“浙大经院大讲堂”之史震涛教授报告会举办
10 2025年5月12日下午，应vwin德赢AC米兰合作邀请，香港中文大学经济系史震涛教授做客第118期浙大经院大讲堂，作题为“Does Noise Hurt Economic Forecasts?”的报告。本次报告会由vwin德赢AC米兰合作主办，浙江大学金融研究院协办，vwin德赢AC米兰合作易艳萍教授主持。
史教授介绍了高维情境下经济预测模型的相关文献。在经济预测领域，预测结果通常由一组低维的潜在因子决定，这些因子概括了宏观经济、金融市场及政策环境。由于因子不可观测，研究者往往借助高维预测变量来提取有用的预测信息，并在稀疏性（sparsity）假设下进行变量选择和降维，以剔除噪声、提高预测精度。然而，近期大量的研究表明，在许多经济情景中稀疏性假设是相当脆弱的，在高维情景下经济数据可能不足以唯一识别出真正相关的预测变量，过度追求稀疏反而可能影响预测效果。
基于这一背景，史教授假设真实的数据生成过程服从潜在因子模型。由于因子不可观测，在实操中直接用伪最小二乘法（pseudo-OLS）估计高维预测变量的线性回归模型。在这一框架下，史教授指出，预测信息在高维回归系数中呈现稠密（dense）分布，而非集中于少数预测变量，并通过数值模拟展示了在伪最小二乘下，对于密集模型，当变量个数p大于样本量n时，预测的均方误差（MSE）会随p的增加呈现下降的趋势，且能达到比稀疏情形下更小的MSE。这一事实引出了一个“反直觉”的结论——将噪声纳入预测模型反而能得到更好的预测效果，进一步而言，若可用的预测变量总数不足够多，研究者甚至应刻意加入额外的噪声变量以提高预测效果。这一出人意料的结论引发了在场师生的热烈讨论。
为阐释其机制，史教授介绍了预测方差和预测偏差平方的渐近性质：当p > n时，预测方差随p增加而减小，而预测偏差平方随p增加而增大，但若因子信号足够强，预测偏差平方的增加是可控的，这两种效应最终导致了MSE的减小，并进一步证明了在适当条件下，伪最小二乘预测的MSE能够达到理论最优值。史教授还说明了如何选择最优变量个数p以最小化MSE。最后史教授指出，在当今大数据时代，追求简约模型可能是错误的——拥抱噪声和复杂性，反而能更接近真实数据生成过程。
在交流环节，史震涛教授与老师同学们就模型设定、实证应用以及未来可能的拓展等问题进行了交流，报告会在热烈的掌声中圆满结束。
