随着人工智能时代的到来，如何主动求变拥抱科技革命，紧跟变革的步伐，这对地方性师范类高校的商学院形成了巨大的挑战。我校商学院在大数据、人工智能与专业结合上提前谋篇布局，鼓励学院老师形成交叉性的研究团队，学院层面给予政策和资金支持。持续的投入初见成效，专注于数智金融研究的学科团队产出了一系列高质量的研究成果，初步形成了人工智能在金融时间序列预测方向上的研究特色。

近期，商业数据系朱敏副教授和宋玉平副教授组成的研究团队喜讯不断，系列研究成果连续发表在人工智能领域的权威期刊。其中，3篇论文发表在《Expert System with Applications》（中科院1区，TOP期刊，影响因子IF=7.5），1篇论文发表在《Applied Soft Computing》（中科院1区，TOP期刊，影响因子IF=7.2）。

该研究团队专注于研究如何利用深度学习方法改进金融时间序列的建模和预测。系列研究分别从高频和低频两类典型的金融数据特征入手，通过设计特定的混合神经网络架构，利用深度学习方法下大维度、非线性估计方面的优势，提升金融实践序列建模和预测的精度。其中，论文“Modelling and forecasting high-frequency data with jumps based on a hybrid nonparametric regression and LSTM model” 针对金融高频数据中带跳的特征，构建非参数回归和LSTM的混合模型，提升了高频数据瞬时价格预测的精度。

论文“Multi-Decomposition in Deep Learning Models for Futures Price Prediction”从时间序列分解的角度，重点研究了时间序列的多重分解对深度学习方法的价值。研究发现相对于传统模型和机器学习模型，有效的分解是提升深度学习模型预测准确性的关键。

论文“A parallel hybrid neural networks model for forecasting returns with candlestick technical trading strategy”探索了基于多重价格信息，构造混合平行神经网络模型提升日度价格预测准确性的可行性。论文基于反转型蜡烛线组合信号发现中综合趋势和短期价格变动的思路，通过对价格的分解和重组，构建长期和短期的价格分量，再利用平行混合神经网络模型对价格趋势进行预测，实证表明创新的方法能够有效提升预测精度。

论文“Energy price prediction based on decomposed price dynamics: A parallel neural network approach”则是在上面研究的基础上，通过数据采样的方法替代了价格分解方法，优化了趋势和短期价格变动成分的构造方式，完善了之前提出的平行混合神经网络模型，在能源价格预测上的运用证实了改进方法的有效性。

为了迎接人工智能对商科变革的挑战，贯彻学校加强人工智能+的交叉学科创新战略，商学院采取了系列措施，主动求变，迎接人工智能对商科教学和研究的挑战。商科领域人工智能变革的本质是技术赋能的专业创新，需要计算机、数学、金融和经济多学科交叉融合。意识到这一趋势，商学院早在2018年成立了商业数据系，把专业背景是计算机、统计、金融等教师整合在一起，承担与大数据、深度学习相关的教学和研究，为本科金融科技专业和硕士数智金融专业建设提供支持。其次，持续引进人工智能专业方向的优秀人才，不断加强师资队伍建设。近年来，引进了荷兰鲁汶大学专注智能算法运用研究的杨帆博士、美国爱荷华大学数据科学专业毕业的丁一晨博士，充实人工智能方面的研究人才。这些海归青年教师表现优异，获得浦江人才、白玉兰人才等专项资助。

人工智能方面的人才建设和学科研究业已反哺于传统商科的教学改革。近年来，商业数据系的老师新开设《数据挖掘》、《大数据分析》、《深度学习》等课程，为金融科技新专业和学校数学金融人工智能班提供专业教学，2024年暑期进一步为金融专业硕士研究生提供了AI通识课。近年来，商学院本科生和研究生在泰迪杯等大数据、人工智能挑战赛也频频获奖。此外，连续2年与科大讯飞合作，组织AI开发者大赛的命题和评奖。参与全球知名机构协作研究项目—《情感计算白皮书》的撰写和发布。人工智能+金融的学科特色形成了一定的社会影响。

论文网址：

https://doi.org/10.1016/j.eswa.2023.121527

https://doi.org/10.1016/j.eswa.2024.123171

https://doi.org/10.1016/j.eswa.2024.124486

https://doi.org/10.1016/j.asoc.2024.111972

（撰写：商学院）