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.

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.

股票市场波动率的准确预测对于投资者预判股市走势、优化资产配置和规避风险以及监管机构预警风险和稳定市场秩序等都具有重要的理论和现实意义.本文在基于高频数据的HAR模型基础上, 融合机器学习中的Lasso和随机森林方法进行模型特征选择, 采用神经网络方法刻画变量间的非线性特征, 构建了几类崭新的已实现波动率模型, 并实证评价和比较各类模型对股票市场已实现波动率的预测性能.实证结果表明: 跳跃成分的引入可以提高股票市场已实现波动率的样本外预测精度; 基于Lasso和随机森林进行特征选择的HAR扩展模型的样本外预测性能明显优于传统的HAR模型和GARCH类模型; 采用神经网络方法刻画波动率的非线性特征能进一步提高模型的样本外预测精度; 在所有考察的预测模型中, Lasso-NN-J模型的样本内和样本外预测性能最佳, 并且在不同的预测滚动窗口宽度、不同的个股高频数据以及随机抽样模拟检验下, 该模型的样本外预测性能相当稳健.

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.

共同富裕是社会主义的本质要求, 是中国式现代化的重要特征.研究基于收入不平等视角, 以中国家庭金融调查(China household finance survey, 简称CHFS)数据考察了数字经济对共同富裕的影响机制与影响效应.实证结果表明: 1)数字经济能够显著地缓解居民收入不平等, 通过内生性处理与相关稳健性检验后该结论仍然成立; 2)机制分析表明, 数字经济通过缓解家庭流动性约束、提升居民创业活跃度以及扩大居民社会网络等渠道从而有效降低居民收入不平等; 3)异质性部分显示, 数字经济对居民收入差距的降低效果在中西部省份、农村和数字经济发展程度较低的区域中更加显著, 尤其在受教育程度较低、金融素养较低和数字鸿沟较高的居民家庭中更为显著, 这体现了数字经济的普惠性.扩展讨论结论表明, 数字经济分指数均能显著缩小居民收入差距, 其中数字化效率提升分指数形成的数字红利对居民收入差距的增益效果更大.因此, 本研究为推动我国数字经济发展及促进共同富裕提供了理论支撑和经验证据.

当前，另类数据的应用为金融投资领域的学者和从业者提供了新的视角.本文构建了基于因子增广回归与深度神经网络的预测模型，实现了从财经类短视频和财经新闻等另类数据学习交易信号，并构建了中国股票市场投资交易策略.首先，将抓取的财经新闻匹配相应股票代码，并分解为文本数据和图像数据.其次，将文本数据输入文本数据学习框架，求解因子回归方程计算新闻文本得分情况；图像数据输入基于迁移学习搭建的图像识别深度神经网络模型，计算图像情绪指数和图像得分.对于抓取的财经类短视频，包含两步，第一步剥离音频数据转换为文本数据，利用训练好的文本数据学习框架计算短视频文本得分；第二步提取视频的关键帧，利用训练好的图像模型计算视频图像得分；文本得分与图像得分求和得到短视频数据得分.最后将财经类短视频得分、新闻报道的文本得分和图像得分求和得到股票投资信号，并将之作为构建投资组合的依据，制定合适的投资策略.研究结果表明，财经类短视频和财经新闻数据中包含了与股价相关的信息，能够有效预测市场变化，并为投资者带来超额收益.实证研究证实，另类数据在中国市场中具有重要影响力.通过对另类数据进行综合分析，本文为投资者提供了一个全面且有效的交易信号提取方法，有助于优化投资策略并实现更高的实际收益.

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.

本文首先提出采用网络爬虫文本挖掘技术, 结合新闻报道及学术研究信息数据(新华网和谷歌学术搜索网)两个数据来源, 根据预测最小偏差采用动态权重方法构建我国2002年1月至2021年12月的中国经济政策不确定指数, 研究其统计性质, 并且采用混频VAR模型融合该指数对我国11个主要宏观变量进行了预测, 实证研究发现: 1)本文构建EPU指数与现实经济政策及内外经济环境不确定一致性较高, 我国经济政策不确定指数具有时间序列长记忆特征, 对未来经济波动具有持续影响效应; 2)本文构建EPU指数对我国11个主要宏观经济变量预测优于不包含EPU指数及基于报纸信息编制的EPU指数; 3)根据混频VAR模型预测, 经济政策不确定对我国主要宏观经济波动存在负向显著效应, 我国2022年GDP增长率预测区间波动幅度为2%, 城镇登记失业率呈现波动幅度越来越大的趋势.本文采用大数据网络爬虫文本挖掘技术构建动态经济政策不确定动态指数, 避免了信息量过少导致的采样误差及媒体报道的主观偏差性, 多来源大数据文本挖掘动态权重技术可为我国货币政策不确定指数、财政政策不确定指数等其它不确定指数构建提供可行策略.

