随着数字经济时代的来临，基于互联网、移动互联网以及人工智能技术的经济活动每时每刻产生了海量大数据，这些海量大数据又反过来驱动各种经济活动.大数据来源不一，形式多样，种类繁杂，既有结构化数据，也有非结构化数据，如文本、图像、音频、视频等，即使是结构化数据，也有新型数据，如函数数据、区间数据与符号数据等.大数据大多拥有巨大的样本容量，也有潜在解释变量维数超过样本容量的高维大数据.大数据的产生以及基于大数据的机器学习的广泛使用，对统计学产生了深刻影响.本文从大数据的特点和机器学习的本质出发，讨论了大数据和机器学习对统计建模与统计推断的挑战与机遇，包括由抽样推断总体分布性质、充分性原则、数据归约、变量选择、模型设定、样本外预测、因果分析等重要方面，同时也探讨了机器学习的理论与方法论基础以及统计学和机器学习的交叉融合.

我们有选择地回顾了一些关于大数据下预测的文献.考虑了基于数据的方法与因果的方法、微观建模与宏观建模、同质性与异质性、模型不确定性与抽样误差、常参数建模与时变参数建模、模型评估、交叉验证以及聚类等问题.

本文基于现代计量经济学的发展历程，介绍了现代计量经济学的思想、理论、主要内容体系、模型、方法与工具.文中首先回顾经典计量经济学中经典线性回归模型的基本假设，并考察通过扬弃这些假设，发展而来的现代计量经济学的历史背景，进而阐述现代计量经济学的理论体系与主要内容；同时讨论了在大数据时代，大数据为计量经济学带来的挑战与机遇，以及计量经济学今后发展的若干重要方向与趋势.

本文对SAR模型进行了综述，将自回归时间序列模型推广到空间的设定.这是空间计量经济学中最受欢迎的模型，在经济学实证研究中有着广泛的应用，因为它捕捉了经济主体之间的相互作用和溢出效应.本文首先给出了在完全信息静态博弈设定下的纳什均衡模型的经济解释.比较静态经济比较分析提供了对结果有直接和间接影响以及乘数效应的经济解释.本文讨论了传统的ML估计及其在QML估计方面的扩展.我们也阐述了近来对数似然函数凹性方面的最新研究，和其他的估计方法，包括GMM和GEL.利用线性二阶矩构造最优GMM估计方法是可行的.对SAR模型进行估计和检验的GEL方法对未知异方差具有较好的稳健性.

本文着重介绍了基于面板数据的处置效应估计的计量方法最新进展.首先，简要介绍了面板数据的项目评估或经济政策评价的现代计量分析的基本模型及其性质和应用.其次，主要关注估计面板数据的平均和分位数处置效应的最新方法和模型.最后，从理论、方法和实证方面探讨了基于面板数据的经济政策评价的计量经济学和统计学未来可能的研究方向，特别地，如何结合三者：机器学习、经济政策评价和面板数据的未来的研究方向展开讨论，为年轻学者提供参考.

在传统计量经济方法学中引入机器学习方法已逐渐成为一个不可忽视的重要发展趋势，本文从因果推断的两大主流分析框架出发，分析了其各自的特征与内在关联，在此基础上，提出了机器学习方法可以从样本匹配与反事实预测两个方面对现有因果效应识别研究进行改进.本文认为，机器学习能够通过样本直接匹配以及提升倾向得分估计准确度来实现样本的精准匹配，使研究样本更具备"随机化"实验的特征，此外，机器学习方法能够利用复杂关系建模、交叉验证以及正则化等方法来提升样本反事实预测的准确性.本文接着从匹配法、断点回归法、双重差分法以及合成控制法这四个具体的方法出发，详细阐述了机器学习在提升因果效应识别方面的理论基础，同时在每一个方法部分都给出了若干实际应用案例，以供应用计量研究者借鉴和参考.

本文从经济学视角阐述概率论与统计学一些基本的概念、思想、方法与工具的经济含义及其在经济学的应用, 包括主观概率、累积分布函数与随机占优、分位数、数学期望与Jensen不等式、均值与方差、大数定律、样本均值的方差趋零、独立性与鞅差分、统计显著性、拟合优度与模型设定、时间序列频谱分析、机器学习以及随机集(random sets)概率论.经济学应用包括理性预期、刻画收入不平等程度、投资组合、市场有效性、资本资产定价模型、金融衍生产品定价、风险管理、模型风险、测度经济因果关系、识别经济周期以及宏观经济区间管理等.这些例子旨在帮助理解概率论与统计学在经济学研究中的重要作用, 以及它们是如何被应用到经济分析之中.

