数据科学与管理1（2021）10讨论王寿阳访谈：大数据驱动的经济金融预测研究前沿王寿阳a，b，c，*a中国科学院数学与系统科学研究院，北京，100190b中国科学院大学经济管理学院，北京，100190c中国科学院预测科学研究中心，北京，100190A R T I C L E I N F O保留字：大数据经济预测数据挖掘时空A B S T R A C T大数据的产生、获取、存储、处理等技术的发展极大地丰富了我们的感官世界，从根本上改变了传统经济金融预测的基础。经济及金融领域的突发事件挑战我们对预测模型表现的信心。显然，大数据驱动的决策理论和分析方法不同于传统的方法。鉴于大数据驱动经济金融预测对社会稳定、创新发展、可持续发展的重要作用，未来大数据驱动经济金融预测的研究前沿包括：大数据表征的复杂经济系统特征挖掘;动态预测预警理论与方法的精确实时修正;大数据预测研究的一般范式;大数据驱动经济金融系统管理机制的形成与过程等。对这些问题进行系统研究，将有助于形成大数据背景下的决策理论和研究体系，从而提高管理决策的适应性1. DSM：在复杂的经济形势下，传统的经济和金融预测方法面临哪些挑战？王寿阳：第一，在大数据时代，目前常用的经济金融预测方法存在时效性问题。具体而言，现有的数据统计方法存在时滞问题，面对突发事件难以及时捕捉趋势变化，无法为决策部门提供及时有效的建议。其次，传统的经济金融细分领域数据挖掘深度有限，仅依靠传统的分析粒度难以保证分析预测结果的准确性。同时，新兴产业或细分领域的发展难以有效支持决策。三是注意避免数据收集中常见的统计偏差 要着力构建系统化、智能化的数据采集框架。手动错误的可能性应该是在整个收购过程中。同时，要注重数据采集质量检查第四，当前经济形势极为复杂，风险和不确定性因素较多。因此，拓展传统的预测技术，发展能够量化各种复杂经济现象的预测模型，是今后经济监测与预测的重点研究方向。2. DSM：大数据驱动下的经济金融数据预测与传统的经济金融数据预测有什么区别和联系？王寿阳：首先，区别在于方法论和数据驱动建模。（1）注重应用而忽视理论问题，特别是方法论问题，是大数据驱动的经济金融数据预测研究的普遍趋势。（2）大数据驱动的经济金融数据预测将取代过去基于部分经济金融数据的预测模型此外，两者之间的差异也同行评议由Xi交通大学负责* 通讯作者：中国科学院数学与系统科学研究院，北京，100190。电子邮件地址：sywang@amss.ac.cn。https://doi.org/10.1016/j.dsm.2021.01.001接收日期：2021年1月10日;接受日期：2021年2021年2月3日在线提供2666-7649/©2021 Xi'an Jiaotong University.出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表数据科学与管理杂志主页：www.keaipublishing.com/en/journals/data-science-and-managementS. 王数据科学与管理1（2021）1011在于数据的时效性、多维性、多属性等特点。其次，两者的关系可以归纳为三点。（1）大数据预测模型存在传统理论的主观先验建构（2）大数据仍需筛选。大数据预测可以借鉴传统建模策略中的数据质量控制方法，减少数据偏差带来的预测误差（3）因果分析的重要性也导致将经济金融理论引入大数据建模研究，以在理论层面纠正模型设计的偏差3. DSM：大数据驱动的经济金融预测方法的总体思路和关键问题是什么？王寿阳：总体思路：（1）收集多源异构数据。获取与经济、金融相关的各类大数据，如新闻评论、图片数据等。（二）在充分吸收模型方法在经济监测预测中的理论基础和精髓的基础上，大规模应用机器学习、深度学习、复杂网络、自然语言处理等信息技术，构建综合预测框架，达到精准经济监测预测的效果（3）要逐步建立与预测相关的数据资产，如数据特征库、算法模型库、预测指标库等。