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.

数据要素作为新型生产要素, 在数字经济发展中起着基础性、关键性作用.本文基于356份问卷调查所得的数据, 从物理-事理-人理角度探究了数据要素市场的影响因素.首先, 通过理论分析和文献梳理, 基于WSR系统方法论, 将影响数据要素市场建设的42个因子分为物理维、事理维和人理维; 其次, 基于物理、事理、人理分别进行主成分分析, 从中提取影响三个维度的重要因素; 最后, 根据所提取的重要因素, 通过验证性因子分析, 构建数据要素市场影响因素模型.实证研究表明, 数据要素的供给是关键, 数字技术的突破是基础, 数据价值的测度是前提, 数据收入的分配是动力, 数据安全的保护是底线, 专业人才的培养是重点.最后, 提出了突破关键数字技术、加强市场制度设计、制定数据产权法、加快专业人才队伍建设等政策建议.

大宗商品是工业生产和金融投资中不可或缺的组成部分, 准确的大宗商品价格预测对保障工业生产顺利进行和帮助投资者规避风险具有重要意义.但现有的大宗商品价格预测模型大多是基于收盘价构建的点值模型, 忽略了价格的波动信息.因此, 本文从区间价格预测的角度出发, 提出了一个带有外生变量的门限自回归条件异方差区间模型(HTARIX), 构建了一个基于区间型数据的检验统计量来检验模型是否存在条件异方差, 进而提出了广义最小$D_K$距离估计求解模型参数, 并将其应用于大宗商品市场.HTARIX模型的优势在于能够捕捉区间型时间序列模型的条件异方差和非线性特征.相比于传统的点值数据模型, 我们的方法能够更加充分地利用区间的内部信息.实证结果表明, 本文提出的模型在大宗商品区间价格预测上的表现优于其他对比模型.

现有研究发现引入LDA（latent Dirichlet allocation）主题模型能够提高对公司财务违规的预测效果.为了进一步探讨主体模型中主题因子预测能力的来源，本文以2008—2019年我国3，397家A股上市公司18，220份年度报告为样本，在以往LDA的基础上加入公司、经理、宏观基本面变量作为主题选择变量，加入违规标签作为情景变量，对年报信息质量进行分析并提取高质量和低质量主题因子.本文基于半监督思想的结构化主题模型（structural topic model）的实证结果表明，基于STM的财务违规预测模型优于基于LDA、词频和财务指标的财务违规预测模型，其错误分类成本降低13%以上.进一步研究发现主题因子的预测能力更多地来源于公司规模、年龄、杠杆、固定资产占比等公司特征，而非反映经理特征的有关变量.本文的预测模型不仅能够预测重大违规事件，也能在精确度较高的前提下给出覆盖率较高的违规公司或安全投资标的.本文的研究在实践上对监管机构监测违规公司和投资者构建安全投资标的池具有重要参考价值.

本文构建了一个能够充分捕获高频数据信息、当前收益率信息以及波动率长记忆性的实时已实现EGARCH-MIDAS (RT-REGARCH-MIDAS) 模型对中国股市波动率进行建模和预测. 采用上证综合指数(SSEC) 和深证成份指数(SZSEC) 5分钟高频数据进行实证研究, 结果表明: RT-REGARCH-MIDAS模型相比其它众多竞争模型具有更好的收益率数据拟合效果, 能够更好地描述股市波动性. 利用稳健的损失函数以及模型置信集(MCS) 检验作为判断准则, 实证比较了该模型与其它竞争模型对中国股市波动率的样本外预测能力. 实证结果表明: 捕获高频数据信息、当前收益率信息和波动率长记忆性对于股市波动率预测具有重要作用; 在众多竞争模型中, RT-REGARCH-MIDAS模型具有最为优越的波动率预测能力. 进一步, 采用不同的已实现测度、不同的预测窗口、不同的MIDAS滞后阶数、不同的预测期以及样本外R²检验进行稳健性检验, 证实了该模型优越的波动率预测能力具有稳健性. 最后, 通过考察模型波动择时策略发现, 该模型能够获得相比其它模型显著更高的投资组合经济价值.