创新管理与创新政策研究的科学化迫切需要系统性的分析理论与方法来支撑; 同时, 分析创新过程上游科技研发产出的科学计量学理论与方法未能满足全面分析创新过程并系统支撑创新管理与创新政策研究的需要. 这一现状必然催生一个更加综合的交叉学科——"创新计量学(Innovametrics)". 创新计量学是以整个创新系统为研究对象, 面向创新的发生与发展, 对创新系统全面分析的新兴学科。这一学科研究旨在从创新系统的视角构建分析创新过程的理论与方法体系, 实现对创新过程的系统性诊断与分析. 本文在回顾创新活动分析与创新模型同步发展基础上, 从投入(I)、产出(O)、收益(P)、转化(T)和系统(S)五个方面对创新计量学进行了分类: 创新投入计量、创新产出计量、创新收益计量、创新转化计量和创新系统计量; 从结构问题、发展问题和动力问题角度总结了创新计量学的典型研究问题与分析技术. 最后, 结合我国创新管理与创新政策实践, 对创新计量学迫切需要解决的科学问题进行了展望. 创新统计与调查数据的不断丰富必然促进创新计量学的蓬勃发展, 而创新计量学发展也使得创新管理与创新政策更加科学化. 本文构建的"I-O-P-T-S"五维创新计量学体系不但首次为创新活动的分析提供了分类体系, 而且为创新领域的研究问题设计提供了一个系统性的全过程分析视角.

有效定价因子的筛选是多因子量化选股策略的关键.本文采用Group LASSO算法与非参数样条估计相结合的方法筛选中国A股市场的有效因子，结果得到了个别与其他方法一样的因子（如移动平均成交量），但筛选出很多独特因子（如流动比率、市盈率、去趋势换手率、营业利润增长率）.进一步地，基于得到的有效因子构建的投资组合在样本外也有相对更高的超额收益率、更低的收益波动率以及更高的夏普比率.与相关研究的美股因子比较发现，两个市场的因子存在较大差异，美股中的各类动量因子、收益率波动率等并不是A股的有效因子，而A股的市盈率、流动比率也不是美股的有效因子.

本文的目的是在大数据框架下，系统地陈述了如何利用吉布斯抽样（Gibbs sampling）方法作为工具，以样本误差容忍度为标准的大数据关联特征因子提取的推断原理为基础，在金融衍生品场景下对关联风险特征进行有效提取的思维和路径.具体来讲，采用马尔可夫链蒙特卡罗（MCMC）框架下的吉布斯抽样（Gibbs sampling）算法为工具，通过"OR值"（odds ratio）（也称为"比值比"或"优势比"）为验证标准，在大数据（包含传统的结构化和非结构化数据）一般框架下对高度关联特征因子提取推断的原理下，系统性地陈述了如何从海量数据中提取与金融衍生品价格或者风险关联度高的风险特征因子的随机搜索方法.为了能够比较全面地展示如何利用吉布斯抽样方法通过随机搜索算法来实现对金融衍生品风险特征的提取，在本文中，我们对三种金融产品的关联特征提取进行了比较全面和系统的讨论，他们是：1）对支持"基金中的基金"（fund of funds，简称"FOF"）组建的影响基金业绩关联特征的挖掘；2）对影响大宗商品期货螺纹钢价格趋势变化的关联特征指标的挖掘；3）对影响大宗商品期货铜价格趋势分析的关联特征刻画的提取.本文的分析和实证结果表明，我们在大数据框架下建立的特征提取方法除了能够有效地筛选出刻画影响基金业绩的关联特征外，也够提取出影响螺纹钢期货和铜期货价格趋势变化的关联特征，这为业界对FOF的组建与管理，对应金融衍生品价格变化走势，特别是大宗期货交易和风险管理方面提供了一种新的分析维度和风险特征因子应用方向.另外，本文讨论的从大数据的视角筛选金融衍生品风险特征因子的方法，也与过去传统的计量分析方法不同，是金融科技在大数据金融方面分析和应用的创新点.

