统计因果推断模型理论与应用：基于大脑网络及金融市场研究

　　本书主要针对大脑网络及金融市场场景研究统计因果推断模型的理论与应用，主要创新点与特色有以下五点。（1）在大脑神经元网络方面，通过非线性动力学、格兰杰因果等方法对Hodgkin-Huxley模型及其耦合系统进行研究，运用提出的具有弱小噪声的延展型格兰杰因果关系算法开展神经网络因果关系检测。分析统计上的因果关系与实际解剖上的拓扑连接结构之间的联系，探讨神经元突触连接强度、因果关系值、不同动力学特性三者之间所存在的关联，重构出给定拓扑接的Hodgkin-Huxley模型的神经网络因果关系。（2） 研究Hodgkin-Huxley神经网络混沌、周期动力学发生的条件，找到混沌、周期、 拟周期三种不同动力学情况下所对应的刺激参数。将两个神经元网络NEGCI算法拓展到更大规模的神经网络模型，研究检验神经网络结构中神经元之间的因果强度关系，以及所得出的因果强度与突触的链接权重之间的关系。（3）关于宏观经济数据和金融数据，考虑到尾部风险在金融风险管理中的重要性，提出了非参数分位数格兰杰因果检验、分位数回归下的条件格兰杰因果检验、基于Copula分位数格兰杰因果检验方法，所提出的方法具有较好的统计水平和功效，并且能够检验线性和非线性系统的格兰杰因果关系。（4）相对于非参数因果关系检验方法，本书提出的分位数回归条件格兰杰因果检验方法不仅不需要选择平滑参数，对检验结果的可靠性也有进一步的保证，而且还能够获得单分位点和分位数区域下的因果关系，有利于获得数据分布整体因果关系结构。（5）考虑到数据的异质性问题，本书开展面板数据格兰杰因果关系研究，重点探讨了异质性面板数据模型的格兰杰非因果检验和自助法面板格兰杰因果检验两种方法。

　　数学博士，上海立信会计金融学院统计与数学学院讲师，主要研究领域为计算神经科学中的数学建模及动力学分析、金融风险与管理，包括大脑神经元网络因果关系重建及神经元动力学内在机制；模式识别，深度学习等方法在大数据中的应用；分位数回归及分位数回归下的格兰杰因果检验等。在《系统工程学报》《数量经济研究》《计算机工程与科学》《The Journal of Computer Science and Technology》《Italian Journal of Pure and Applied Mathematics》等学术期刊发表论文5篇，其中多篇论文被CSSCI、CSCD及SCI全文收录，软件著作权1项。参与完成国家自然科学基金项目1项，主持并完成“上海市青年科技英才扬帆计划”人才项目（16YF1415900）、“上海市高校青年教师培养资助计划”（ZZSHJR15045），上海立信会计金融学院教学改革项目等。