2019兰州大学国际统计论坛于2019年5月18日-20日在兰州举行，预计代表95人，实际参会代表185人。会议主要就大数据统计理论与应用、统计机器学习理论与应用、复杂数据分析等领域中的前沿问题、生物医学统计、金融统计与风险管理等现代统计分析及其相关领域的理论、算法、应用进行了深入交流和探讨，会议共进行29场学术报告，其中大会报告10场、邀请报告15场，与会专家代表就该领域最新进展进行了深入交流探讨，尤其是与会的青年学者和研究生受益匪浅。

5月18日上午，北京大学的陈松蹊老师做了题为“Distributed Statistical Inference for Massive Data”的报告。陈老师的研究考虑了一般对称统计的分布式统计推断，其包含大规模数据环境中的U统计量和M估计量，其数据可以存储在不同位置的多个平台上。为了促进有效计算并避免不同平台之间昂贵的通信，陈老师等人制定了可以在较小数据块上进行的分布式统计，根据估计的均方误差和与数据块数量相关的渐近分布来研究分布式统计的统计特性，建立取决于基础统计和数据块数量的收敛速率和二阶正确性。此外，还提出了两种分布式引导算法，这些算法在计算上是有效的，并且能够捕获分布式统计信息的基础分布，并提供了所提出方法的数值模拟和实际数据应用以证明经验性能；北京大学的姚方老师做了题为“Intrinsic Riemannian Functional Data Analysis”的报告。在这项研究中，姚老师等人开发了一个新的基础框架，用于分析黎曼功能数据，包括内在黎曼功能主成分分析（iRFPCA）和内在黎曼功能线性回归（iRFLR）。其关键概念是沿着流形上的曲线的新的张量Hilbert空间，并首次建立了黎曼随机过程的Karhunen-Loeve展开。该框架还对来自不同张量Hilbert空间的对象进行了适当比较，为黎曼功能数据分析中的渐近分析铺平了道路；新加坡国立大学的陈泽华老师为大家做了题为“A procedure of linear discrimination analysis with detected sparsity structure for high-dimensional multi-class classifification”的报告。陈老师等人考虑高维模型中的判别分析，其中预测变量的维数在理论设置中与样本大小分开。重点是讨论类的数量大于2的情况。首先讨论了各种条件下线性判别规则的渐近分类率。在实际的高维分类问题中，假设类平均值和公共精度矩阵具有一定的稀疏性条件是合理的。通过理论研究表明，利用已知的稀疏结构，可以构造渐近最优的线性判别规则。在理论结果的推动下，提出了一种基于估计的稀疏结构构建的线性判别规则，该结构被称为线性判别与检测到的稀疏性（LDwDS）。建立了LDwDS的渐近最优性。进行数值研究以比较LDwDS与其他现有方法。数值研究包括综合模拟研究和两个实数数据分析。经过数值研究表明， LDwDS在错误分类率方面优于所有其他方法；吉林大学的朱复康老师做了题为“Robust quasi-likelihood estimation for the negative binomial integer-valued GARCH(1,1) model”的报告。朱老师等人的研究有三个主要目的。首先，在计算时间序列分析的研究中应用负二项模型，并考虑该模型的最大似然估计。其次，将广义线性模型中提出的Mallows的拟似然方法扩展到我们的情况。此外，还建立了在一定规律条件下得到的鲁棒估计的一致性和渐近正态性。最后通过模拟研究了这些稳健估计器在瞬态偏移和附加异常值存在下的性能。