近年来, 自然语言处理(NLP) 技术被广泛用来研究财经新闻、财经评论、社交媒体等非结构化文本数据的情感极性, 并使用这些非结构化文本数据的情感极性作为投资者情绪的代理变量来预测金融市场的波动. 本文在NLP技术和深度学习方法的基础上, 构建了一个基于在线外汇新闻情感挖掘的汇率预测方法. 在这个方法中, 首次使用互信息理论构建了外汇领域的情感词典, 并结合本文构造的基础词典计算出了外汇新闻的情感极性. 研究表明外汇新闻情感极性和美元兑人民币汇率之间存在格兰杰因果关系和长期的协整关系, 同时本研究首次将外汇新闻情感极性和其他金融数据纳入深度学习方法中, 实证结果表明: 该方法在美元兑人民币汇率的短期、中期和长期波动预测中效果显著.

防范化解系统性金融风险的首要任务是构建有效的系统性金融风险度量指标.本文采用2011年1月至2019年12月中国16家商业银行数据与沪深300日度收益率，通过蒙特卡罗模拟构造在市场持续下跌的情况下银行业的预期资金缺口指标——SRISK，从微观、中观、宏观三个方面对风险排名、行业间风险传染、宏观经济指标预测性开展实证研究.研究发现：1）SRISK指标能够识别系统重要性机构，该指标下的风险排名具有稳健性；2）不同类别的商业银行对实体行业产生不同影响，五大国有银行对全行业具有资金缺口传染性；3）SRISK指标对宏观经济指标，如生产者价格指数、零售物价指数具有短期预测性，可提前2~3个月反映居民消费价格指数变动趋势.本研究具有重要的应用价值，一方面可将SRISK指标纳入风险测度体系，加强对银行业的审慎监管；另一方面可利用SRISK指标在银行-行业上的敏感性，对不同银行实行差异化管理.

社会经济领域是数据科学应用的主要场合之一，如何把握该领域中数据科学的学科格局及其重心，是制定和实施学科发展战略的一个基本问题.本文从我国经济统计的切实需要出发，结合《HMYW 2019统计学报告》中的重要观点，讨论了数据科学在社会经济领域应用的学科格局.本文提出"数据整理方法"、"模糊不确定现象"和"问题导向"是大数据时代数据科学在社会经济中应用时应该把握的三个重心，并分析了各自的重要性和关键点.最后，本文对数据科学未来的发展重心和战略调整进行了探讨.

本文首先介绍了表示学习的数学原理, 分布式的表示使得语言的表达更加丰富和有效, 特别是针对巨量的文本大数据, 以著名的预训练BERT模型为例, 它的12组高维(768维)实数表示向量表达了文本中的语法和语义信息, 也可以通过一个解码器将向量中隐含表达的信息重构出来.本文的主要贡献是两个方面, 第一方面是使用统计方法评估BERT模型的表示能力; 第二方面是利用BERT模型来处理中文句子分词的歧义模糊困难问题.在第一方面: 我们的发现: 一是BERT模型的表示能力的确很充足, 即使是针对数十万的文本数据, 也可以获得较好的向量表示效果, 这说明了BERT模型已经预留了充足的表示向量空间来包含各种复杂的语言结构, 我们发现BERT模型的不同层深度的表示向量表示了语言知识的不同层次信息, 其中第1层表示了单字和单词的信息, 而深度越深, 表示向量则越接近表示文本的整体语言知识(从中文的词组, 再到句子段落, 直到文档以及文档之间的主题语言信息); 二是发现语义相近的句子在BERT向量空间也是处于相近的空间领域, 这说明整个BERT向量表示空间是自适应地将相似的语言组织安排在相近的子空间中.在第二方面, 我们巧妙地利用了这个BERT模型的MASK机制, 该机制允许模型的输入句子中将部分的词随意隐藏掉, 但模型依然能够自适应地预测被隐藏部分的表示向量, 通过比较正确分词以及错误分词masked后的句子表示向量, 我们能够正确地识别出来哪一种分词方法是正确的, 平均准确率达到66.875%.

CPI和工业增加值是国民经济核算的重要基础性指标，对宏观经济形势的分析具有重要的现实意义.本文基于更能够刻画中国经济特征事实的因子模型对中国的CPI及工业增加值进行了样本外预测，并且与传统的预测模型进行比较和相应分析.实证结果支持因子模型比传统方法具有更好的预测能力.

