2022年7月22日，由中国科学院大学经济与管理学院、中国科学院数学与系统科学研究院和中国科学院预测科学研究中心共同举办的2022世界计量经济学会“亚洲计量经济学与统计学暑期学校”进入了第五天的学习。

22日上午，汪寿阳教授携魏云捷副教授和姜尚荣博士为学员带来了题为“Data Decomposition Methods and Applications in Econometric Studies”的精彩课程。东北财经大学吕耀廉助理教授主持。

汪寿阳，发展中国家科学院院士、国际系统与控制科学院院士。中国科学院特聘研究员、教育部长江学者奖励计划特聘教授、国家杰出青年科学基金获得者。中国科学院预测科学研究中心主任，以及十余种国内外学术期刊的主编、执行主编、副主编和编委。汪寿阳教授在决策分析、供应链管理、风险管理、经济分析与预测、疫情预测与政策分析等领域做出了一批得到国际同行高度好评和政府有关决策部门高度重视的研究工作。出版学术专著42部（包括在欧美出版英文专著21部），在Science正刊、多个Science子刊、Nature正刊、多个Nature子刊、Journal of Econometrics、Journal of Economic Theory等国际重要期刊上发表论文450余篇，其中SCI/SSCI收录420余篇，SCI/SSCI引用逾16500余篇次。部分研究成果获得省部委科技进步奖一等奖7次、二等奖11次、三等奖5次，还获得Scott Award奖等5项重要国际奖项，先后获得“中国科学院优秀共产党员”“中国科学院先进工作者”“全国先进科技工作者”和“新冠肺炎疫情防控全国先进科技工作者”称号等。

课程一开始，汪寿阳教授首先提出了能源经济学的两个开放性问题，并指出在经济研究中实际数据往往并不满足计量经济学模型的假定，从而引出了数据分解方法的必要性，即数据分解方法能够降低数据的非线性（nonlinearity）和非平稳性（non-stationarity）。之后汪教授介绍了由Norden E Huang于1998年提出的经验模态分解方法（Empirical Mode Decomposition, EMD），该方法可将原始的时间序列数据分解成为若干本征模函数（Intrinsic Mode Function, IMF），相比于傅立叶变换（Fourier Transformation）和小波变换（Wavelet），该方法不需要基函数（Basis）并且可以直接应用于非平稳、非线性时间序列。

为了帮助学员理解EMD方法，汪教授展示了EMD方法在经济研究中的应用。首先是论文“A New Approach for Crude Oil Price Analysis Based on Empirical Mode Decomposition”，文章通过EMD方法与IMF合成，将原油价格分解为：由供求关系决定的趋势项、由重大事件决定的低频部分以及由短期波动决定的高频部分，创新性地回答了能源经济学中的原油价格决定问题。

紧接着汪教授又通过论文“Estimating the Impact of Extreme Events on Crude Oil Price: An EMD- Based Event Analysis Method”介绍了基于EMD方法的事件分析法，EMD可以帮助消除事件分析法中的时间窗敏感性（sensitivity of the time window selection），从而便于更好地进行计量建模。

课程第二部分由魏云捷老师带来数据分解方法在预测中的应用。魏老师首先指出在预测中可以采用“分而治之”的集成学习（ensemble learning）思想，即通过数据分解方法将复杂的、非结构化的数据进行分解简化然后进行建模合成，从而提高预测精度，之后介绍了一系列数据分解方法，如小波变换、奇异谱分解（Singular Spectrum Analysis, SSA）、集成经验模态分解（Ensemble Empirical Mode decomposition, EEMD）、变分模态分解（Variational Mode decomposition, VMD）、互补集成经验模态分解（Complementary Ensemble Empirical Mode decomposition, CEEMD）等，最后魏教授分别给出了旅游业需求预测、外汇汇率预测、PM2.5预测以及基于区间值的原油价格预测的实证研究，其中基于数据分解与深度学习的集成方法在预测中往往有更好的表现。

课程第三部分由姜尚荣老师带来数据分解方法在金融中的应用。姜老师首先通过论文“Take Bitcoin into your portfolio: A novel ensemble portfolio optimization framework for broad commodity assets”介绍了将比特币纳入资产组合配置并构建自动化交易策略的工作，其中VMD-BiLSTM的模型在各种商品交易市场中都有较好的预测精度和稳健性，而相比于现有的投资组合，NEPO框架下的EBCA投资组合和TBCA投资组合有更高的收益率和夏普比，然后介绍了论文“Volatility communicator or receiver? Investigating the volatility spillover mechanisms among cryptocurrency, energy and major commodities”，文章通过基于VMD的TVP-VAR模型研究各类金融资产之间的波动溢出机制，并用于检验风险传染假说和市场注意力假说。

课程的最后，汪寿阳教授进行了总结：尽管数据分解方法目前还没有完备的数学理论支撑，但是各类数据分解方法已经广泛应用于复杂数据的分析和预测，并且在各个领域取得了许多成功的应用。汪教授鼓励学员们创新数据分解方法，勇于探索适用于具体问题的数据分解方法，并且将EMD等方法与计量模型和深度学习方法相结合，真正解决经济和社会研究中的问题。

（文/秦昊 吕耀廉 图/秦昊）