范劍青：統(tǒng)計(jì)學(xué)+金融界的傳奇人物

本文作者：周蕾

2020-08-05 20:00

導(dǎo)語(yǔ)：年少不知范劍青，聞后便成死忠粉。

說(shuō)范劍青是“統(tǒng)計(jì)學(xué)界的傳奇人物”，絲毫不為過(guò)。

憑借首創(chuàng)的“非參數(shù)建模”理論，他在2000年獲得了COPSS總統(tǒng)獎(jiǎng)。哈佛大學(xué)教授Marvin Zelen為他頒獎(jiǎng)時(shí)說(shuō)：“范劍青對(duì)統(tǒng)計(jì)有巨大、廣泛的貢獻(xiàn)。”

這個(gè)號(hào)稱國(guó)際統(tǒng)計(jì)學(xué)界“諾貝爾”的獎(jiǎng)項(xiàng)，每年只頒給一位40歲以下的統(tǒng)計(jì)學(xué)最杰出的學(xué)者。

他的履歷上，遠(yuǎn)遠(yuǎn)不止這一項(xiàng)榮耀：晨興應(yīng)用數(shù)學(xué)金獎(jiǎng)，被譽(yù)為華人應(yīng)用數(shù)學(xué)界的最高獎(jiǎng)；泛華統(tǒng)計(jì)學(xué)會(huì)的“許寶祿獎(jiǎng)”，三年一次授予五十歲以下的概率統(tǒng)計(jì)學(xué)家；英國(guó)皇家統(tǒng)計(jì)學(xué)會(huì)“蓋伊獎(jiǎng)?wù)隆保℅uy Medal）銀獎(jiǎng)，從1892年以來(lái)這一獎(jiǎng)項(xiàng)的獲得者鮮少有華裔……

他是國(guó)際數(shù)理統(tǒng)計(jì)學(xué)會(huì)（IMS）創(chuàng)辦70年以來(lái)，第一位華人主席，也是國(guó)際統(tǒng)計(jì)學(xué)會(huì)、國(guó)際數(shù)理統(tǒng)計(jì)學(xué)會(huì)、美國(guó)統(tǒng)計(jì)學(xué)會(huì)、美國(guó)科學(xué)促進(jìn)會(huì)、計(jì)量金融學(xué)會(huì)這五大頂級(jí)學(xué)會(huì)的Fellow。他是《Annals of Statistics（統(tǒng)計(jì)年鑒）》創(chuàng)刊70年，第一位亞裔主編，也是國(guó)際頂級(jí)學(xué)術(shù)期刊《Journal of Econometrics（計(jì)量經(jīng)濟(jì)雜志）》的聯(lián)合主編，也擔(dān)任過(guò)多個(gè)國(guó)際一流學(xué)術(shù)期刊的主編和編委。

普林斯頓大學(xué)有一個(gè)特殊的金融教授席位，以著名銀行家、普林斯頓大學(xué)畢業(yè)生Frederick L. Moore的名字命名，Moore的學(xué)生捐款500萬(wàn)美元設(shè)立了這個(gè)席位。在全校評(píng)選之后，范劍青是第一位、也是唯一一位Frederick L. Moore'18金融教授。

學(xué)生們把這位學(xué)術(shù)大牛列入了統(tǒng)計(jì)學(xué)必讀，說(shuō)“任何一篇涉及高維降維的論文，都不可能不引用Fan的文章”——從2001年第一次排名以來(lái)，范劍青的論文引用次數(shù)就一直位列世界數(shù)學(xué)家排名榜的前十名。

“什么叫fundamental的貢獻(xiàn)？這就是?！币晃唤y(tǒng)計(jì)學(xué)學(xué)生感慨道。

讓理論照進(jìn)現(xiàn)實(shí)

應(yīng)用，是范劍青的學(xué)術(shù)生涯離不開(kāi)的兩個(gè)字。

博士畢業(yè)時(shí)，導(dǎo)師David L. Donoho對(duì)他說(shuō)，“中國(guó)人的數(shù)學(xué)功夫不錯(cuò)，但做學(xué)問(wèn)沒(méi)有自己的特色就永遠(yuǎn)沒(méi)有出路，我側(cè)重理論，而你應(yīng)該側(cè)重應(yīng)用?！?/p>

因此，范劍青這些學(xué)術(shù)成就的最大特點(diǎn)之一，就是讓理論照進(jìn)現(xiàn)實(shí)。許多原先只能解決飽和、一元、正態(tài)、均勻、參數(shù)的統(tǒng)計(jì)學(xué)問(wèn)題，在他的努力下，被擴(kuò)展到非飽和、多元、非正態(tài)、非均勻、非參數(shù)。

他首創(chuàng)的“非參數(shù)建模”，基本思想就是讓數(shù)據(jù)本身透過(guò)電腦自動(dòng)尋找一個(gè)統(tǒng)計(jì)模型來(lái)描述和刻畫(huà)，而這一模型能尋找最精確的非線性系統(tǒng)預(yù)報(bào)未來(lái)和描述變量之間的內(nèi)在關(guān)系，從而完全避免傳統(tǒng)參數(shù)模型帶來(lái)的人為偏差，也節(jié)省了許多人力。

