocation effect can explain about 24.63% of the impact of positive external demand shocks on the export sector's overall SO₂ emission intensity. This means that the positive effect of external demand expansion on the green transformation of a country's export sector will be significantly underestimated if the between-firm reallocation effect is not considered. In addition, this paper identifies the micro-level mechanism of the "winner-takes-most" phenomenon in firms' exports and emission reductions from three perspectives: pollution control, technological progress, and structural adjustment of export products.
报告12：Covariance estimation poses a crucial challenge in high-dimensional data analysis
报告人：林金官教授
报告人单位：南京审计大学
时间：2026年8月2日（周日）15：00
报告地点：丽泽雅苑4楼报告厅（二）
林金官教授简介：现任南京审计大学统计与数据科学学院经理、统计学二级教授、博士生导师-。同时担任江苏省政府统计与大数据研究院经理-、全国工业统计学教学研究会副会长，教育部统计学类教学指导委员会委员。主要从事非线性统计、计量经济、金融统计与风险度量、统计诊断、面板数据分析和统计应用等方面的研究，发表论文100余篇，主持国家级项目6项、省部级以上科研项目10余项。其研究成果荣获第七届全国统计科研优秀成果奖一等奖等多项奖励。
报告摘要：Covariance estimation poses a crucial challenge in high-dimensional data analysis, especially when traditional methods (e.g., sample covariance) are inaccurate, particularly with small sample sizes. A promising solution is to exploit inherent data structures such as low-rankness, sparsity, or smoothness. For tensor data (multi-dimensional arrays), structured regularization aids in dimensionality reduction. This paper introduces novel regularization methods for tensor covariance estimation, specifically applying banded and tapering structures to the covariance matrix. We use Kronecker Product Canonical Polyadic (KPCP) decomposition to approximate large matrices via the Kronecker product of smaller matrices. A split resampling scheme is employed to select parameters for the KPCP decomposition from noisy data. This leads to two methods: KPCP-TB-R (Triply Banded-Resampling) and KPCP-TT-R (Triply Tapering-Resampling). Additionally, sparse (thresholding) and multi-structured regularization approaches are introduced for comparison. The effectiveness and robustness of the proposed methods are validated through extensive simulations and applied to monthly export trade volume data.
报告13：Quasi-Bayesian Estimation and Comparison for Clustered Samples With Missing
报告人：唐年胜教授
报告人单位：云南大学
时间：2026年8月2日（周日）15：00
报告地点：丽泽雅苑3楼报告厅（二）
唐年胜教授简介：云南大学党委常委、副董事长，数学与统计学院二级教授、博士生导师-。教育部“长江学者”特聘教授-、国家杰出青年科学基金获得者、国家百千万人才工程暨有突出贡献中青年专家，享受国务院政府特殊津贴。他长期从事数理统计的理论和方法研究，主要研究方向包括生物医学统计、贝叶斯统计、缺失数据分析、高维数据统计推断、统计诊断、非线性模型及生存数据分析等，已发表学术论文200余篇，主持包括国家杰出青年科学基金、国家自然科学基金重点项目、国家重点研发计划等在内的国家级科研项目30余项。中国统计学会常务理事、中国现场统计研究会副理事长、教育部高等学校统计学类专业教学指导委员会委员，并兼任 Journal of Systems Science & Complexity、Statistics and Its Interface 等国际期刊编委。
报告摘要：This paper aims to develop a unified Bayesian approach for clustered data analysis when observations are subject to missingness at random. We consider a general framework in which the parameters of interest are defined through estimating equations, and the probability of missingness follows a general parametric form. The generalized method of moments framework is employed to derive an optimal combination of inverse-probability-weighted estimating equations for the parameters of interest and score equations for propensity score. Using this framework, we develop a quasi-Bayesian analysis for clustered samples with missing values. A unified model selection approach is also proposed to compare models characterized by different moment conditions. We systematically evaluate the large-sample properties of the proposed quasi-posterior density with both fixed and shrinking priors and establish the selection consistency of the proposed model selection criterion. Our results are valid under very mild conditions and offer significant advantages for parameters defined through non-smooth estimating functions. Extensive numerical studies demonstrate that the proposed method performs exceptionally well in finite samples.