随着全球贸易的发展，世界各国间的隐含碳排放转移规模不断扩大，深入了解中国在全球贸易中的隐含碳排放情况有利于中国争取更多的碳排放权并实现公平性发展.通过构建二氧化碳排放清单和多区域投入产出表，本研究定量估计全球140个国家和地区在2004年、2007年、2011年和2014年全球贸易中的隐含碳排放，并从具体行业层面进行了分析.研究发现，2004—2014年各国间的碳排放交换关系进一步加强，隐含碳排放规模同样不断扩大.2014年全球贸易二氧化碳转移量高达53亿吨左右，约占全球总排放量的四分之一.中国成为世界隐含碳排放出口的中心，承担了全球五分之一以上的贸易碳转移，而美国则成为进口中心.中国净出口隐含碳从2004年的956百万吨增加到2014年的1201百万吨，成为愈发典型的隐含碳净出口国，中国出口结构主要集中于能源密集型和碳密集型的制造业，而进口结构涉及采矿业、普通制造业、交通运输业等多个部门.为减少隐含碳排放，中国应积极主张基于生产侧与消费侧共同承担碳排放责任的核算机制，以确保中国获得公平合理的排放额度和排放权，整顿高污染行业，优化进出口贸易结构，加速低碳转型的力度，提高能源利用效率.

上市公司的业绩说明会能够实现管理层与投资者之间的实时互动, 其管理层语调更可能“真情实感”地反映企业的真实信息, 从而有助于提高股票市场的定价效率. 本文基于2008–2020年中国A股上市公司业绩说明会的文本分析, 研究了业绩说明会语调中, 由管理层自主把控、战略决策的异常语调对股票价格延迟的影响. 研究发现, 业绩说明会管理层异常语调与上市公司股票价格延迟显著负相关. 机制分析发现, 一方面, 业绩说明会管理层异常语调能够显著预测公司未来业绩, 说明其通过具有信息增量的信号传递机制影响了股价延迟; 另一方面, 异常语调还与公司信息透明度和媒体关注度均显著正相关, 说明其通过改善公司内外部治理环境的公司治理机制影响了股价延迟. 此外, 在盈余管理水平较高、分析师跟踪较少、被研报关注度较低和民营性质的公司子样本中, 异常语调与股票价格延迟的负相关关系更加显著. 上述结果表明, 业绩说明会的管理层异常语调具有量化业绩信息以外的增量信息, 能够提高新信息被吸收、融入进股票价格的速度, 缓解股票价格延迟. 这些研究发现对提升股票市场定价效率、缓解市场信息不对称和促进我国上市公司高质量的信息披露具有重要启示.

本文提出了降维数据预测方法和组合预测相结合的一种新方法, 旨在通过模型组合避免选择降维数据预测方法造成的不确定性和降维过程中信息损失.以122个宏观经济因子和14个技术指标因子预测SP500股指超额收益为实证对象, 利用单变量预测、单变量预测组合、降维数据预测和降维数据预测组合等进行预测评估.研究发现: 第一, 样本外拟合优度(R_OoS²)表明降维数据预测组合优于三种降维预测方法, 落后于单变量VOL(1, 9)和单变量预测组合.确定性等价收益(CER)显示降维数据预测组合优于单变量组合预测, 落后于单变量VOL(1, 9)预测和主成分分析预测.两方面综合结果说明降维数据预测组合均衡兼顾了统计上的预测精度和经济上的收益.第二, 不同经济周期和不同风险厌恶系数的结果表明降维数据预测组合方法是均衡稳健的.最后, 针对组合预测包含的信息提出一个简单的计量检验方法, 检验结果表明组合预测能够利用降维数据预测最优的模型的信息, 避免单一模型造成的信息损失.

企业创新研发活动对促进经济社会的绿色可持续发展具有重要意义.绿色信贷政策如何影响信贷资金于高碳行业内部在研发强度不同企业之间的配置尚不明朗.本研究使用2007年—2019年共620家高碳排上市公司数据，使用T检验、混合截面回归模型、双重差分模型等方法，研究了绿色信贷政策如何对研发强度不同的高碳企业的信贷融资产生差异化影响.研究发现，从信贷数量视角来看，2012年颁布的《绿色信贷指引》显著导致在高碳行业内部信贷资金更多地被配置给了研发意愿高、研发投入大的企业.尽管绿色信贷政策导致高碳行业整体的信贷规模下降，但研发投入较高的企业所受影响相对较小.从信贷价格视角看，随着金融市场的发展，相比于研发投入低的高碳企业，高研发投入的高碳企业所受的信贷优惠逐渐加大，但尚没有充足的证据说明在该过程中《绿色信贷指引》产生了显著影响.