关键问题：数据提供;特征工程;核心技术。4. DSM：在基于大数据分析的复杂性管理系统中，经济和金融数据预测的研究范式有哪些特点王寿阳：第一，在认识论上，经济金融数据预测引入了“黑箱机制“。与传统的定量研究相比，预测中的绝对主义认识论意义被弱化了，这种定量研究追求的是清晰性和理论机理解释。第二，在问题域，预测不仅关注从原因到结果的相关性和因果机制，而且还包括作为任务类别的目标变量的准确估计。第三，在研究方法上，预测依赖于理论，关注“反事实”框架，注重利用算法和数据建立第四，在一般规则方面，预测不再依赖于回归系数显著性水平等传统的假设检验规则和模型识别技术，而是采用了一系列注重预测精度的新5. DSM：经济和社会发展的趋势是什么？基于大数据的金融建模和预测方法？王寿阳：首先，我们刻画了数据的高频、长跨度的特点。更准确地把握较长时间序列数据的非平稳性和时变特性，将是大数据时代建模和预测方法的发展趋势此外，为了更好地获取经济金融领域的高频数据，本文还重点研究了高频数据特征问题的解决方法。第二，高维非结构化数据的建模与应用。目前，超过80%的数据是非结构化的。此外，数据是高维和非线性的，这需要一个重要的工具，机器学习技术。模型的鲁棒性需要验证。三是充分利用模型选择与预测相结合的方法。模型不确定性广泛存在于经济学的各个领域金融建模、分析和预测。基于模型的集成预测方法是解决模型不确定性问题的主要途径，它可以把握不同变量的特性，通过预测方法的组合，最终实现高效建模和6. DSM：面对具有高维、非结构化、时空属性的大数据，如何进一步拓展预测理论在经济金融领域的应用？王寿阳：面对高维、非结构化、时空属性的大数据，扩展预测理论时应注意以下两个问题一是要解决大数据信息挖掘问题，如高维数据的特征筛选和特征提取、非结构化“变量”信息的转化和提取、社交网络和空间信息的有效利用等。其次，它不同于传统的经济金融建模和预测。 也就是说，在大多数情况下，假设解释变量和被解释变量之间存在某种函数关系。预测理论应该研究大数据时代变量之间的关系。例如，它应该依靠机器学习过程，使计算机利用样本数据自动“学习“解释变量与经济变量之间的关系，通过训练和学习，7. DSM：大数据驱动的经济和财务预测如何与管理决策相关？王寿阳：大数据驱动的经济金融预测为管理系统的当前，传统的管理决策范式正逐渐从以管理过程为基础的线性范式向以数据为中心的动态交互范式转变管理决策中各参与方的角色和相关信息的流动趋于多元化和互动化，这使得新的管理决策范式呈现出大数据驱动的全景式特征特别是大数据时代的经济金融预测研究，可以作为管理决策的切入点，通过挖掘、提取、识别有效的多源异质变量，促进建立新的变量关系和理论模型，提高管理决策的及时性和有效性。8. DSM：如何抓住经济金融预测研究的正确方向，凸显数字元素（数据）对后疫情时代社会治理的影响？王寿阳：当前，随着COVID-19疫情的中断，我们应该考虑长期和中期的影响。从中期来看，短期经济增长受到抑制，疫情结束后有经济复苏的需求有效释放疫情期间被抑制的需求，稳定经济增长，需要从逆周期调节角度给予因此，我们应高度重视数字化要素驱动的经济金融建模，准确刻画社会需求。从长远来看，疫情的爆发暴露了经济社会发展中的一些问题针对疫情暴露出的短板和不足，通过数字化元素驱动的经济金融预测研究，进行长期变革，确保经济社会长期可持续发展S. 王数据科学与管理1（2021）1012竞合利益作者声明没有利益冲突王寿阳先生于1986年在中国科学院系统科学他目前是一个百人彼为中国科学院数学与系统科学研究院管理科学特聘教授及中国科学院大学人类科学与工程他获得了许多与研究相关的奖项和荣誉。他已出版了35本专著，并在主要期刊上发表了330多篇论文。他是/曾是16种期刊的共同编辑，以及超过15种期刊特刊/卷的客座编辑。他的研究兴趣包括决策分析、风险管理、经济分析和预测。
