嘉宾简介：
涂云东，北京大学博雅特聘教授，联合受聘于光华管理学院商务统计与经济计量系和北京大学统计科学中心。入选“日出东方”北大光华青年人才，北京大学优秀博士学位论文指导教师(2017,2021,2024)，北京大学优秀研究生导师(2024)，国家级高层次领军人才，国家杰出青年科学基金获得者。先后获武汉大学理学学士学位(2004)和经济学硕士学位(2006)、加州大学经济学博士学位(2012，河滨分校)。环亚太青年计量经济学者(YEAP)会议发起人和主要组织者。50余篇学术论文发表在多个国际国内知名专业杂志。著作教材《时间序列分析》由人民邮电出版社于2022年9月出版。研究领域涵盖时间序列分析、非参数计量方法、大数据分析、金融计量和预测等。
讲座简介：
因子增强回归是时间序列预测中的成熟工具，但其在分布式节点存储的高维大规模数据集中的应用仍面临数据隐私、计算效率及局部与全局信息融合等挑战。为突破这些限制，我们提出分层因子增强前向验证（HFFV）模型平均法——一种专为分布式数据结构设计的新型预测组合框架。HFFV方法首先构建分层因子增强模型，提取并整合两个层级的信息：节点特定（局部）因子捕捉各分布式服务器的独特动态，全局因子反映整个数据集的共同趋势。本文证明了其系数估计量在分布式环境下具有一致收敛速度，从而确认了因子增强推断的可靠性。为实现局部预测向稳健全局预测的聚合，HFFV进一步采用前向验证流程估计组合权重。该权重估计器具有渐近最优性，其预测风险的平方被证实能达到不可行的下界。关键地，HFFV能自动为正确设定的候选模型分配不可忽略影响的权重，同时降低错误设定模型的权重。仿真研究证实了其优异的有限样本性能，而基于中国省级宏观经济数据的实证应用不仅展现了该方法相对于替代方案的预测优势，更凸显了其如何利用区域异质性改进宏观预测。
