数字金融中的人工智能线上研讨会｜曲线何时真正发生了变化？

本文总结了 “数字金融中的人工智能”线上研讨会 系列中的一场 线上研讨会，主题是如何在 函数型时间序列 中检测 具有经济意义 的变化，而不只是统计上显著的变化。

研讨会信息

报告人： 孙佳婧（中国科学院大学）
时间： 2026 年 3 月 6 日（星期五）11:00（东欧夏令时）／10:00（欧洲中部时间）
地点： 线上（Zoom）

概述

在函数型时间序列中，标准的变化检测检验往往 过于敏感：它们识别出的变化虽然在统计上显著，却小到在实际决策中无关紧要。本报告提出一种 自正则化、基于调整值域 的检验方法，回答一个更为实际的问题：曲线的变化是否大到足以产生影响？

该方法 直接作用于函数型观测，绕开了常见的调参选择（如带宽选择）以及函数型主成分分析（FPCA）等常规降维步骤。研讨会还讨论了方法的大样本有效性，以及针对经典“无变化”基准的基于模拟的校准。

为说明该方法，我们研究了来自 Deribit 的 逐笔比特币期权成交 数据，在统一的对数在值程度（log-moneyness）网格上构建每日 30 天固定期限隐含波动率微笑，并运行滚动窗口监测。在 1 个波动率点 的相关性阈值（10% 水平）下，监测器标记出少数几次具有经济意义的机制转换（尤其是 2025 年 10 月初 和 12 月初 前后）。一个简单的跨式期权示例展示了如何将经过相关性门槛筛选的信号转化为 低换手率 的决策规则。

相关链接

Zoom 链接： 加入研讨会
活动页面： 数字金融中的人工智能研讨会系列

要点

• 如何区分曲线变化的 统计可检测性 与 实际相关性。
• 一种少调参的 函数型时间序列 变化监测方法。
• 一个基于 隐含波动率微笑 的加密货币衍生品实例研究。

孙佳婧的研究涵盖数字金融与数据驱动方法，包括利用银行年报数据和机器学习／文本分析流程构建金融科技竞争力多维评价框架的相关工作。