主办单位：管理学院
第一报告（讲座）题目：Monte Carlo and Quasi-Monte Carlo Methods With Applications in Finance and Insurance
报告人：赖永增 教授 加拿大劳瑞尔大学 (Laurier University)
报告时间：2018年5月22日（星期二）下午14 点30分
报告地点：管理学院第一会议室
【赖永增教授 简介】
赖永增是加拿大劳瑞尔大学数学系的全职教授， 他于1983年和1988年分别在中山大学获得学士学位和硕士学位，于2000年在美国克莱蒙研究生院获得博士学位，2000年5月至2002年6月在加拿大滑铁卢大学高级金融研究中心和统计与精算学系做博士后研究员。2002年6月到现在一直在加拿大劳瑞尔大学数学系做教授。他的主要研究领域包括金融数学（衍生产品的定价与风险管理、金融计算、 投资组合优化、 随机分析在金融和保险中的应用）、微分方程在金融和经济学中的应用、蒙特卡洛和拟蒙特卡洛仿真方法及应用。他在Automatica、Journal of Computational Finance、Insurance Mathematics and Economics、Economic Modeling等重要的国际期刊及会议录上已经发表了40多篇论文。主持加拿大国家自然科学基金多项，部分合作文章获教育部科研优秀成果三等奖及广东省社科优秀成果一等奖。
【报告内容】
The Monte Carlo simulation method is still the only feasible way to deal with high dimensional problems so far. It is widely used in many fields. The most recent application areas of this method are probably artificial intelligence and big data. The main drawback of this method is the issue of slow convergence. To accelerate the convergence, variance reduction methods, effective dimension method, quasi-Monte Carlo methods, etc., and their combinations were developed. In this talk, we will introduce various speeding up methods of the Monte Carlo and quasi-Monte Carlo methods with applications to financial engineering and insurance. If time permits, I will also introduce applications of the Monte Carlo and quasi-Monte Carlo methods to other areas.第二报告（讲座）题目：Lower partial moments, smooth nonparametric optimization and transaction costs
报告人：黄金波 副教授 广东财经大学
报告时间：2018年5月22日（星期二）下午16:00点
报告地点：管理学院第一会议室
【黄金波副教授 简介】
黄金波，广东财经大学金融学院副教授，硕士生导师，研究方向为金融工程与风险管理。近年来在国内外经济管理类顶级期刊《Journal of Economic Dynamics and Control》、《经济研究》和《管理科学学报》上发表学术论文20余篇。主持国家自然科学基金、教育部人文社会科学规划基金、中国博士后科学基金、广东省自然科学基金和广东省哲学社会科学基金等课题10余项。参加国际国内学术会议30余次并获得优秀论文奖10余项，2017年获得广东省第七届哲学社会科学优秀成果奖一等奖1项（排名第2）、二等奖1项（排名第1）。为Economics Letters, Quantitative Finance、管理科学学报、经济学季刊、中国管理科学等期刊的匿名审稿人。
【报告内容】
We propose a new smooth nonparametric kernel (NPK) portfolio optimization method for managing downside risk. Lower partial moments (LPM) are used as our measure of downside risk and we include transaction costs into our optimization model. We demonstrate that the mean-LPM model is a convex optimization model when the order of LPM is equal to or greater than one. We numerically and empirically compare our method with the traditional moment (MOM) method and find that our method produces portfolios that dominate those found using MOM. Numerical results show that our NPK method outperforms the MOM method in terms of estimation accuracy. Empirical tests show that NPK outperforms MOM in terms of portfolio performance using a wide variety of performance metrics. Furthermore, NPK has lower transaction cost at higher orders of LPM. In addition, NPK outperforms a naive equally-weighted strategy and the market index.
科研管理办公室
2018年5月15日
