- 標題：2020 年經濟計量實證研習營 (確定開課)
- 公告日期：2020-06-22
【2020 經濟計量實證研習營】
日 期：2020 年 9 月 3 日 (週四) 及 9 月 4 日 (週五)
地 點：國立臺灣大學管理學院 (教室另行通知)
主辦單位：臺灣經濟計量學會
1. 課程規劃
(1) 社會網路資料的計量模型分析及R程式的應用（程式範例：R）
課程日期：9 月 3 日 (週四)
課程講師：謝志昇教授
(2) 機器學習的時間序列應用（程式範例：R）
課程日期：9 月 4 日 (週五)
課程講師：何宗武教授 (國立臺灣師範大學管理學院全球經營與策略研究所)
本課程每日上課六小時 (9：00-12：00、14：00-17：00) 且由主辦單位提供午餐 (12：00-14：00)
2. 報名費用
(1) 社會人士、教授：
(2) 學生憑證：單日：新臺幣 2,000 元、雙日：新臺幣 3,800 元。
3. 報名網址
4. 繳費方式
l 線上報名後請匯款至本會華南銀行帳戶，匯款戶名：臺灣經濟計量學會，匯款帳號：154-10-000629-3 (華南銀行代號：008；台大分行)。
l 線上報名且繳費後請將以下報名相關訊息E-mail 至 tes@gate.sinica.edu.tw
(1)姓名 (2)匯款金額 (3)匯款日期 (4)匯款帳戶後五碼或是匯款單掃描檔 (5)如果為學生身份，需提供學生證電子檔。(6)課程當天會提供學會開立的收據，若需要統編、抬頭等，請於來信中註明。
l 完成線上報名，但尚未完成繳費者，於報名結果網頁中會顯示「待審核」；須完成線上報名與繳費，才算完成報名程序，待學會對帳完成，將以 E-mail 方式告知已收到報名費。
l 退費說明與停課標準請見附件說明。
5. 開課門檻與課程名額
本研習營已確定開課，課程單日名額上限為 60 人，歡迎儘早報名參加！
6. 電腦軟體
請學員自備筆記型電腦。
課程所使用的免費軟體 R請先自行下載安裝 (www.r-project.org)
7. 師資簡介
(1) 課程講師：
謝志昇教授 (國立臺灣大學經濟學系副教授)
個人網站：https://sites.google.com/site/chihshenghsieh/
(2) 課程講師：
何宗武教授 (http://web.ntnu.edu.tw/~tsungwu/)，美國University of Utah經濟學博士，現為臺灣師範大學管理學院教授。專長為資產訂價，總體計量和融合經濟計量方法和機器學習的計量資料科學 (Econometric Data Science)。曾在同濟大學經濟與金融學院擔任暑期客座高等計量方法講席，2019年將多年講稿由機械工業出版為經濟與金融計量方法，綜合著作，約有7本計量應用和資料科學專書，除此，有多篇論文發表在國際期刊，如J. of Applied Stat., JIMF, JIFM, Empirical Economics, J. of Macro and Economics Letters等，最近一篇以機器學習方法提出改善投資組合的雞尾酒演算法，已被Journal of Financial Data Science接受，預計本年刊登。R語言4個packages作者：GVARX, JFE, pdR, and iClick; 翻譯R-Commander中文介面。
8. 課程簡介
(1) 9 月 3 日之課程：
在此研習營中我們將介紹社會網路資料的一些特質及目前文獻上所主要使用的模型。討論的方向為如何用模型來分析 (1) 網絡對個人行為的影響及 (2) 網絡如何形成。課程所包含的主題如下：
· 網路資料介紹及敘述統計量的計算
· 估計網路外溢(同儕)效果
· 網路形成模型分析: (1) latent variable model (2) exponential random graph model (3) dynamic agent-based
· 網路形成及外溢模型的聯合估計
課程進行的模式為講師介紹完每個模型之後，使用統計軟體R做相關的模擬或是實證資料的分析練習。課程所設定的目標為每位學員在課後對於網路資料及模型有一定的了解及分析能力。
(2) 9 月 4 日之課程：
因應數位科技時代而備受重視的機器學習方法(Machine Learning, ML)，特色在其超強的預測能力。預測也是統計計量的重心，統計預測以估計「條件期望值」(conditional mean)為重心，機器學習則透過分類演算法直接追蹤資料特徵。目前機器學習方法涉入時間序列的研究越來越多。然而，因為時間戳的序列特性，讓訓練(training)過程必須分段設計，而不是隨機抽樣，要十分小心。
本課程針對「如何執行機器學習的時間序列預測」，議題是經濟與財務實證上的預測性(Predictability)，本課程實做部份以文獻上的日波動(volatility forecasting)和月失業率(unemployment forecasting)預測為範例。
大綱
(ML主題1)機器學習和方法論介紹，從Support Vector Machine開始
(ML主題2)自動化機器學習演算法：AutoML for forecasting time series.