本文使用中国A股的日内高频交易数据, 采用集成神经网络算法实现了针对知情交易行为的精准识别并证实A股市场中存在与股票知情交易程度相关的定价异象.研究发现: 知情交易者的交易手法主要包括首尾盘操纵和策略化下单, 具体表现为首尾盘时段内量价指标的异常变化和日内买卖价差、订单簿深度的短期突变, 上述特征均可被本文建立的模型所捕捉.进一步研究发现, 由于信息不对称所导致的流动性风险使得具有高知情交易倾向的股票需提供额外的风险补偿以吸引普通投资者的进入, 基于本文计算的知情交易指数所构建的多空组合每月可获得1.38%的等权收益率.此外在市值规模较大、流动性较高、机构投资者和大股东持股比例较高的股票中组合收益更加显著.本文的研究对于完善金融市场监管、提升资本市场定价效率具有一定的启示意义.

如何提取期权隐含信息并研究其对标的股票收益的影响一直是学界和业界关心的问题之一. 现有研究主要依赖某个单一维度: 在值程度(Moneyness)或者期限结构(Maturity), 来提取期权隐含信息, 如隐含波动率、隐含偏度或者隐含尾部风险等. 如何在两个维度上同时提取隐含信息, 并且如何从众多信息中提取共同信息因子是本文的研究重点. 为解决上述问题, 本文使用了主成分分析结合机器学习的方法, 从期权波动率曲面中提取隐含信息, 并检验其对标的股票收益率的可预测性. 区别于传统方法, PCA-LASSO可以捕捉期权隐含信息的时变性, 同时提炼出不同类型信息的共同驱动因子, 因此对股票收益率具有更好的预测能力.

本文从环境规制软约束的视角研究环境规制对经济可持续发展的影响.我们构建了一个以绿色创新投资门槛效应为基础的理论模型, 首次将环境规制软约束引入波特假说的理论框架中, 分析环境规制和环境规制软约束如何影响企业的创新和竞争力.利用2007-2014年中国工业SO₂排污费征收标准调整这一准自然实验, 本文综合利用中国工业企业数据库、中国上市公司数据和国家重点监控企业排污费数据, 基于双重差分和三重差分模型, 研究环境规制和环境规制软约束对企业竞争力的影响.研究结果显示, 在经济转型时期的中国, 环境保护和企业竞争力存在实现双赢的可能.面对相同的环境规制政策, 波特假说是否可以实现受到环境规制软约束的影响.当企业面临环境规制软约束问题时, 企业竞争力显著下降.通过进一步分析, 本文发现环境规制软约束问题抑制了环境规制的创新激励.由于环境规制带来成本的增加, 最终导致企业竞争力的下降.当较少存在环境规制软约束时, 环境规制反而激发企业显著的创新效应, 并通过创新补偿效应显著提升了企业的盈利能力.

投资者情绪与股票市场的价格变动息息相关, 所以正确理解投资者情绪对金融投资者的投资策略选择与监管部门的风险管控具有重要意义. 本文选取国务院新闻文本与金融情感词典, 首先构建一个基于粉丝加权的新闻媒体情绪区间指数, 然后建立自回归条件区间模型, 对我国股市主板市场与不同板块子市场进行预测研究. 实证研究结果表明: 1) 基于粉丝加权的新闻媒体情绪指数能够有效地反映新闻情绪, 且对我国股票市场回报产生显著的负向影响; 2) 不论在主板市场还是不同板块子市场, 粉丝加权的新闻媒体情绪指数对我国股市回报的预测效果显著最优, 为文本情感指标的构建提供了新的思路与实践; 3) 新闻媒体情绪对主板市场股票回报的预测效果随着预测步长的增加而减弱, 但对不同板块子市场股票回报的预测效果具有异质性. 研究表明基于文本挖掘的新闻媒体情绪区间指数对股市区间值回报预测具有重要作用.

在险增长是稳增长与防风险的一个分析框架，而稳增长与防风险又是统筹安全与发展的“迷你版本”.作为宏观经济分析新范式构建的一种尝试，我们利用非线性期望理论研究经济增长均值、方差均不确定的在险增长问题，非线性期望理论的主要特点或优势在于经济增长波动的“内生刻画”、风险度量的底线思维与区间思维以及数据处理的“单向独立”等.本文的主要边际创新和贡献在于：1）理论上从经济增长G-分布满足的偏微分方程的初值条件的单调和凸凹变化给出G-顶点分布的解析和定义，由G-顶点分布给出G-在险值（G-VaR，G-Value-at-Risk）的刻画；2）阐释用G-VaR度量在险增长的区间数据思维，实证检验表明均值、方差不确定的在险增长精度最高且对经济增长的影响最为显著，给出在险增长走廊的刻画等；3）最大波动性与经济增长负相关，最小波动与经济增长正相关，经济出现负增长前滚动标准差直线上升，部分解释现有经济增长领域的“波动性悖论”等.