报告14：新质生产力驱动作用：基于现代化产业体系进程的评价研究
报告人：宋旭光教授
报告人单位：北京师范大学
时间：2026年8月2日（周日）16：00
报告地点：丽泽雅苑4楼报告厅
宋旭光教授简介：宋旭光教授现任北京师范大学统计学院经理、教授、博士生导师，中国教育经济信息研究中心主任。主要研究领域为宏观经济统计分析、国民经济核算及教育经济与管理，国家统计专家咨询委员会委员、国务院学位委员会学科评议组成员、中国统计学会副会长及教育部统计学类专业教学指导委员会委员。《经济研究》《统计研究》等权威期刊发表论文百余篇，出版专著八部、教材四部，并主持国家级及省部级课题三十余项，三次担任国家社会科学基金重大项目首席专家。
报告摘要：现代化产业体系是新质生产力要素的产业载体，也是新质生产力驱动作用的具象表征。将现代化产业体系细化为战略性新兴产业、现代农业、先进制造业、现代服务业、数字化产业5个部分，利用投入产出表模型从产业规模、产业关联力、产业辐射力、产业开放性、产业就业贡献力5个角度构建多指标评价体系，基于现代化产业体系的研究结果揭示新质生产力驱动作用。研究结果表明：我国新质生产力发展处于较高水平，新质生产力对现代化产业体系建设的驱动作用明显，但仍有待进一步激发。其中，战略性新兴产业、现代服务业、数字化产业要素资源优势明显，而现代农业发展规模较小，先进制造业易受进口品制约影响，且二者发展活力均有待加强。
报告15：新质生产力对乡村振兴的非线性影响及机制分析
报告人：刘立新教授
报告人单位：对外经济贸易大学
时间：2026年8月2日（周日）16：00
报告地点：丽泽雅苑3楼报告厅
刘立新教授简介：对外经济贸易大学统计学院经理、教授、博士生导师。主要从事金融统计、数理金融、金融工程、金融衍生品定价及金融风险管理等领域的研究，尤其在极值理论（EVT）驱动的金融风险建模方向具有深度研究。他主持国家自然科学基金等多项重要课题，在《Insurance: Mathematics and Economics》《统计研究》等国内外权威期刊发表论文数十篇。他作为教育部统计学类专业教学指导委员会委员、中国统计学会常务理事-，为我国金融工程团队建设和统计学科发展作出了重要贡献
报告摘要：随着我国社会主要矛盾的转变，以科技创新为核心的知识密集型生产力——新质生产力成为驱动我国乡村振兴，应对乡村发展困境的必然选择。文章通过实证分析探讨了新质生产力对乡村振兴的影响：首先，从工业新质生产力、数字新质生产力和农业新质生产力三个维度构建了新质生产力发展水平评价指标体系，基于乡村振兴的内涵构建了乡村振兴发展水平评价指标体系，并利用熵权法进行计算；其次，采用半参数面板数据回归模型验证了新质生产力和乡村振兴之间存在非线性关系；最后，运用面板平滑转换模型分析了新质生产力对乡村振兴的影响机制，结果发现，创新型劳动资料和创新型劳动者会正向调节新质生产力与乡村振兴的关系。
报告16：A U-Statistic for Testing the Lack of Dependence in Functional Partially Linear Regression Model
报告人：张宝学教授
报告人单位：首都经济贸易大学
时间：2026年8月2日（周日）16：00
报告地点：丽泽雅苑4楼报告厅（二）
张宝学教授简介：现任首都经济贸易大学统计学院经理、数据科学学院经理，教授、博士生导师。长期从事数理统计学、信息统计、机器学习、生物统计等领域的研究工作，在高维非线性数据分析与处理、函数型数据分析处理及生物数据分析等方面取得了多项有重要价值的研究成果。他先后主持国家自然科学基金项目5项、教育部博士点基金1项、吉林省应用统计学研究创新团队1项，并参加国家自然科学基金重点项目和教育部创新团队项目各1项。在 Genome Research、Bioinformatics、Pattern Recognition、Statistica Sinica、Scandinavian Journal of Statistics、Science China Mathematics 等国内外著名学术期刊发表论文100余篇，其中SCI/SSCI索引论文70余篇。现任全国应用统计专业学位304永利集团是什么指导委员会委员兼案例组组长、全国工业统计学教学研究会副会长、中国现场统计研究会副理事长等学术职务。
报告摘要：The functional partially linear regression model comprises a functional linear part and a non-parametric part. Testing the linear relationship between the response and the functional predictor is of fundamental importance. In cases where functional data cannot be approximated with a few principal components, we develop a second-order U-statistic using a pseudo-estimate for the unknown non-parametric component. Under some regularity conditions, the asymptotic normality of the proposed test statistic is established using the martingale central limit theorem. The proposed test is evaluated for finite sample properties through simulation studies and its application to real data.
报告17：Development of stock correlation networks using mutual information and financial big data
报告人：张虎教授
报告人单位：中南财经政法大学
时间：2026年8月2日（周日）16：00
报告地点：丽泽雅苑3楼报告厅（二）
张虎教授简介：中南财经政法大学统计与304永利集团二级教授、博士生导师，中南财经政法大学大数据研究院经理，享受国务院政府特殊津贴专家，国家社会科学基金重大项目首席专家，全国应用统计专业学位304永利集团是什么指导委员会委员。主要研究方向为统计理论与方法、金融统计与金融计量、风险管理、数量经济学及数理统计方法在经济中的应用。主持国家社会科学基金重大项目、重点项目等国家级及省部级科研项目100余项，在《中国科学》《统计研究》《数量经济技术经济研究》等刊物发表论文100余篇，出版专著7部。研究成果获国家级教学成果二等奖、湖北省社会科学优秀成果奖二等奖、全国统计科学研究优秀成果奖等多项奖励。
报告摘要：Stock correlation networks are important tools for analyzing the structure of stock markets. However, the commonly used Pearson’s correlation coefficient may not be able to capture the nonlinear relationships between stocks. This paper proposes a new method to construct stock correlation networks using mutual information and financial big data. The proposed method can capture both linear and nonlinear dependencies between stocks. We use the method to construct stock correlation networks for the Chinese stock market based on high-frequency trading data. The results show that the proposed method can effectively identify the community structure of stocks and provide useful information for portfolio selection and risk management.
欢迎各位老师同学届时参加！