這種方法已經(jīng)廣泛運(yùn)用在現(xiàn)代信息工程和統(tǒng)計(jì)表中的圖像處理，以及股票市場(chǎng)上。學(xué)術(shù)界認(rèn)為企業(yè)用它能更有效地評(píng)估承受金融風(fēng)險(xiǎn)的能力和蒙受損失的上限，作出正確的投資決定。

他還創(chuàng)建了“非凹性懲罰似然法” ，克服了模型選擇的偏差，為機(jī)器學(xué)習(xí)與高維復(fù)雜數(shù)據(jù)分析的理論與方法開(kāi)拓了新篇章；“非漸近替代方法”用來(lái)解決局部建模區(qū)域的帶寬問(wèn)題，可以推廣到許多非參數(shù)建模問(wèn)題中；“獨(dú)立篩選法” 大大提高了高維變量選擇的計(jì)算速度及統(tǒng)計(jì)性質(zhì)……

國(guó)際統(tǒng)計(jì)界對(duì)他的評(píng)價(jià)是“在理論和方法論上都開(kāi)辟了很多新領(lǐng)域，為后續(xù)研究奠定了基礎(chǔ)”。北卡羅來(lái)納大學(xué)統(tǒng)計(jì)系教授Marron甚至用“文藝復(fù)興”形容非參數(shù)建模對(duì)統(tǒng)計(jì)學(xué)的影響。

范劍青眼中的AI金融

如果以為范劍青只與統(tǒng)計(jì)學(xué)有關(guān)，那未免有些狹隘。他的一系列非參數(shù)建模與高維復(fù)雜數(shù)據(jù)建模等方面的理論，其實(shí)已經(jīng)在資產(chǎn)定價(jià)、計(jì)量金融、風(fēng)險(xiǎn)管理、機(jī)器學(xué)習(xí)、資訊工程，生物信息、生物統(tǒng)計(jì)等領(lǐng)域順利應(yīng)用。

大數(shù)據(jù)、人工智能的發(fā)展歷程，與數(shù)學(xué)、統(tǒng)計(jì)學(xué)息息相關(guān)，范劍青也因此將目光更多投向AI金融領(lǐng)域，投向數(shù)據(jù)智能與金融創(chuàng)新。雷鋒網(wǎng)AI金融評(píng)論曾經(jīng)報(bào)道他在2018世界人工智能大會(huì)上的主題演講：

在我看來(lái)，人工智能是機(jī)器學(xué)習(xí)的平方，讓機(jī)器自動(dòng)學(xué)習(xí)機(jī)器算法是機(jī)器學(xué)習(xí)的理想狀況。
它具體表現(xiàn)是在圖像識(shí)別、語(yǔ)音識(shí)別、機(jī)器學(xué)習(xí)、專家系統(tǒng)、計(jì)算機(jī)視覺(jué)還有自然語(yǔ)言處理等等。如果我們按圖靈測(cè)試來(lái)檢驗(yàn)現(xiàn)在的很多系統(tǒng)，恐怕我們多半系統(tǒng)是機(jī)器學(xué)習(xí)，不是人工智能。
換句話說(shuō)我們還沒(méi)達(dá)到平方，只是在往平方的路上。

當(dāng)時(shí)，范劍青談到人工智能的目的就是提高數(shù)據(jù)挖掘的能力，而挖掘數(shù)據(jù)的相關(guān)性是多種多樣的；機(jī)器智能可以降低勞動(dòng)力成本，減少信息不對(duì)稱性，提高預(yù)測(cè)能力。

在他看來(lái)，數(shù)據(jù)智能在金融領(lǐng)域的應(yīng)用，將覆蓋商業(yè)銀行的消費(fèi)金融、財(cái)務(wù)風(fēng)險(xiǎn)、客戶管理、風(fēng)險(xiǎn)判別，到證券市場(chǎng)的量化交易、智能投顧、風(fēng)險(xiǎn)防范和信用評(píng)估，還有保險(xiǎn)業(yè)的信用管理、詐騙分析、獲客分析、保險(xiǎn)精算。政府職能里面有風(fēng)險(xiǎn)評(píng)判、智能監(jiān)管、預(yù)警分析、政策評(píng)估。

那么對(duì)于金融科技的新十年，這位統(tǒng)計(jì)學(xué)界的國(guó)際頂尖專家會(huì)有怎樣的見(jiàn)解？

在本周日（8月9日）上午舉行的CCF-GAIR全球人工智能與機(jī)器人峰會(huì)「AI金融論壇」上，范劍青將講述統(tǒng)計(jì)學(xué)是如何隨著大數(shù)據(jù)演變，并成為現(xiàn)代機(jī)器學(xué)習(xí)和人工智能的基礎(chǔ)，和交易建模、高維統(tǒng)計(jì)與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的概述。

同時(shí)他還將針對(duì)金融數(shù)據(jù)處理中的大數(shù)據(jù)魯棒性問(wèn)題展開(kāi)論述，并著重介紹三大金融應(yīng)用：通過(guò)增強(qiáng)因子模型穩(wěn)健預(yù)測(cè)債券風(fēng)險(xiǎn)溢價(jià)、通過(guò)幾種統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法對(duì)高頻金融中動(dòng)量和持續(xù)時(shí)間的預(yù)測(cè)、通過(guò)特征篩選利用文本數(shù)據(jù)進(jìn)行投資組合選擇。