下午，南京审计大学的刘广应老师做了题为“深度学习与VaR风险管理—基于含有交易量信息的金融高频数据分析视角”的报告。本次研究利用金融高频数据交易量信息,将深度学习LSTM模型应用于VaR风险管理。相对于传统时间序列模型，结合交易量信息的深度学习LSTM模型预测已实现波动率RV更为准确,利用半参数极值理论EVT方法估计收益率分位数,构建了LSTM-RV-EVT风险管理VaR模型，实证结果表明，该风险模型比传统VaR模型，以及未利用交易量信息LSTM的VaR模型，表现更为准确，拓展了深度学习在金融风险管理领域的应用；江西财经大学的刘小惠老师做了题为“Fast computation of Tukey trimmed regions and median in dimension p > 2”的报告。本次研究构建了两个新算法来计算Tukeyκ修剪区域，比已知算法快得多。此外，还导出了对Tukey区域的小平面数量的严格限制。在一项大型模拟研究中，将两种进行比较，在每种情况下都产生相同的正确结果。最后，该方法扩展到计算最里面的Tukey区域及其重心Tukey中值的算法；首都师范大学的胡涛老师做了题为“Regression Analysis of Multivariate Current Status Data with Semiparametric Transformation Frailty Models”的报告。胡老师等人研究了多变量当前状态数据的回归分析，并使用了一类灵活的半参数变换脆弱模型。 对于该问题，导出了最大似然估计过程，并且开发了一种非常稳定且可以轻易实现的新型EM算法，建立了结果提取器的渐近性质，数值研究表明所提出的方法在实际情况下运行良好；首都经济贸易大学的沈俊山老师做了题为“Bayesian analysis for transformation mode with nonparametric random effects”的报告。在这次研究中，沈老师等人开发了具有聚类结构的生存数据的贝叶斯变换模型，提出了Gibbs采样算法用于后验计算。通过模拟说明先验可以准确地模拟群集之间的异质性；长沙理工大学的梁小林老师做了题为“基于RCNN的大型建筑设施裂纹图像识别问题”的报告。他们利用卷积神经网络提取特征，利用边框回归确定边框，利用支持向量机等技术对建筑设施的表面裂纹进行识别，获得大型建筑设施的表面裂纹检测的算法。测试结果表明，该方法对小图像的识别率为96%，对大型复杂图像的识别率达到82%；淮北师范大学的唐风琴老师做了题为“Semidefinite programming based community detection for node-attributed networks”的报告。唐老师等人将具有m个属性的网络扩展到m + 1个网络，其中m个网络由相同网络节点上的m个属性构成，其余网络由原始结构网络生成，边缘权重由原始邻接矩阵确定。 通过沿指定属性的节点之间的相似性来测量每个属性构造网络的边缘权重。 从多层网络的角度考虑了节点归属网络的社区检测问题。并且通过实验证明了该方法的有效性。

5月19日上午，李仲飞老师做了题为：“养老金金融与双账户投资管理”的报告。李老师首先简要介绍我国老龄化现状与养老金体系。然后，引入个人收入所得税和第三支柱个人商业养老保险税收递延政策,考虑带时变风险厌恶系数、随机收入和退休财富目标约束的消费者的包含基本养老金和商业养老保险的双账户投资管理问题,探讨税收递延政策如何影响消费者的消费投资决策与商业养老金购买行为,分析如何根据个人的风险偏好特征、投资财富目标等因素来配置养老金财富。本研究对促进我国第三支柱个人商业养老保险的普及与发展,制定合理有效的税收结构,有一定的指导意义；香港科技大学荆炳义老师在本次论坛做了动态网络分析相关的报告。报告中，荆老师提出了所谓的归一化聚类系数，指出在DCBM模型下，可以从归一化聚类系数推断出“输出比”。 荆老师在三种流行的网络生成模型下研究了该指标的渐近性质，最后通过模拟实验结果与实际数据分析展示了归一化的聚类系数在网络聚类、网络采样以及动态网络分析中应用；澳门大学的刘志老师介绍了“Data efficient volatility matrix”相关的内容。刘老师指出，市场微观结构噪声、异步交易、多重记录等高频数据的变化特征给资产间波动率矩阵的统计推断带来了挑战。为此，他提出了实现波动率矩阵（DeRV）的一个有效估计，证明了它的一致性并建立渐进分布。与现有方法相比，DeRV在估算效率方面实现了很大改进。通过各种模拟与实际数据实验，刘老师评估了该估计方法在有限样本情况下的良好性能，并与现有方法进行了对比分析；紧接着，上海财经大学的夏宁宁老师做了题为“On the estimation of high-dimensional integrated covariance matrix based on high-frequency data with multiple transactions”的报告，主要内容是基于多个高频观测的高维扩散过程积分协方差（ICV）矩阵的估计。

下午，广州大学的胡建明老师做了题为”A novel forecasting approach for estimating wind power  prediction intervals”的报告，提出了一种新的预测方法来估计风力预测区间。西安电子科技大学的李本崇老师的报告内容为“Support condition for equivalent characterization of graph laws”；兰州交通大学的张仲荣老师作了题为“时空序列缺数数据修复研究”，提出了一种时空序列多缺失值插值算法；兰州财经大学的孙景云老师讲了“Robust optimal investment-reinsurance strategies for an insurer with multiple dependent risks”，关注了一个稳健的最优投资和再保险问题；来自兰州财经大学的郭精军老师做了有关“长记忆性过程—分数型随机过程驱动的期权定价模型”的报告。

