Jianqing Fan（范剑青），美国普林斯顿大学终身教授，Frederick L. Moore'18冠名金融讲座教授，运筹与金融工程系教授和前任系主任，国际数理统计学会前主席，《Journal of Business and Economics Statistics》的主编。2000年荣获国际统计学领域最高奖项COPSS总统奖，2006年荣获洪堡基金会终身成就奖，2007年荣获晨兴华人数学家大会应用数学金奖，2013年获泛华统计学会（International Chinese Association）“许宝禄奖”，2014年荣获英国皇家统计学会授予的“Guy Medal”银质奖章，2018年荣获诺特资深学者奖（Noether Senior Scholar Award），此外，他还是国际统计学会（ISI）、国际数理统计学会（IMS）、美国科学促进会（AAAS）、美国统计学会（ASA）、计量金融学会（SOFIE）的会士，以及国际顶尖统计期刊《Annals of Statistics》、《Probability Theory and Related Field》及《Journal of Econometrics》等的前主编等。他的主要研究领域包括高维统计、机器学习、计量金融、时间序列、非参数建模，并在这些领域著有4本专著。
本次报告主要讲如何使用统计机器学习技术和大数据技术来解决金融和计量经济中的问题。首先概述了机器学习和人工智能的起源，以及统计和计算方法如何随着维度和样本量的增加而演变，并成为现代机器学习和人工智能的基础。它引入了简单而强大的技术来处理金融数据中普遍存在的重尾和相依性。我们展示了高频交易和情绪学习在中国金融文本数据中的应用。
我们展示了超高频金融的可预测性，尤其是由收益，交易方向以及持续时间衡量的反应短时间内交易速度的动量。通过使用统计机器学习方法对标普100指数中101只股票在2019年至2020年的完整交易和报价更新数据进行分析，我们量化和记录了金融的可预测性，并确认了其普遍存在性。我们发现，对于中位数股票，仅使用过去的交易和报价数据以及大约64%的正确预测交易方向就可以预测5秒交易回报的10.5%样本外R平方。我们也揭晓了重要的预测指标。另外，我们还研究了可预测性如何取决于市场环境、股票特征以及数据及时性。
在中文文本分析方面，我们提出了一种基于因子模型和稀疏正则化的文本数据学习新框架，称为FarmPredict，让机器直接学习财务回报。我们使用有关中国股票市场的文献和几种现有方法来验证我们的方法。基于从2000年到2019年从新浪财经下载的大约200万条新闻，通过我们的FarmPredict方法，我们发现当负面新闻存在的时候，积极情绪平均每天产生83个基点的超额回报。
