近日，我院姚海祥教授与夏晟皓博士、刘浩老师（云山青年学者）的合作论文Return predictability via an long short-term memory-based cross-section factor model: Evidence from Chinese stock market在Journal of Forecasting上发表，与张伟轩同学（博士生）、吴周恒副教授的合作论文Monetary policy rule under rare events: With implications by digital finance development在Pacific-Basin Finance Journal上发表。
姚海祥，广外教授（三级）、博士生导师、云山杰出学者、广东省青年珠江学者（设岗学科为金融学），广州市金融高级专业人才。曾任金融学院副院长。目前主要从事机器学习与量化投资、养老风险管理和系统性风险管理等方面的研究工作，近年来已在Journal of Banking and Finance, International Review of Financial Analysis 、Journal of Empirical Finance、 Pacific-Basin Finance Journal、Journal of Forecasting、Journal of Economic Dynamics & Control、European Journal of Operational Research 、Journal of Forecasting、Quantitative Finance、Insurance: Mathematics and Economics、ASTIN Bulletin、Computers & Operations Research、Expert Systems With Applications 、Economic Modelling、Journal of the Operational Research Society、《管理科学学报》《中国管理科学》《系统工程理论与实践》《财经研究》和《数理统计与管理》等国内外重要期刊上发表学术论文近80篇（绝大多数为第一作者），其中40余篇被SSCI/SCI检索。近年来，主持了国家社科基金重点项目（重大转重点），国家自然科学基金面上项目（3项）、中国博士后科学基金特别资助项目和一等资助面上项目、教育部人文社科基金项目和广东省自然科学基金重点项目等20多项项目。他所带领的“投资管理、期权定价和风险管理”科研团队入选为广东普通高等学校创新团队。主要学术兼职包括：《运筹与管理》(CSSCI和CSCD来源期刊)编委；中国管理科学与工程学会金融计量与风险管理研究会理事、常务理事；中国优选法统筹法与经济数学研究会量化金融与保险分会常务理事；中国管理现代化研究会金融管理专业委员会理事等。
吴周恒，博士，广东外语外贸大学金融学院副教授，硕士生导师。曾在《中国社会科学》《金融研究》《统计研究》、Journal of Development Economics、Emerging Market Review、North American Journal of Economics and Finance等刊物上发表论文多篇。主持国家自然科学基金、国家社会科学基金、广东省自然科学基金等项目多项。
刘浩，广东外语外贸大学金融学院投资与理财系教师、云山青年学者、广东省人文社科重点研究基地“金融开放与资产管理研究中心”兼职研究员。2011年于电子科技大学获得经济学学士学位，2018年于电子科技大学获得管理学博士学位，2016-2017年于香港理工大学会计与金融系从事访问研究。近年来，在International Review of Financial Analysis、Research in International Business and Finance、Pacific-Basin Finance Journal、The North American Journal of Economics and Finance、Journal of Forecasting、International Review of Economics and Finance、Finance Research Letters、Economics Letters、Economic Systems、Emerging Markets Finance and Trade等SSCI索引期刊以及《系统工程理论与实践》《系统管理学报》《金融学季刊》等CSSCI索引期刊发表论文二十余篇。主持广东省哲学社会科学规划项目2项、广东省基础与应用基础研究基金省市联合基金项目1项。作为主研人员参与了文化名家暨“四个一批”人才项目1项、国家自然科学基金面上及青年项目多项。在科学出版社出版专著1部。研究成果曾分别获得教育部人文社科三等奖和四川省社会科学成果二等奖。担任多本SSCI/SCI期刊、CSSCI期刊的匿名审稿人。
夏晟皓，博士，毕业于广东外语外贸大学金融学院，论文发表于《系统科学与数学》、Pacific-Basin Finance Journal及Journal of Forecasting等国内外权威期刊。
张伟轩，广东外语外贸大学金融学院博士研究生，主要研究领域为宏观经济波动与风险管理。近年来在《运筹与管理》、Pacific-Basin Finance Journal等国内外权威期刊发表论文多篇。
[1] Haixiang Yao, Shenghao Xia*, Hao Liu*. Return predictability via an long short-term memory-based cross-section factor model: Evidence from Chinese stock market. Journal of Forecasting, 2024, 1–25.