本文探讨了产业数字化对行业性别雇佣偏好的影响效应及其背后的作用机制.理论上，产业数字化可以通过提升机械化水平、促进服务化转型和增强培训投入力度，改变各行业生产、销售过程中的工作模式和岗位需求偏好，进而改变各行业对性别的雇佣偏好.实证上，通过编制2002、2007、2012和2017年103个行业全口径分性别就业数据，测度了4个年度各行业的性别雇佣偏好，在量化行业产业数字化的基础上运用双向固定效应模型进行计量分析.结果表明，产业数字化水平的提升会使各行业整体更偏好雇佣男性劳动力，扩大两性在性别雇佣偏好上的差距.分样本回归发现，产业数字化对行业性别雇佣偏好的扩大作用在偏好男性以及第二产业组别中更为明显.机制分析检验发现，上述异质性是由于产业数字化对不同类型行业性别雇佣偏好的作用机制（机械投入水平、服务化转型程度或培训投入力度）差异所导致.本文的研究为理解数字技术赋能产业后对性别就业结构、行业性别雇佣偏好等方面的作用提供了理论和现实依据.

在国内供给侧结构性改革背景下, 市场环境复杂多变, 公司债务违约频发, 建立一种及时有效的财务困境预警模型十分必要. 已有的多数困境预测模型尚未有效解决数据集不平衡、关键预测指标选取不稳定、样本匹配存在随机性等问题, 且并不适应于当下中国复杂多变的市场状况. 为此, 本文采用Bootstrap重抽样方法构建1000个研究样本, 通过LASSO (least absolute shrinkage and selection operator) 变量选择技术筛选关键预测因子构建提前3年预测的Logit模型, 并在预测阶段将样本进行1000次随机切割和预测以降低随机误差. 结果表明, 由Bootstrap样本组建方式结合LASSO构建的Logit困境预测模型相比传统应用的“同行业资产规模相近”方式所构建模型的预测能力更强. 另外, 该嵌入Bootstrap式LASSO-logit模型比主流的O-Score模型、Z_China-Score模型预测效果更好, 准确率提高10%, 更加适用于中国时变的市场.本文所构建模型能帮助公司利益相关者更好地识别财务困境并及时做出调整, 以降低公司债券违约率或避免发生公司违约.

本文从众多变量中筛选出59个相关经济指标, 分别考查疫情前后传统时间序列模型和几种回归树集成学习模型对中国工业增加值增速的预测效果, 并结合Shapley additive explanations (SHAP) 方法对相关预测变量的作用进行解释分析. 研究发现, 随着预测步长的增加和新冠疫情的暴发, 传统时间序列模型的预测性能明显减弱, 而集成学习模型的预测表现则相对较好, 其中梯度提升树模型在较长预测步长中更加稳健和准确. 基于SHAP方法的分析发现, 作为预测变量的经济指标在不同时期的重要性有所不同, 除生产、投资等指标外, 金融类变量在高风险时期也具有一定的预测作用, 需结合具体时间和预期目标来选择合适的经济指标进行工业增长预测. 基于预测的视角可在一定程度上说明新冠疫情冲击可能不会改变工业增长未来走势的基本面.

混合性(Mixing) 在时间序列和空间计量经济学研究中起着重要的作用, 许多时间序列文献都假设其模型中的变量服从混合过程. 然而, 目前尚无关于判定空间计量经济模型所生成数据是否满足混合性质的准则. 基于Doukhan (1994)的思想, 基于若干常见假设, 我们建立了一系列准则, 用于判定不规则格点上的线性空间过程是否满足$\alpha $-混合性. 我们将这些准则应用于建立由空间自回归模型、空间误差模型、矩阵指数空间模型以及基于潜在被解释变量的空间计量经济模型(例如空间样本选择模型) 所生成被解释变量的$\alpha $-混合性质. 利用$\alpha $-混合性质, 我们建立了Flores-Lagunes et al. (2012)提出的空间样本选择模型的估计量的大样本性质.

金融结构对经济增长的影响是多年来国内外学者研究的热点问题, 且学者们的研究结果存在差异, 没有得出一致的结论.基于金融结构对经济增长影响的36篇文献、385个实证研究结果, 首先, 应用Meta效应值分析从文献角度将学者们的研究结果进行综合分析, 得出金融结构对经济增长影响的一般性结论, 并进一步探究文献研究结果是否存在发表偏误问题.其次, 通过构建Meta回归模型, 对造成文献研究结果存在差异的因素(指标选择、传导路径、时间、区域、理论基础、效应特征)进行深入探究.综合学者们的差异性研究结果发现, 金融结构对促进经济增长具有正向推动作用.文献中金融结构与经济增长影响的差异性更多体现在传导路径、理论基础和效应特征因素上, 而不是时间效应、区域效应、金融结构变量选择.在传导路径方面, 金融结构通过技术进步促进经济增长的作用强度小于通过产业结构、制度约束促进经济增长的强度.在理论基础方面, 基于新经济地理学理论、新古典增长理论、柯布-道格拉斯理论的研究金融结构与经济增长的相关性强, 基于金融结构理论与最优金融结构理论的研究相关性弱.在效应特征方面, 门槛效应可能会导致金融结构影响经济增长的数值偏小.

