题 目：面向经济与金融应用的监视学习算法较量与推测函数特征描绘

报告人：刘岩，武汉大学经管学院金融系副教授

时 间：10月9日，星期五，14:00-15:00

地 点：伟易博2号楼216室

摘 要：

已往十年来监视学习要领在经济与金融研究中最先获得普遍关注，并在若干领域中取得应用突破。然而，由于监视学习算法众多，理论基础与特征各异，研究者在详细应用中保存怎样选取适当算法的问题。本文首先比照了经济与金融研究中常用监视学习算法的理论基础与特征，特殊突出了在小样本应用中算法选择应该注重的问题。在此基础上，针对领域应用的主要需求，本文提出了一套剖析、测算算法所天生推测函数特征的要领系统，并以此说明各主要类型算法在变量筛选、数据非线性特征描绘方面的性子，为监视学习在经济与金融研究中更普遍的应用提供一个简朴、有用的基础。

简 介：

武汉大学经管学院金融系副教授，武汉大学大数据研究院金融大数据研究中心副主任，武汉大学经济生长研究中心宏观经济所所长。主持完成一项国家自然科学基金青年项目，主持一项欧洲稳固机制国际相助项目，担当一项国家自然科学基金国际相助项目执行认真人，加入若干自科、社科及教育部重大、重点项目。认真“中国银行业数据库”建设。研究论文揭晓于《人民日报·内参》、《中国工业经济》、《金融研究》、《经济谈论》、Accounting and Finance、Applied Economics Letters、Texas International Law Journal等海内外经济、金融、法学着名期刊。研究论文获得中国金融学年会最佳论文（2017、2018），武汉市社会科学优异效果三等奖（2018），PwC3535年度最佳论文奖（2020），《天下经济年鉴》世经经济统计学2019年最佳论文TOP10；教学事情获得武汉大学经济与治理学院教学孝顺院长奖；博士结业论文获得石溪分校经济系Marty Weinbaum优异研究奖。

Statistics Seminar（2020-01）

Topic:SGD-based Online Pricing and Capacity Sizing of Queueing Systems

Speaker:陈昕韫，哥伦比亚大学

Time:Friday, Octoberr 9, 15:00-16:00

Place:Room 216, Guanghua Building 2

Abstract:

We study a dynamic pricing and capacity sizing problem in a GI/GI/1 queue, where the service provider’s objective is to obtain the optimal service fee p and service capacity so as to maximize cumulative expected profit (the service revenue minus the staffing cost and delay penalty). Due to the complex nature of the queueing dynamics, such a problem has no analytic solution so that previous research often resorts to heavy traffic analysis in that both the arrival rate and service rate are sent to infinity. We propose an online learning framework designed for solving this problem which does not require the system’s scale to increase. Our algorithm organizes the time horizon into successive operational cycles and prescribes an efficient procedure to obtain improved pricing and staffing policies in each cycle using data collected in previous cycles. Data here include the number of customer arrivals, waiting times, and the server’s busy times. The ingenuity of this approach lies in its online nature, which allows the service provider do better by interacting with the environment. Utilizing coupling techniques, we show that our algorithm is asymptotically optimal as its regret bound meets the theoretic lower bound. The talk is based joined works with Yunan Liu and Guiyu Hong.

Introduction:

陈昕韫博士于2014年取得哥伦比亚大学运筹学博士学位。结业后先后任教于美国纽约州立大学石溪分校和武汉大学，现在香港中文大学（深圳）数据科学学院任助理教授。陈昕韫博士的主要研究领域为随机模拟、排队模子和强化学习。她的研究事情多次揭晓在Annals of Applied Probability、Mathematics of Operations Research和ICLR等着名期刊和聚会上。陈昕韫博士现在担当美国运筹学和治理学研究协会（INFORMS）应用概率学会理事会成员，期刊《Journal of Applied Probability》,《Advances in Applied Probability》编辑。

Your participation is warmly welcomed!