股指价格变动反映了权益类市场的走势情况，是重要的金融行情指标之一，一直备受学术界与业界的关注.基于2006年1月至2019年3月的沪深300指数数据，通过构建混合信息提取器的长短期记忆神经网络模型（H-LSTM），对股票指数价格进行预测.结果表明：采用分批预测、逐点后推、控制涨跌幅度策略以及增加网络输入变量数量、减少预测的时间宽口，可以显著提升LSTM对价格预测的精准度；基于混合信息提取器方法对沪深300指数价格的运行特征提取效果要优于主成分分析、稀疏自编码和t-SNE等方法.

未被满足的情感需求是导致中老年人决策偏差和经济损失的关键因素.利用2015年中国健康与养老追踪调查（CHARLS）的追踪数据，本文研究了幸福感对中老年人受骗风险的影响.结果表明，中老年人幸福感与受骗风险存在明显的负相关关系.进一步考虑内生性等问题之后，发现基本结果仍然成立.此外，论文支持幸福感或通过增强中老年人自我控制而降低其受骗风险的假设.在中老年人诈骗事件频发的背景下，本文的研究结论有助于社会各界深入认识心理健康对中老年人经济决策的重要性，也为监管部门构建诈骗风险防范体系提供了政策依据.

波谲云诡的国际形势及多变的全球市场环境, 伴随着一系列的"黑天鹅"、"灰犀牛"突发事件. 重大突发事件的冲击效应测算及价格拐点预测一直是学术界特别关心的热点和难点问题之一. 本文提出了一个新的研究框架GSI-BN来分析重大突发事件对原油市场的冲击效应并预测不同事件发生时油价的走势. 首先, 基于谷歌搜索指数(Google Search Index, GSI) 构建突发事件网络舆情关注度指标, 确定不同种类的突发事件的时间窗. 其次, 引入贝叶斯网络(Bayesian Network, BN), 将突发事件简化到拓扑网络图上, 细分突发事件并挖掘事件及其背后的条件概率, 分析突发事件影响机制并预测其发生概率; 最后, 基于情景预判分析预测不同情景下突发事件所导致的油价走势. 实证结果表明: 当供给和需求的月均增速都较高时, 供需仍处于均衡状态, 油价在低价格区间的概率最大; 当供给冲击较大, 需求处于正常水平增速时, 油价处于中低价格区间的概率最大; 需求侧方面, 当金融危机发生时, 原油消费量的次月增速绝对值在中速增长区间的概率最大; 供给侧方面, 两种或三种突发事件同时发生都是小概率事件. 此外, 随着OPEC致力于减产, 全球石油需求走高. 飓风对价格的影响相较于往年逐渐变小. 金融危机对原油市场的影响是全面的, 只有部分影响会通过需求冲击传导到价格. 战争和OPEC会议都是短暂的供给冲击, 更多的是反映了市场的预期, 传导到价格时, 不会产生较大的价差. 本文为研究突发事件对原油市场的冲击效应及油价拐点提供了一个新的视角和方法.

股票价格预测一直是学术界和投资者关注的一个重要问题，但由于股票价格走势非常复杂，同时取决于宏观经济环境、个股基本面和投资者情绪等诸多因素，寻找一个合适的模型来准确预测股票价格极具挑战性.传统时间序列预测模型往往基于日度、周度或月度历史数据对股价走势进行预测，但是预测效果一般.近年来，随着金融市场的飞速发展，借助现代信息收集技术，我们可以收集到时间间隔很小的高频交易数据，而高频数据包含大量低频交易数据之外的信息，因此有可能改善股价预测.本文基于非参数函数型数据分析方法从高频交易数据中提取预测因子，并与传统时间序列预测模型构成混合预测模型来对股价走势进行预测.我们的模型对高频预测因子的构造不作任何参数形式的设定，从而具有很高的灵活性.实证研究方面，我们将模型用于预测沪深300指数，分析结果表明，基于高频数据的新预测模型较之传统时间序列模型在预测表现上有显著改善，说明高频交易数据的确有助于改善短期股价预测.