环境污染的治理是中国发展的重要议题, 污染物的减排必然面对一定的成本.在环境保护与经济发展的权衡取舍下, 减排责任的合理分配成为了环境政策制定的关键抓手.然而, 如何通过减排责任的最优分配来实现全社会减排成本的最小化?这一核心问题仍然缺乏理论回答.对此, 本文提出了一个“效率优先, 公平补偿”的兼顾公平与效率的污染物减排新思路, 并基于中国六大高耗能行业的二氧化硫减排进行模拟分析.利用企业级数据和方向距离函数方法, 本文测算了边际减排成本并构建了边际减排成本曲线, 以此定量验证了本文减排新思路下减排总成本的最小化和福利改进.结果表明: 按照六大行业每年减排1%的目标计算, 相比于“按排放比例分配减排量”的传统方案, 本文的“两步走”方案能够使社会总体和每一个排放主体都节省高达97.67%的减排成本.此外, 污染物边际减排成本的行业间异质性得以凸显, 边际减排成本曲线的应用价值得到体现.在减排责任分配的方案设计和边际减排成本的微观估计方面, 本文提供了有益的参考.

我国当前正在构建绿色金融体系, 而包括ESG (environmental, social, and governance)在内的社会责任投资理念将在此过程中扮演重要角色.本文利用基金持股的加权平均CSR (corporate social responsibility)评分来度量基金社会责任, 并从基金暴跌风险的视角探讨了社会责任投资在资本市场中的表现以及对应的机制.基准回归结果表明基金社会责任能显著缓和基金暴跌风险, 呼应了既往研究中企业CSR降低股价暴跌风险的结论.在控制反向因果、选择偏误及其它内生性问题后该缓和作用依然稳健.机制分析表明, 高基金社会责任的基金有适当范围内更高的持股集中度, 且面向因重视社会责任而对财务收益相对不敏感的投资者, 这些都有助于降低基金暴跌风险.在经济高质量绿色发展的要求下, 本研究对于全面认识我国社会责任投资理念与金融系统风险之间的内在联系具有重要的理论和现实意义.

增强市场流动性是我国证监会推出融资融券制度的初衷之一, 然而相关研究中关于融资融券的实际效果如何的结论并不一致, 且研究中的内生性问题一直未得到解决.本文从价格影响和交易成本两个维度实证研究了融资融券交易对沪市A股股票流动性的影响.基于融资融券标的范围调整方式, 本文使用断点回归处理了相关研究中一直未能解决的内生性问题, 并发现在价格影响维度, 融资融券交易会在市场温和波动时缩小价格影响(改善流动性), 在市场大幅波动时扩大价格影响(恶化流动性).随后本文对投资者的融资融券交易模式进行了识别, 发现投资者在不同市场波动程度下呈现出不同的交易模式, 从而对这种差异性给出了可能的解释.而在交易成本维度, 本文发现只有对于信息不对称程度较低的股票, 融资融券交易才可以降低其交易成本(改善流动性).

黄金现货、ETF、期货等市场在维护一国经济稳定、增强国家信用、对冲金融市场波动等方面一直发挥着核心作用.最近几年，黄金价格历经多次剧烈波动.黄金现货、ETF、期货之间观察到了不同步不协同现象，加大了市场不确定性和风险.本文选取2015年至2021年黄金现货合约、华安黄金ETF、黄金期货主力合约每日收盘数据，探讨黄金现货、ETF、期货市场的动态联动及波动溢出效应.首先，构建MS-GARCH模型，研究三市场波动及区制转变关系；然后借助DCC-GARCH模型进一步探究三个黄金市场彼此之间的动态联动关系；最后使用溢出指数模型测度三市场间的波动溢出效应.结果表明：1)三市场一体化程度较高.DCC-GARCH模型表明：三市场收益率动态相关性绝大部分时间都维持在了0.9左右的水平.2)不同市场之间的动态联动性具有显著区别.DCC-GARCH模型表明：黄金现货与期货市场收益率之间的相关系数波动更为剧烈更为频繁.溢出指数模型表明：黄金现货市场在多数时期呈现为负向净溢出，绝大部分时间为溢出的接收者，黄金ETF、期货市场收益率多数时期为正向溢出，即绝大部分时间为溢出的传播者.3)样本期内，三市场波动溢出具有动态特性.MS-GARCH模型平滑概率图发现2019年后三市场收益率在高、低波动状态的持续时间都比较短，两种状态的交替更加频繁.DCC-GARCH模型表明三市场收益率相关系数在2015年、2018年后都有显著下降.溢出指数模型表明；三市场的总溢出指数在2019年出现较大波动，一度下探到55%；2019年对外溢出指数(TO)和接收溢出(FROM)均出现了显著的下降，黄金现货市场降幅最大，分别下降到43%、50%；2019年黄金现货、ETF市场收益率的净溢出指数波动较大，也观察到了黄金现货到ETF、现货到期货的净成对溢出指数的大幅波动.