5月20日上午，University of New Haven梁家卷老师在论坛做了内容为：“An Application of the Theory of Spherical Distributions in Multiple Mean Comparison”的报告。梁老师的研究主要围绕医学和生物问题中对高维小样本的方差检验。传统的多维检验方法需要等方差的假设，但是往往与实际问题不符，为解决这一问题，梁老师等人提出了基于球分布理论的检验方法，从而很好地应用于实际的医学和生物问题中；东北财经大学王建州老师在本次论坛做了以“基于数据分类的统计建模的研究及在金融、工程技术领域中的应用”为内容的报告。大多数传统的统计学习模型面临着数据类型难以确定、非线性拟合能力较差等问题。王建州老师的报告以此为目标，与大家共同讨论和探索如何将数据处理与分类技术与统计学习模型有机结合并应用在金融及工程技术领域中；南京航空航天大学达高峰老师做了内容为：“On Computation of Signatures of Monotone Systems”的报告。计算系统特征在可靠性方面一直是一项具有挑战的问题，达高峰老师提出了两种计算单调系统特征的新算法。第一种算法是直接算法，与现有算法相比更直观、高效。第二种算法是利用分解生存特征来计算一个模块化系统的特征，是对模块化特征算法的显著推广。且重点介绍了在网络系统和分支输油管道方面的应用；兰州大学韦阳博士做了内容为“Statistical inference of Signatures of Monotone Systems”的报告。检验洛伦兹优势在经济和社会科学中有很重要的影响意义。韦阳博士及其团队提出了用以得出两洛伦兹曲线差异结论的新工具。同时还提出了一种平滑的杰克刀经验似然（JEL）方法，避免了复杂的渐近方差估计。此外，模拟研究和实际数据分析显示出了样本的有限特性；兰州大学张冬雪同学做了“基于SOM神经网络和广义回归神经网络的风速预测方法”的报告。由于风速数据的非线性和非平稳性,传统的风速预测模型难以精确地对这类数据进行建模和预测，张冬雪同学提出了一种新的混合建模方法：基于PCA 降维、SOM聚类和 GRNN 非线性回归的组合预测方法，研究结果表明该混合模型在中长期风速预测方面具有更优的预测性能。

下午，兰州大学韩弘炀同学做了“基于分类模型集成的定期存款客户预测”的报告。通过利用数据挖掘技术识别有意愿存款的客户从而应对因缺乏根本存款而对银行造成巨大冲击，韩弘炀同学通过对数据的描述性分析予以银行营销策略指导；通过使用决策树、随机森林、xgboost、LightGBM模型进行最优参数选择并结合不平衡数据处理方法得到更为有效的分类器；兰州大学徐梦影同学做了“基于行为金融学的证券市场资金流动模型研究”的报告。该研究基于行为金融学，创造性地将证券市场资金作为研究对象,运用动力系统的研究方法,建立了证券市场资金流动过程的数学模型，徐梦影同学的研究为行为金融学研究方法的拓展提供了新方向；兰州大学王辉同学做了“Research on Enhanced K-means Algorithms Based on Shrinkage Estimation”的报告。聚类是统计学和其他科学领域的一项重要任务，王辉同学提出了名为“增强收缩k均值”的一种改进的k均值聚类方法，这种新算法考虑无监督聚类和监督分类方法的优点，通过James-Stein估计将聚类中心缩小到原型向量。

会议就大数据统计理论与应用、统计机器学习理论与应用、复杂数据分析等领域中的前沿问题、生物医学统计、金融统计与风险管理等现代统计分析及其相关领域的理论、算法、应用进行了深入交流和探讨，取得以下成果：

1、国内外代表就自己研究方向和最新进展深入交流，就以后学科发展指明方向；

2、通过交流，使本学科青年教师和研究生对统计学发展有了更深入的了解和阐释；

3、青年学者在新的领域的研究有了深入了解，促生大数据分析部分新的发展方向。

本次会议达到预期目标，通过本次会议，建立起青年研究学者和本领域专家的互动交流和合作机会，扩宽了研究视野。促进兰州地区统计学科的研究发展，会议期间也达成部分进修意向，将对本学科以后的发展产生深远的影响。