随着全球对碳排放问题的日益关注, 碳市场价格变得越来越重要. 准确可靠的碳市场价格预测不仅可以为政府宏观调控实现"双碳"目标提供更好的参考, 还可以帮助企业更有效地管理碳排放带来的风险. 本文针对碳市场价格预测, 利用经验模态分解(EMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM), 提出不同的EMD-CNN-LSTM组合模型, 并探讨了CNN-LSTM组合策略, 将其分为串行策略和并行策略. 本文使用广东、上海、湖北、重庆碳交易所价格数据, 系统地对比了EMD-CNN-LSTM组合策略和单一预测模型、组合预测模型的预测效果, 验证了EMD-CNN-LSTM四种组合模型预测的精准性和稳健性, 并论证了并行策略预测对于碳市场价格序列普适性更佳.

随着信息技术的发展, 社交媒体逐步成为人们获取信息、分享观点、宣泄情绪的重要渠道, 其交互性和平等性也对资本市场中的信息传播以及情绪传染产生了深远的影响, 并催生了一系列关于社交媒体与资本市场的研究.这些研究大多肯定了社交媒体内容的信息含量, 并证明了其对投资者、上市公司、其他信息中介行为的影响.本文利用文献计量的方法, 对这一主题下的文献进行了整理和分析, 发现: 1) 该领域正处于蓬勃发展的阶段, 发文量整体呈现逐年递增的趋势; 2)刊载该领域文献的期刊的核心效应尚未完全显现; 3)该领域的科研队伍初步形成; 4)该领域的研究分支主要分成社交媒体与股票交易、社交媒体与公司治理两个部分.据此, 本文总结了研究中需要关注的问题以及可能的研究方向, 以期为有意从事相关领域研究的学者提供有价值的参考.

本文梳理了现代金融学研究的发展，汇总整理了1950年以来金融学在资产定价、公司金融与金融市场与经济成长关系等的理论和方法的演变，再进一步分析金融学研究的发展趋势和面临的挑战。在此基础上列出金融学发展的前沿问题，包含针对金融危机与数字货币的新货币理论、可持续金融、金融安全与气候金融等，并将防范系统性风险、拓展货币理论和普惠金融等议题列为中国金融学的机遇.

宏观审慎政策的目标是维护金融稳定, 本文首次提出利用计量方法在Rubin因果效应框架下对现代宏观经济政策评估进行模型量化评估了中国2007--2020年宏观审慎政策对金融稳定的影响效应.首先, 本文构建了能反映中国宏观审慎政策实施强度的宏观审慎政策指数; 其次, 采用Brownlees and Engle (2017)提出的系统性风险指数SRISK测度了中国的系统性金融风险; 最后, 评估了宏观审慎政策对系统性金融风险、系统性金融风险跨部门传染以及信贷传导渠道中重要中间变量的影响效应.研究发现, 宽松性宏观审慎政策会加大信贷渠道中间变量的风险, 这些风险主要传导至房地产部门, 导致房地产部门SRISK显著提升, 而对金融部门系统性风险的累积影响并不显著, 风险也没外溢至制造业部门.紧缩性宏观审慎政策除了会显著提高商业银行资本充足率同比增速外, 对信贷渠道其他中间变量基本无显著影响, 进而对金融部门、房地产部门及制造业部门的SRISK也无明显趋势性影响. 基于以上结论, 本文建议应进一步深化系统性金融风险测度指标的研究, 为宏观审慎政策的制定与实施提供更全面、更系统的靶向目标; 其次, 需充分考虑监管套利的影响, 疏通宏观审慎政策传导渠道, 健全传导机制, 提高调控效率; 最后, 应重视系统性风险的跨部门传染, 从更广泛的角度关注金融稳定, 以避免跨机构、跨部门间的风险传染对金融稳定造成不利影响, 进而更好地防范系统性金融风险.

央行沟通是受到市场广泛关注的重要叙事文本，如何从高维文本中有效提取关键信息是有待深入研究的科学问题.本文将Ke et al. (2019)提出的基于文本筛选和主题建模情感提取模型运用到央行沟通测度中，具有简单透明、可复制性强的优势.结合中文文本特征和中国货币政策多工具的框架，选取多个货币政策实际干预的变动值作为监督变量进而构建央行沟通指数，并基于广义货币政策规则对未来货币政策实际干预进行预测.研究结果表明，央行沟通文本信息有助于提供额外预测能力，并且与现有文献基于关键措辞、监督词典和LDA主题模型等文本分析方法构建的指数相比，本文构建的指数对未来货币政策实际干预的预测能力更好，尤其是长期预测表现更为优越.本文从预测角度验证了央行沟通引导政策预期的有效性，提供了根据不同预测指标提取文本大数据信息的可行方案.