在经济学领域的随机对照试验中，在经济学领域的随机对照试验中，受试者的分配通常按照完全随机的方式进行.然而，完全随机化可能无法使基线协变量在试验组和对照组间的分布均衡可比，导致试验的解释性与准确性降低，甚至会得出错误的分析结果.本文在经济学随机对照试验中引入协变量平衡自适应设计，该设计在分配过程中自适应地对协变量的平衡性进行调整，从而能够获得协变量在组间分布相对均衡的分配方案.本文基于一项探究个性化信息是否能够影响养老金个人账户储蓄的随机对照试验案例，分析比较了不同随机化设计对于在随机化试验中的协变量平衡以及处理效应估计等方面的影响.实证分析表明，相比于完全随机化，考虑协变量平衡调整的随机化设计能够降低组间的协变量的不平衡程度，并提高后续对于平均处理效应的估计精度和检验功效.

社交媒体是股市投资者获取金融信息的重要来源, 其中携带的情感等信号与股价走势关系密切.但社交媒体信息表达随意, 口语化严重, 长度较短且语义密度低, 使得基于情感词典的传统文本分析方法存在损失有价值词汇的风险.近期Fan et al. (2021)提出的分步降维框架试图通过充分利用文本本身的语义特征以提升关键信息抽取的精准性.本文将这一框架扩展至社交媒体情景, 以系统探索东方财富网股吧短文本是否为个股价格走势提供有效的前导信息.具体而言, 首先使用主成分分析方法提取文本中的公共因子, 继而对残差矩阵依次实施变量扫描进一步过滤信息, 再采用Lasso回归构建预测模型, 从而在实现降维的基础上, 更大程度地挖掘文本中蕴含的面向个股的独特价值语义.结果表明该框架能够较好地从股吧短文本中抽取预测个股收益的信息.此外, 其识别出的具备预测能力的词汇集合也体现了社交媒体短文本不同于其他金融文本的特点, 且与传统的金融情感词典差异较大.因此, 该分步降维框架为分析社交媒体短文本数据提供了新思路.

产品的在线评论作为一种网络口碑对消费者选择产品和商家改进产品质量都有着重要地作用, 电商平台为了获取更多在线评论, 采取了奖励措施来促进用户发表评论.现有文献研究了好评奖励对评论效价的影响, 而本文进一步考虑用户的异质性, 探究了奖励政策对于不同类型用户群体的评论效价和评论质量两个维度的影响.以亚马逊和当当网在卖的84本图书102, 175条评论的真实数据为例, 采用计量经济学中的双重差分模型进行实验, 结果表明奖励政策对评论效价和评论质量都有显著的影响, 具体地, 奖励政策对用户评分和评论文本长度有正向影响, 对评论有用性有消极影响, 且不同满意度的用户群体对于奖励的反应存在不同.最后基于实验结果提出了相应的管理启示, 可辅助在线平台制定合理的评论奖励政策.

在政治、经济和科技等多种因素的影响下, 全球价值链正在经历深刻调整. 美西方和印度自身正在积极出台一系列产业政策, 引导印度成为新一轮国际产业转移的承接地. 本文构建了一个定量评估框架以衡量一个国家/地区承接国际产业转移的前景, 并围绕印度开展了案例研究, 补充了现有研究的不足. 总体来看, 莫迪政府实现“印度制造”取代“中国制造”可谓道阻且长. 印度潜在优势的6个行业包括食品、饮料和烟草制造业, 基本金属, 纸制品及印刷业, 其他非金属矿产品, 其他运输设备, 计算机、电子及光学设备. 其中, 食品、饮料和烟草制造业, 纸制品及印刷业和其他非金属矿产品可能会率先承接中国对外产业转移. 越南、泰国和保加利亚在食品、饮料和烟草制造业, 越南和马来西亚在纸制品及印刷业, 以及越南、马来西亚、泰国和保加利亚在其他非金属矿产品上, 具备和印度竞争的能力.

