金融大数据随机建模中若干非马氏问题及其应用的研究

This Preoject will mainly focus on some stochasical problem related to analysis the big financial data, such as stochastical data training, local models and model selection, G-expectation, stochastic optima subject to loss aversion and Risk measure in some non-markovian framwork. Especially we will apply these theoretical results to research the problems of risk measure, pricing of Derivatives, term structure of interest , modeling and computation methods for high frequence and dimension financial data.

本项目将针对实际金融市场中的海量数据，通过随机分组的方法进行局部随机建模，深入研究整体数据下模型的适用性与选择问题，结合G-期望和非可加概率的理论框架，以及Web马氏骨架过程的框架，对相关的风险度量和随机优化问题进行统一的理论表述。针对业界最关心的以中国金融市场特征为重要参照依据的信用风险评估、市场风险计量、金融衍生品定价、利率结构风险分析、高频高维数据的有效稳健处理、大规模金融计算等问题，进行研究。

本项目针对实际金融市场中的海量数据，通过随机分组的方法进行局部随机建模，深入研究整体数据下模型的适用性与选择问题，结合G-期望和非可加概率的理论框架，以及Web—马氏骨架过程的框架，对相关的风险度量和随机优化问题进行统一的理论表述。针对业界最关心的以中国金融市场特征为重要参照依据的信用风险评估、市场风险计量、金融衍生品定价、利率结构风险分析、高频高维数据的有效稳健处理、大规模金融计算等问题，进行研究。.项目组成员共发表期刊论文20多篇，取得专利20多项，研究取得的进展对促进深度数据分析研究的成长具有重要的理论意义；而且，研究成果可以应用于海量金融业务深度数据分析系统的实现，对金融企业压力测试、风险评估与管理以及程序化交易策略的构建具有深刻的现实意义。此外，本项目共培养博士生8名，硕士生若干。