2024年12月8日，“2024经济、科技与交叉科学研究国际峰会”在上海数学与交叉学科研究院召开。清华大学社会科学学院经济学研究所汤珂教授发表了以“教机器学习经济学”为题的主旨演讲。

汤珂教授在演讲中首先指出，传统的经济学模型在面对复杂的现实世界时，常常难以应对结构性变化和不确定性，因此需要寻找新的方法来提升传统模型的适用性和预测效果。随着数据量的急剧增长和计算能力的提升，机器学习（ML）技术已广泛应用于多个领域，并且能够从海量数据中提取潜在规律和信息。然而，在缺乏足够数据量的情况下（特别在经济和金融领域），机器学习模型的表现仍然会受限。此时，迁移学习技术（Transfer Learning）作为一种有效的解决方案，能够通过利用源领域（如大规模数据集）训练的模型，加速在目标领域（如小规模数据集）的学习过程，并已在计算机视觉、自然语言处理等领域取得了显著成功。汤珂教授及其合作者正在探索将这一理念引入经济学领域。

汤珂教授进一步阐述了如何通过迁移学习将经济学理论应用于机器学习模型的训练。他指出，研究人员可以将从理论经济模型（如Black-Scholes期权定价模型）合成的数据作为源领域中用的训练数据，利用其生成的模拟数据指导目标领域（如期权定价）的学习。在此过程中，汤珂教授及其合作者使用过去9个月的滚动数据训练机器学习模型，并以此预测未来3个月的期权价格。研究发现，迁移学习框架在期权定价方面的表现优于传统的随机波动模型和深度学习模型。同时，由于有经济模型的指导，在面对复杂和动态的金融市场时，迁移学习模型能够展现出更强的鲁棒性和适应性。

最后，汤珂教授总结道，我们不仅要关注如何利用机器学习改进经济模型的预测能力，还应关注如何通过数据反馈不断完善经济理论。他提出：“经济理论并未消亡，而是需要在新的数据环境中重新审视与发展。”

2024年12月8日，“2024经济、科技与交叉科学研究国际峰会”在上海数学与交叉学科研究院召开。清华大学社会科学学院经济学研究所汤珂教授发表了以“教机器学习经济学”为题的主旨演讲。

汤珂教授在演讲中首先指出，传统的经济学模型在面对复杂的现实世界时，常常难以应对结构性变化和不确定性，因此需要寻找新的方法来提升传统模型的适用性和预测效果。随着数据量的急剧增长和计算能力的提升，机器学习（ML）技术已广泛应用于多个领域，并且能够从海量数据中提取潜在规律和信息。然而，在缺乏足够数据量的情况下（特别在经济和金融领域），机器学习模型的表现仍然会受限。此时，迁移学习技术（Transfer Learning）作为一种有效的解决方案，能够通过利用源领域（如大规模数据集）训练的模型，加速在目标领域（如小规模数据集）的学习过程，并已在计算机视觉、自然语言处理等领域取得了显著成功。汤珂教授及其合作者正在探索将这一理念引入经济学领域。

汤珂教授进一步阐述了如何通过迁移学习将经济学理论应用于机器学习模型的训练。他指出，研究人员可以将从理论经济模型（如Black-Scholes期权定价模型）合成的数据作为源领域中用的训练数据，利用其生成的模拟数据指导目标领域（如期权定价）的学习。在此过程中，汤珂教授及其合作者使用过去9个月的滚动数据训练机器学习模型，并以此预测未来3个月的期权价格。研究发现，迁移学习框架在期权定价方面的表现优于传统的随机波动模型和深度学习模型。同时，由于有经济模型的指导，在面对复杂和动态的金融市场时，迁移学习模型能够展现出更强的鲁棒性和适应性。

最后，汤珂教授总结道，我们不仅要关注如何利用机器学习改进经济模型的预测能力，还应关注如何通过数据反馈不断完善经济理论。他提出：“经济理论并未消亡，而是需要在新的数据环境中重新审视与发展。”