导师简介
如果你想申请澳大利亚莫纳什大学计量经济学与商业统计学的博士，那今天这期文章解析可能对你有用！今天Mason学长为大家详细解析莫纳什大学的Prof. Ole Maneesoonthorn的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考，并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！
教授现任职于澳大利亚莫纳什大学，担任计量经济学与商业统计学副教授。她于2012年在澳大利亚国立大学获得管理学博士学位，之后在澳大利亚昆士兰大学从事博士后研究。2019年他加入莫纳什大学，现任职至今。教授曾在多项国际会议上发表主题演讲，并担任知名期刊的审稿人。
研究领域
教授的主要教学领域包括统计学、计量经济学等。他开设了贝叶斯统计学、金融预测等统计学相关课程。他的研究兴趣集中在贝叶斯推断方法、时间序列预测、金融计量经济学等方面。他在贝叶斯统计模型优化、概率预测评估、波动率检验等领域具有深厚的学术造诣。他发表的多篇高水平研究论文进一步丰富了这些领域的学术积累。
研究分析
High-frequency jump tests: which test should we use? (Journal of Econometrics, 2020)
本文比较了高频金融数据中不同类型的跳跃检验方法。研究发现单变量检验存在一定缺陷,而将多变量联合建模检验能显著提高识别跳跃的准确性。该研究为采用合适的跳跃检验提供了指导。
Optimal probabilistic forecasts: when do they work? (International Journal of Forecasting, 2022)
本文研究了不同类型概率预测方法在金融时间序列中的效果。结果表明,适当校准的概率预测能够显著提高预测准确性。该研究对概率预测的应用具有重要指导意义。
ABC of the future (International Statistical Review, 2023)
本文系统概述了近年来approximate Bayesian computation (ABC)方法的新进展,如利用机器学习提高算法效率等。该综述强化了ABC在贝叶斯统计中的地位。
Bayesian forecasting in economics and finance: a modern review (International Journal of Forecasting, 2023)
本文回顾了贝叶斯统计在经济金融领域预测中的应用,评述了各类贝叶斯预测模型的优缺点。该评论充实了贝叶斯预测方法的文献总结。
The predictive ability of quarterly financial statements (International Journal of Financial Studies, 2021)
本文评估了财报数据在预测股价中的效果。研究表明,适当处理的季度财报信息对提高预测准确性具有帮助。该研究拓展了会计信息在金融预测中的应用。
项目分析
Property Price Index Development
该项目与墨尔本大学合作,目的是构建更准确的房价指数模型。该项目应用机器学习方法提取房价影响因素,并使用聚类分析识别不同区域的房价变动模式。研究发现采用该混合模型能显著提高房价指数的预测精度。
Loss-based Bayesian Prediction
该项目研究利用损失函数提高贝叶斯模型的预测效果。研究表明,结合不同类型的损失函数进行贝叶斯预测,可以获得比传统预期损失最小化更好的预测结果。该项目进一步完善了贝叶斯预测方法。
High-frequency Forecasting Models
该项目基于高频金融市场数据,构建多种股票和期货价格的预测模型。项目提出采用机器学习方法进行模型组合,能够整合各模型优势,显著提高预测准确率。该研究拓展了高频数据在金融预测中的应用。
研究想法
1、优化多种贝叶斯统计模型的集成
教授致力于发展贝叶斯统计方法,如文章“ABC of the future”中概述的ABC算法。我计划研究如何集成不同的贝叶斯模型,发掘各模型的优势,提高统计预测的整体效果。这可拓展贝叶斯统计的应用范围,为复杂系统建立更稳健的预测模型。
2、结合深度学习的概率时间序列预测
教授文章“Optimal probabilistic forecasts”探讨了概率预测的优化。我计划通过深度学习提取时间序列的概率特征,并与统计模型相结合,实现对时间序列分布的端到端建模。这可进一步提升概率预测的效果,使之更适用于实际复杂问题。
3、基于区块链的波动率估计
教授研究了金融资产的波动率检验与建模。我希望利用区块链的去中心化交易数据,研究设计适合数字资产的波动率估计与模型。这可拓展波动率模型在加密资产等新兴领域的应用。
申请建议
全面系统学习Bayes统计知识
至少精读2-3本主流的Bayes统计学教材,例如Gelman的Bayesian Data Analysis等。并实现书中的案例代码。
在GitHub上完成3-5个公开Bayes统计代码实践项目, demonstration技能。
重点阅读导师两篇时间序列预测方面的论文
深入阅读"Optimal probabilistic forecasts: when do they work?" 一文,并完成类似案例复现。
阅读"Bayesian forecasting in economics and finance" 一文,总结贝叶斯预测的热点方向。
以导师近期文章主题为引,撰写一篇评论/展望类文章线索
依托导师"ABC of the future" 一文,撰写一篇Approximate Bayesian Computation领域的综述文章,体现对前沿的把握。
通过PPT向导师介绍阅读心得和研究计划线索
PPT重点概括对导师研究方向的理解,以及自己的创新视角。
PPT中加入部分代码实现案例,表现技术能力。
【竞赛报名/项目咨询请加微信：mollywei007】
