复旦大学“2025金融与人工智能国际研讨会”在管理学院政立院区举办

2025年11月8日，复旦大学“2025金融与人工智能国际研讨会”（2025 Fudan International Symposium on AI in Finance）在复旦大学管理学院政立院区圆满举办。会议旨在探讨人工智能在金融学术研究中应用的前沿话题，吸引了来自中国（含港澳地区）、美国、英国、德国等国家的140余位知名高校的专家学者和金融从业者参会。本次会议由复旦大学管理学院金融与财务学系主办。

复旦大学管理学院院长陆雄文致开幕词，他首先对来自世界各地的杰出学者和研究人员表示热烈欢迎。他指出，人工智能（AI）已不仅是一种强大的计算工具，更是一股深刻重塑金融市场理解、决策和风险衡量方式的智力力量，促使学者们从新视角重新审视经济学和金融学的基础问题。陆雄文院长强调了将人工智能工具广泛融入教学与研究中的趋势，指出在金融学科与业界应用人工智能应具有灵活性，并展望了AI在金融等领域创造更美好未来的潜力。

复旦大学管理学院金融与财务学系李达三讲席教授李隽业主持研讨会，会议分为三场主旨演讲与六场学术汇报。复旦大学金融与财务学系主任蒋肖虹教授和李隽业教授主持了主题演讲环节，马成虎教授、战昕彤教授与朱祁副教授主持了学术汇报环节。

来自普林斯顿大学的Yacine Ait-Sahalia教授和范剑青教授及来自芝加哥大学的修大成教授分别发表主题演讲。Yacine Ait-Sahalia教授在题为“So Many Jumps, So Little News”的演讲中指出：相关的公司层面或宏观新闻通常会迅速引发股价跳跃，但许多股价跳跃并非由新闻引发；这些无新闻跳跃主要由市场微观结构引发，并且也会产生持久的价格影响。基于以上发现，他指出市场并非始终保持理想化的流动性和稳定性，呼吁更多关注如何提高股票市场效率。

美国普林斯顿大学范剑青教授发表了题为“Measuring Misinformation in Financial Markets”的主题演讲。范剑青教授介绍了一个利用大语言模型等人工智能技术构建的一个量化公司层面错误信息的框架，揭示了错误信息背后的驱动因素和对投资者行为、股价未来表现和风险的影响，他呼吁投资者、监管机构与公司关注错误信息的作用。

美国芝加哥大学的修大成教授发表题为“Machine Learning in Asset Pricing: Myths, Missteps, Criticisms, and Real Limits”的主旨演讲。他在演讲中系统性地介绍了机器学习如何应用于资产定价领域，对其中的常见误区和批评做出了解释，并阐述了机器学习与资产定价结合的正确发展方向。修教授从机器学习方法的可解释性、策略可盈利性、对传统方法的改进提升、稳健性、经济意义与未来发展挑战等方面展开，指出机器学习并非万能，但对现代金融经济学是变革性的工具，将其提供的先验知识与来自经济学家的洞察力相结合，便能够以前所未有的深度和广度探索金融经济学的核心问题。

学术汇报环节共有6篇高质量学术研究成果。德国德累斯顿工业大学的Lars Hornuf教授发表了题为“Making GenAI Smarter: Evidence from a Portfolio Allocation Experiment”的学术报告。他聚焦于领域特定信息是否以及如何影响大语言模型在金融投资组合配置任务中的表现这一问题，指出提供领域信息能够帮助大语言模型提供更实用的投资建议，其中定量信息比定性信息更有助于改进其表现。来自上海财经大学的Mo Wang从股票选择、情绪指标构建、不同大语言模型表现比较等方面进行了点评。

来自上海交通大学的Xingjian Zheng发表了题为“Memory and Generative AI”的报告。他介绍了一项研究发现：生成式AI（如ChatGPT）的“记忆”会影响其风险偏好，进而改变其金融决策，这项发现揭示了AI决策的内在机制。来自上海财经大学的Jiangyuan Li从模型稳健性、研究设计和AI的数字偏好等角度进行了点评。

来自英国牛津大学的Yuantao Shi发表题为“The Limited Virtue of Complexity in a Noisy World”的学术报告。报告主要探讨了在存在噪声的金融预测模型中，模型复杂度的优势是否有限，从模型复杂度和噪声的角度为投资者的预测与决策提供建议。来自香港中文大学的Jingyu He从度量误差、噪声的不同性质、自编码降噪等角度进行了点评。

来自香港科技大学的Wei Jiang发表题为“The Economics of Bitcoin Mining: From Hotelling to Nakamoto”的学术报告。他提出了一个关于比特币挖矿供应行为的动态理论，并探讨了霍特林规则在该问题中的适用性。来自中央财经大学的Yuecheng Jia从简约式模型中的跳跃风险识别、电价的作用、模型设计等角度进行了点评。

来自中国科技大学的Xin He发表题为“Stochastic Discounter Factors with Cross-Asset Spillovers”的学术报告，他提出了一个纳入多信号与跨资产溢出效应的系统性投资框架，该框架的核心在于多重信号与跨资产预测，其策略具有良好的稳健性和经济可解释性。来自香港中文大学的Sicong Li从模型假设、估计稳定性等角度进行了点评。

来自香港城市大学的Gavin Feng发表题为“Asset Heterogeneity and Uncommon Factors”的学术报告。他提出一项能够同时处理资产聚类与因子选择的研究框架，并且提供了聚类的经济含义和投资与预测表现。来自香港科技大学的Xiaoliang Wang从聚类与非线性、异质性的定义、研究启示等方面进行了点评。