当前，加快建设高效规范、公平竞争、充分开放的全国统一大市场被党中央和国务院提升到全局和战略高度.本文从公平竞争的视角切入，基于我国地级市先后设立行政审批中心的公共政策实验，考察了以“放管服”为主要方向的行政审批改革对于打破垄断进而推动统一大市场建设的政策效果.研究发现：我国以行政审批中心为载体的行政审批改革有助于降低企业垄断势力并促进公平竞争.然而，由于“放管服”力度有限、未能有效降低企业实际面临的制度性交易成本，行政审批中心的设立仅在短期内降低了企业垄断势力，而长期来看并不具有持续推动企业进入和公平竞争的效果.进一步分析发现，设立行政审批中心仅对东部地区和非国有企业具有抑制垄断势力的短期效果.并且，相比于早期设立的行政审批中心而言，后期设立的行政审批中心对垄断势力的抑制效果更明显.文章的发现可为当前我国加快建设统一大市场提供直接的政策启示.

为贯彻落实习近平总书记关于“提升国家自然科学基金资助效能”的重要指示精神, 国家自然科学基金委员会管理科学部组织开展了一系列调研活动, 系统分析杰青、优青人才项目的资助效能.设计并发放了556份调查问卷, 参与座谈专家233人次.我们利用变异系数法、双重差分法、自然语言处理等统计方法对调研数据进行量化分析.调研数据统计发现: 与优青等人才项目相比, 杰青的综合资助效能相对较高, 立项后其学术成果、学术影响力均有大幅度提升; 杰青优青等人才项目的资助效能存在异质性; 从年龄上看, 42岁前获杰青资助的学者, 其综合资助效能会有更大提升.基于调研分析, 提出了人才项目要“强化过程管理与结题管理”等建议.

本文基于“物理-事理-人理”方法论, 系统分析我国数据要素市场发展的影响因素, 并结合内生增长理论, 构建我国数据要素市场发展与经济增长的系统动力学模型, 据此对数据要素市场的动力机制进行仿真分析, 进而通过物理维、事理维、人理维三个维度的财政投入配置, 设定三大类七种投入模式进行政策情景模拟, 探析适合我国数据要素市场发展与经济增长的政策投入方案. 研究发现: 1) 我国数据要素市场发展水平正在进入快速发展阶段, 数据要素市场发展通过赋能传统生产要素, 加快人力资本形成、技术创新产出及资本融通, 促进经济增长, 形成良性增长循环; 2) 在单一投入政策情景下, “物理维”投入模式即增加基础设施建设方面的投入对促进数据要素市场与经济增长最为有效; 3) 在组合投入政策背景下, “物理维+ 事理维”双投入模式即增加基础设施及制度建设方面的投入效果最好; 4) 现阶段应优先加大基础设施与数字技术方面的投入, 以获得更好的政策实施效果.

本文基于上市公司2009年至2021年度包括企业董事、监事和其他高级管理人员在内的个人特征信息, 利用文本分析识别出环保背景高管, 研究其对于所在企业当年度和未来一年度ESG评级的影响.研究发现, 上市公司董监高团队具备较好的环保背景能显著提高企业当年度及下一年度的ESG评级, 这一作用受到权力效应和利益关联的影响.而且随着新《环境保护法》实施, 相对于其他企业, 有环保背景高管的企业ESG评级在2015年后有显著的提高.对ESG不同维度的分析表明, 环保背景高管对于企业ESG评级的提高主要在于环境和社会责任维度.机制分析表明, 企业环保背景高管能够通过两种途径提高企业ESG评级, 一是提高股东大会上ESG相关议案通过概率, 二是健全企业环境保护制度.基于股权、行业和历史评级的异质性分析结果表明, 环保背景高管对于企业ESG评级提高作用主要集中在国有企业、污染行业和历史评级较低的企业中.

金融市场瞬息万变, 对于量化投资策略, 需要及时地调整和优化.融合模型可以根据市场变化动态调整模型的权重和组合方式, 实现自适应的调整和优化.基于此, 本文尝试从融合模型的角度来设计量化投资策略.本文基于LightGBM、Adaboost、XGBoost三种不同的Boosting类算法构造了三个不同的融合两层Stacking模型, 通过沪深300成分股上进行选股回测实证分析来对比择优来得到最合适的基学习模型和次级模型最佳的融合效果.实证结果表明, 三种不同的融合模型在股票市场的预测表现均优于单一算法模型, 其中表现最为优异的是基学习器为XGBoost和LightGBM算法, AdaBoost算法作为次级学习器的融合模型.在持仓数量为20只时, 平均年化收益为13.57%, 夏普比率为1.23, 最大回撤为0.48.此外该回测结果表明, 融合模型在市场波动性较大时有更好的适应性和有效性.本研究能够为投资者提供一种新的投资思路, 也对如何推动融合模型在金融实践中运用具备一定的启示意义.