(ML主題3)深度學習淺說：循環類神經(recurrent neural networks)之LSTM
(R Lab 1) R的時間序列物件簡介和機器學習元件(H20, TensorFlow, kera)
(R Lab 2) SVM for unemployment & volatility forecasting
(R Lab 3) AutoML(或LSTM) for unemployment & volatility forecasting
9. 學員參加所需具備程度，以及課前預習推薦
(1) 9 月 3 日之課程：
欲參加的學員最好具備研究所一至兩門計量課程的訓練，熟知離散選擇(discrete choice)模型及最大概似法(maximum likelihood)估計。另外，由於課程會使用統計軟體 R，所以建議學員在課前就先安裝R在筆記型電腦中，另外看個人意願安裝 R Studio 以增加方便的視窗介面。
課前預習推薦：
Advani, A., & Malde, B. (2018). Credibly identifying social effects: Accounting for network formation and measurement error. Journal of Economic Surveys, 32(4), 1016-1044.
Hsieh, C S, Lin, Xu, and Patacchini, E. Social Interaction Methods. forthcoming at Handbook of Labor, Human Resources and Population Economics
(1) 9 月 4 日之課程：
學員宜熟悉時間序列性質和基本模型，以及預測的概念。課前預習推薦，可依個人狀況，參考如下讀物：
時間序列預測方法
Hyndman, R.J. and Athanasopoulos, G. (2018) Forecasting: principles and practice, 2nd edition, OTexts: Melbourne, Australia. Accessed on https://otexts.com/fpp2/
Jocelyn Barker (2019) Machine learning in M4: What makes a good unstructured model? International Journal of Forecasting.
機器學習方法
Bishop Christopher M. (2009) Pattern Recognition and Machine Learning. Springer.
Gareth J., Witten D., Hastie T., and Tibshirano R. (2014) An Introduction to Statistical Learning— with Applications in R. Springer.
Prado L. Marcos (2018) Advances in Financial Machine Learning. John-Wiley.
Vapnik V. (2000) The Nature of Statistical Learning Theory, 2nd. Springer-Verlag, New York.
財經議題
Bolhuis, M. A. and Rayner, B. (2020). Deus ex Machina? A Framework for Macro Forecasting with Machine Learning (No. 20/45). International Monetary Fund.
Chakraborty, C. and Joseph, A. (2017). Machine learning at central banks. Staff working paper No. 674, Bank of England.
Diebold, F. X. and Shin, M. (2019). Machine learning for regularized survey forecast combination: Partially-egalitarian lasso and its derivatives. International Journal of Forecasting, 35(4), 1679-1691.
Gu Shihao, Bryan Kelly, Dacheng Xiu (2020) Empirical Asset Pricing via Machine Learning. Review of Financial Studies, 33(5): 2223-2273.
Montgomery, Alan L, Victo Zarnowitz, Ruey S. Tsay, and George C. Tiao (1998) Forecasting the U.S. Unemployment Rate. Journal of the American Statistical Association, 93(442): 478-493.
Poon Ser-Huang and Granger Clive W. J. (2003) Forecasting Volatility in Financial Markets: A Review. Journal of Economic Literature, XLI (June): 478–539.
- 附件檔案： 研習營課程收費方式、退費說明及停課標準
- 參考連結：
- 張貼人：網站管理員
- 最後修改時間：2020-08-11 AM 10:52