本文提出一个新的能够体现政策效应异质性的参数：政策受益比例.该参数反映了通过参与某个社会项目，获益个体占受众人群的比例，可用于度量该政策惠民的普遍性.本文在一般的潜变量因果分析框架下，研究了政策受益比例的非参数识别问题，并提出一种可行的估计方法.通过数值模拟，本文发现所提出估计量具有良好的小样本性质.我们将这一方法用于估计新农保政策对农村居民劳动供给、家庭收入和家庭消费的作用，发现新农保政策效果具有明显的异质性.新农保对高劳动供给、高家庭收入和高家庭消费个体的促进作用更加大，而对低劳动供给、低家庭收入和低家庭消费个体的促进作用较弱.这说明为全面准确地评估一项民生政策，须关注该政策的异质性作用.

以ChatGPT为代表的大模型是通用生成式人工智能技术的一大突破, 不但对人类生产方式、生活方式与思维方式产生深刻影响, 也正在推动经济学研究范式的变革. 大模型是大数据与人工智能催生的一种新的系统分析方法, 适合于研究复杂人类经济社会系统. 本文首先讨论ChatGPT与大模型的主要特征以及发展范式, 特别是大模型如何破解“维数灾难”的方法论原理, 然后详细探讨ChatGPT与大模型将如何影响经济学研究范式, 包括从理性经济人假设到“人机结合”的人工智能经济人, 从孤立经济人假设到其行为可测度的社会经济人, 从宏观经济学和微观经济学的分离到两者的融合, 从定性分析和定量分析的对立到两者的统一, 从长期流行的经济学研究“小模型”范式到“大模型”范式, 以及计算机算法作为经济学日益重要的研究范式与研究方法等. 最后, 指出包括大模型在内的人工智能技术作为经济学乃至社会科学的研究方法的局限性.

短期负荷精准预测, 是保证新型电力系统安全稳定运行的关键技术之一. 然而, 居民负荷预测面临着用户量巨大、负荷高异质性、高波动性和高随机性的难点, 随着用户类型和数据的增加, 会导致模型复杂度大幅上升, 难以满足新型电力系统中负荷预测的要求. 为此, 本文构建了基于预测导向自编码器的结构化长短时神经网络模型, 通过单一模型实现对所有类型用户短期负荷的精准预测. 与同类模型相比, 本文提出的13种组合模型预测精度提高7.16%~11.59%, 同时对非电力领域的高异质性主体复杂高频时间序列的统一预测也有一定的借鉴意义.

动态双重空间自回归模型是空间计量分析中的主要模型之一，并因其一般性在实证研究中得到了广泛的应用.本文为这一模型的计量分析提供了一种新的工具——脉冲响应分析.新的分析工具刻画了被解释变量，在解释变量发生一单位改变时，因为误差项和自变量的空间结构所导致的平均变化.遵循参考LeSage and Pace（2009）的处理思路，本文将效应细分为直接效应、间接效应和总效应，并定义了各个效应的动态变化值以及在时间上的累积值.本文为这些理论值提供了估计方法和推断理论.计算机的模拟试验证实了理论结果，并显示出良好的有限样本性质.我们将新的分析工具应用于中国省际区域经济发展的研究中，并重点考察了人力资本对人均GDP的影响.我们发现人力资本的间接效应脉冲响应函数短期内为正、长期为负，这意味着区域经济体之间，短期是共赢关系、长期是竞争关系.根据这一结论，本文提出了相关的政策建议.

本文研究了货币政策和财政政策冲击对中国固定资产投资和社会消费品零售总额的动态效应.其主要结论如下：1）线性脉冲响应结果表明，只有贷款利率冲击对固定资产投资有短期显著地负向影响，而货币供给政策冲击和财政支出政策冲击对国内投资和消费的影响均不显著；2）状态依赖的脉冲响应表明，贷款利率在扩张时期对固定资产投资和社会消费品零售总额有短期显著的负向作用，但在衰退时期没有显著的影响；3）无论是在扩张时期还是在衰退时期，货币供给和政府支出政策对实际投资和消费均没有显著的影响.基于这些研究结论，我们建议不应在衰退时期实施大规模的政策刺激计划.

