题 目：面向经济与金融应用的监督学习算法比较与推测函数特征刻画 报告人：刘岩，武汉大学经管学院金融系副教授 时 间：10月9日，星期五，14:00-15:00 地 点：光华2号楼216室 摘 要： 过去十年来监督学习方法在经济与金融研究中开始获得广泛关注，并在若干领域中取得应用突破。然而，由于监督学习算法众多，理论基础与特性各异，研究者在具体应用中存在如何选取恰当算法的问题。本文首先对比了经济与金融研究中常用监督学习算法的理论基础与特性，特别突出了在小样本应用中算法选择应该注意的问题。在此基础上，针对领域应用的主要需求，本文提出了一套分解、测算算法所生成推测函数特征的方法体系，并以此说明各主要类型算法在变量筛选、数据非线性特征刻画方面的性质，为监督学习在经济与金融研究中更广泛的应用提供一个简单、有效的基础。 简 介： 武汉大学经管学院金融系副教授，武汉大学大数据研究院金融大数据研究中心副主任，武汉大学经济发展研究中心宏观经济所所长。主持完成一项国家自然科学基金青年项目，主持一项欧洲稳定机制国际合作项目，担任一项国家自然科学基金国际合作项目执行负责人，参与若干自科、社科及教育部重大、重点项目。负责“中国银行业数据库”建设。研究论文发表于《人民日报·内参》、《中国工业经济》、《金融研究》、《经济评论》、Accounting and Finance、Applied Economics Letters、Texas International Law Journal等国内外经济、金融、法学知名期刊。研究论文获得中国金融学年会最佳论文（2017、2018），武汉市社会科学优秀成果三等奖（2018），PwC3535年度最佳论文奖（2020），《世界经济年鉴》世经经济统计学2019年最佳论文TOP10；教学工作获得武汉大学经济与管理学院教学贡献院长奖；博士毕业论文获得石溪分校经济系Marty Weinbaum杰出研究奖。 Statistics Seminar（2020-01） Topic:SGD-based Online Pricing and Capacity Sizing of Queueing Systems Speaker:陈昕韫，哥伦比亚大学 Time:Friday, Octoberr 9, 15:00-16:00 Place:Room 216, Guanghua Building 2 Abstract: We study a dynamic pricing and capacity sizing problem in a GI/GI/1 queue, where the service provider’s objective is to obtain the optimal service fee p and service capacity so as to maximize cumulative expected profit (the service revenue minus the staffing cost and delay penalty). Due to the complex nature of the queueing dynamics, such a problem has no analytic solution so that previous research often resorts to heavy traffic analysis in that both the arrival rate and service rate are sent to infinity. We propose an online learning framework designed for solving this problem which does not require the system’s scale to increase. Our algorithm organizes the time horizon into successive operational cycles and prescribes an efficient procedure to obtain improved pricing and staffing policies in each cycle using data collected in previous cycles. Data here include the number of customer arrivals, waiting times, and the server’s busy times. The ingenuity of this approach lies in its online nature, which allows the service provider do better by interacting with the environment. Utilizing coupling techniques, we show that our algorithm is asymptotically optimal as its regret bound meets the theoretic lower bound. The talk is based joined works with Yunan Liu and Guiyu Hong. Introduction: 陈昕韫博士于2014年取得哥伦比亚大学运筹学博士学位。毕业后先后任教于美国纽约州立大学石溪分校和武汉大学，现在香港中文大学（深圳）数据科学学院任助理教授。陈昕韫博士的主要研究领域为随机模拟、排队模型和强化学习。她的研究工作多次发表在Annals of Applied Probability、Mathematics of Operations Research和ICLR等知名期刊和会议上。陈昕韫博士目前担任美国运筹学和管理学研究协会（INFORMS）应用概率学会理事会成员，期刊《Journal of Applied Probability》,《Advances in Applied Probability》编辑。 Your participation is warmly welcomed!

---