论文简介：
本文提出了一个横截面长短期记忆（CS-LSTM）因子模型，探讨在中国股市中估计预期收益的可能性。与之前直接对股票回报进行预测的基于机器学习的资产定价模型不同，CS-LSTM的估计基于使用16个股票特征作为因子载荷，对Fama-MacBeth横截面回归中斜率项的预测。与以往在中国市场背景下的研究一致，我们发现非流动性和短期动量是描述资产回报的最重要因素。通过使用274个价值加权的投资组合作为测试资产，我们系统地比较了CS-LSTM和其他三个候选模型的表现。结果表明：我们的CS-LSTM模型始终提供比候选模型更好的性能，并在所有不同交易成本水平上击败市场。此外，我们观察到模型在预测小市值组合方面通常表现更好。通过利用最大70%市值的股票再次进行实证分析，我们发现CS-LSTM模型仍然稳健，并始终提供显著的击败市场的表现。基于CS-LSTM模型的研究结果对中国股市及其他新兴市场的未来发展具有现实意义。
原文摘要：
This paper proposes a cross-section long short-term memory (CS-LSTM) factor model to explore the possibility of estimating expected returns in the Chinese stock market. In contrast to previous machine-learning-based asset pricing models that make predictions directly on equity returns, CS-LSTM estimates are based on predictions of slope terms from Fama–MacBeth cross-section regressions using 16 stock characteristics as factor loadings. In line with previous studies in the context of the Chinese market, we find illiquidity and short-term momentum to be the most important factors in describing asset returns. By using 274 value-weighted portfolios as test assets, we systematically compare the performances of CS-LSTM and three other candidate models. Our CSLSTM model consistently delivers better performance than the candidate models and beats the market at all different levels of transaction costs. In addition, we observe that assets with smaller cap are favored by the model. By repeating the empirical analysis based on the top 70% of stocks, our CS-LSTM model remains robust and consistently provides significant market-beating performance. Our findings from the CS-LSTM model have practical implications for the future development of the Chinese stock market and other emerging markets.
[2] Haixiang Yao, Weixuan Zhang, Zhouheng Wu*. Monetary policy rule under rare events: With implications by digital finance development[J]. Pacific-Basin Finance Journal, 2024, (85):102376.
论文简介：
本文基于DSGE模型，并利用中国数据对相关参数进行贝叶斯估计，研究了罕见事件的宏观经济效应和货币政策规则的选择。同时，我们量化了供给侧和需求侧负面宏观经济影响的特征，并探讨了数字金融发展背景下的货币政策选择。结果表明，罕见事件下，由金融摩擦放大的严重负面宏观经济影响的早期阶段需要采用数量型工具来恢复经济稳定。在金融摩擦和罕见事件早期的不利影响得以缓解后，价格型工具比数量型工具更有效地实现经济的快速复苏。混合型货币政策规则表现出更为灵活的优势，并产生更高的福利。此外，数字金融的发展降低了金融摩擦，稳定了货币需求，从增强了基于价格的货币政策工具的相对重要性。
原文摘要：
This article studies the macroeconomic impacts of rare events and the choice of monetary policy rule in an estimated DSGE model using Chinese data. We quantify the characteristics of adverse macroeconomic effects on both the supply and demand side and explore the suitable monetary policy response in the context of digital finance development. The results show that the early stage of severe negative macroeconomic impacts amplified by financial frictions requires quantity-based tools to restore macroeconomic stability. After the impediment of financial frictions and the early impact of rare events are mitigated, price-based tools are more effective than quantity-based tools in achieving a rapid recovery. Therefore, a mixed monetary policy rule shows the advantage of flexibility and results in the highest welfare. In addition, digital finance development reduces financial frictions and stabilizes money demand, thus enhancing the relative importance of price-based tools.