改革开放以来，中国M2/GDP长期上升却没有持续出现严重的通货膨胀、货币流通速度长期下降现象，被称为“中国货币之谜”.2008年— 2019年间，此现象更加显著.为了解释这一现象，本文根据中国的经济特征和30多种实际数据，拓展文献中研究房地产投资的模型结构，建立和校准了一个一般均衡模型.校准后的模型解释了12年间M2/GDP上升的42.27%和货币流通速度下降的49.70%.“反事实”分析表明，如果根据“十四五”规划，实现货币供应量基本匹配名义GDP增速，可以破解“中国货币之谜”，并有助于经济高质量发展.本文的主要贡献是提供了一个分析框架，可以量化房地产投资、地方政府债务等因素对M2/GDP上升和货币流通速度下降的影响.

磁吸效应是市场接近涨跌停板或者熔断阈值时市场价格加速向阈值运动的现象.从反事实模拟思想出发，本文提出类直接比较法，从概率的视角检验中国股票市场中涨跌停板前磁吸效应的特征.即通过类直接比较法生成反事实模拟，构建没有涨跌停限制假设之下股票价格运动的条件概率分布，以此与实际条件概率比较来考察磁吸效应.研究发现，中国股票市场涨跌停板前存在磁吸效应，并且跌停前更强；估值难度、交易活跃程度越高的股票，其磁吸效应越强；相比于开盘股价即接近涨跌停板价的情况，盘中股价接近涨跌停板价的情况下磁吸效应更强.本文还发现磁吸效应的一个可能原因是机构投资者的流动性需求.

选取我国86家上市金融机构的股价收益率数据，利用CoVaR、截面VaR、吸收比率、格兰杰因果指数、信息溢出指数等5个指标来衡量系统性金融风险，详细考察了5个指标间的领先滞后关系及其对宏观经济的预测能力，结果发现：CoVaR、吸收比率、格兰杰因果指数和信息溢出指数对宏观经济均有一定的提前预测能力，但截面VaR却没有预测能力；格兰杰因果指数相对其他指标具有一定的领先性，吸收比率和溢出指数则相对滞后；综合而言，格兰杰因果指数是一个较好的系统金融风险测度，并具有稳健的经济预测能力.

准确预测原油价格对于政府制定政策和市场参与者做出投资决策都至关重要.本文基于变分模态分解（VMD）和集成经验模态分解（EEMD）相融合的二次分解技术，结合差分进化（DE）算法优化后的极限学习机（ELM），提出对原油价格的VMD-RES.-EEMD-DE-ELM混合多步预测模型.为了验证模型的有效性，本文使用布伦特（Brent）和西德克萨斯（WTI）原油的样本数据验证了所提模型的性能.实证结果表明，与其他的基准模型相比，本文所提出的混合模型有效且稳健.

本文从传导机制角度对A股市场特质波动和收益率之间的关系进行了研究，结果发现A股市场存在典型的“特质波动之谜”，但是与发达国家不同，我国股市“特质波动之谜”的主要成因并非价值回归而是短期投机和价值回归的轮动；由散户交易推动的短期投机对未来收益具有显著的正向影响，只有当特质波动出现变小趋势时，短期投机的影响才会减弱使价值回归的影响表现出来，特质波动的跨期变化趋势是判断轮动状态转换的重要信号.

数字经济增加值是反映数字经济发展规模及其对整体经济贡献程度的重要统计指标.当前, 国际上关于数字经济的概念、范围和增加值测算方法, 还处于探索过程中, 尚未达成统一的意见和一致的方法, 从而不同的机构和学者测算的数字经济增加值结果差异较大.本文系统梳理了窄口径和宽口径的数字经济概念和范围界定, 详细归纳了GDP核算中的生产法、基于增长核算框架的方法和计量经济学方法三种数字经济增加值测算方法, 对比了目前国际上具有较大影响力的中国和美国数字经济增加值测算结果.在此基础上, 总结数字经济增加值测算面临的挑战, 并提出相应的对策建议, 尝试为完善数字经济增加值测算方法, 提高测算结果的可比性, 为我国制定数字经济政策和促进数字经济高质量发展提供参考.

经济、金融、气候科学及其相关领域存在大量非平稳时间序列.为了促进这些学科的理论研究，非平稳时间序列的极限理论在近二十年左右得到了密切的关注和长足的发展；另外，传统的级数估计方法往往要求变量的取值范围为有界紧区间，在一定情况下，特别是在所研究的问题里出现非平稳时间序列的情况下，制约了这种非参数方法的发展和应用.本文总结了近年来作者及其合作者们为了突破传统筛分法的瓶颈而使用正交级数方法所做的一些理论成果和实证应用，尤其是在非参数非平稳时间序列的研究上，为正交级数估计方法在经济、金融、气候科学和相关领域的应用奠定了基础.

