澳大近年推出多項人才計劃，集聚了一批滿載新知的青年學者加入澳大開展學術研究。澳大社會科學學院經濟學系助理教授陶宇博是其中一個優秀代表。陶教授於2022年加入澳大，專注於計量經濟學理論，金融計量經濟學，實證資產定價領域的研究。他的研究項目「基於機器學習的潛在因子模型及其在金融市場中的應用」榮獲2023年度國家自然科學基金之青年科學基金項目資助，旨在利用最新的機器學習算法結合潛在因子模型對金融面板數據進行建模以及計量理論研究。
近年來，機器學習的飛速發展為計量經濟學注入了新的潛力。大數據時代，傳統金融分析工具在金融市場預測中的表現存在一定的不適用和局限性。陶宇博教授的研究着眼於金融數據的高頻高維、來源多樣、變量數據缺失等問題，利用最新的機器學習算法將計量經濟學的理論應用於金融數據分析，以解釋市場趨勢，並預測金融市場的動態。
陶教授提到，當前金融數據普遍存在缺失值問題，傳統的處理方法是首先填充這些缺失值然後在此基礎上進行回歸分析。這種方法的問題在於數據選擇和填充方式往往過於粗糙，沒有兼顧到數據的序列相關性和後續估計過程的穩健性。而陶教授的研究則通過構建複雜的神經網絡模型，利用去噪自編碼器，提出一種可以直接嵌入在估計過程中的數據填充算法來估計潛在因子模型，從而減少因數據填充誤差導致的估計偏差。
金融數據的另一個特點是高頻高維且來源多樣。高頻指的是金融數據的採樣時間間隔短，而高維則意味着體現某一指標的特徵值可能多達成百上千。這一特點無疑讓研究更為複雜，從而影響分析的有效性。傳統的研究方法主要是通過主成分分析法提取公共因子，對數據進行降維後進行分析。陶教授的研究基於傳統的分析方法，考慮到金融數據來源多樣的特點，利用遷移學習算法有效地整合多個相似的金融面板數據的信息，從而提高了公共因子的估計的有效性和準確性，並在此基礎上對公共因子的經濟含義和因子載荷的特徵進行詳細的分析。
談及研究項目的成功申請，陶教授首先感謝澳大為青年學者提供了很好的平台，站在好的平台努力，能獲取的資源也更多，從而使得此次申請事半功倍。其次，陶教授總結了本次申請的成功經驗後分享了如下建議：
一) 仔細研讀項目指南。將自身的研究和指南的要求相結合，確定正確的研究方向。申請者一定要經常瀏覽比如國家自然科學基金大數據知識管理服務門戶等專業網站，掌握國自然申請的基本要求及書寫範式。同時關注時代熱點，將自身的研究方向與熱點相結合。
二) 充分展示研究基礎和前期工作，從而體現項目的可行性。在國自然的申請書撰寫前，申請者要先總結自己的前期工作，並圍繞自己的學術研究方向展開的研究，表明自己的研究基礎。如果申請主題很好地延續了前期的基礎研究，標書做到層層遞進，並提供前期已完成的階段性成果及對未來成果的預測，讓評審感覺申請者基礎扎實，未來肯定能產出成果，中標的可能性會大大加強。
三) 多向成功獲批的前輩請教，汲取成功經驗和好的修改建議。一份高質量的申請書，用詞是經過反覆斟酌的，內容是經過千錘百煉的，而只有通過一遍一遍反覆的修改，申請書才能日臻成熟。因此在完善申請書的過程中，可以邀請周圍的同事，特別是成功獲批的前輩幫助修改或提出建議。此外，國自然的申請書，一定要找相關專家把關，務必做到精益求精。
(轉發自澳大研究 UM Research公眾號)