自从OpenAI在2022年11月推出其生成式人工智能(AIGC, artificial intelligence generative content, 也有人使用generative AI)产品——ChatGPT后, 整个世界都为之颠覆.生成式人工智能主要有两个主流: 大型语言模型(LLM, large language model)和扩散模型(diffusion model), 新的应用和研究每天都在加速发表.在本文中, 我们首先对大型语言模型表现出来的智能水平提出了一个严肃的问题: 它是否真的拥有像普通人的智能能力一样的通用人工智能(AGI, artificial general intelligence)能力?在本文中, 我首先提出了一个重要的假说: 作为一个封闭的系统, 通过一个大型的语言模型被设计成表示和存储人类的巨大知识和智能的能力和行为, 并配备了最高的价值标准, 即模型必须符合人类的价值, 但大型语言模型内部结构和性质并没有显示其拥有通用人工智能能力.然而, 作为一个开放的系统, 一旦我们输入一些隐含人类知识和智能的格式化文本, 我们就会突然发现, 大型语言模型的输出显示出某些人类智能和行为的特征.其中格式化的输入文本被称为提示(prompt), 提示的智能程度越高, 模型的智能输出就越好.换句话说, 大型语言模型拥有某种以prompt提示为条件的通用人工智能AGI能力.经济学研究和其他社会科学研究如政治、历史、语言学等包括了最复杂的社会形态和人类最深刻的思想, 因此本文试图通过总结其他研究者最新的研究成果来探讨大语言模型的通用人工智能是事实还是错觉?以及大语言模型其他经济功能和效用, 对于这个模型的类通用人工智能的能力, 我们总结这些研究学者的最新研究成果, 包括大语言模型的智商水平, 生成式人工智能的产业经济学, 生成式人工智能下的计算社会科学研究, 大语言模型的商业决策制定, 经济学和其他社会科学, 以及虛拟生成式人工智能经济学家的范式研究等问题.

国内生产总值（GDP）实际增速是衡量国家经济运行状况的重要指标，但该指标以季度频率发布，相比于经济分析需求来说显得较为滞后.本文运用混频动态因子模型（MF-DFM）方法，基于大规模的月度经济数据对季度GDP实际增速进行短期实时预测，以提高经济分析的及时性.为有效提升大规模数据的利用效率，避免因子模型中指标选择的主观性，本文提出大规模数据下MF-DFM的指标选择方法，即将二元动态单因子模型的均方预测误差作为指标选取依据，能有效兼顾季月混频数据、缺失值以及“碎尾”数据等特征.实证结果表明，相比于传统的时间序列预测模型和常用的混频模型，基于二元模型指标筛选的MF-DFM在疫情前的经济平稳时期和疫情后的经济恢复时期对中国季度GDP增速均有较高的预测精度.同时，该方法对中国月度GDP实际增速的预测值与宏观经济一致指数有较高的同步性，可用于提升经济运行状况监测的时效性.本文为大规模数据条件下的经济实时监测预测预警提供了基于指标选择的新思路.

由于价格非平稳、噪声大等特点，金融市场高频价格的预测难度大是有目共睹的.与其他预测方法不同，基于混合神经网络模型的预测方法不是仅对下个价格进行预测，而是把未来一段时间的价格预测变成对未来趋势以及持续时间的预测，也就是说，把多点预测变成两个变量的预测，这样的预测方法预测效率更高.本文基于混合神经网络模型对沪深300股指期货平滑价格数据进行价格预测.首先，基于沪深300股指期货的5分钟时间序列数据，本文使用混合神经网络模型进行趋势预测，并与LSTM和CNN模型对比，发现混合神经网络模型的预测性能更优.然后使用混合神经网络滚动预测，设计了投资策略：如果预测的趋势是上涨则在未来持续的时间段内做多，否则就做空.本文对2016年、2017年和2018年的价格数据进行回测，并把投资策略的表现与买入并持有策略进行对比，结果表明扣除费用后基于混合神经网络策略更优.最后，我们进行了稳定性检验，从实战角度检验了模型的可用性.