近日，我院金融学系陈创练教授与其指导学生团队等在《经济研究》、Journal of Futures Markets、Macroeconomic Dynamics等期刊合作发表关于“企业加成定价”、“期货风险溢价”和“流动性陷阱”等领域文章。
我院陈创练教授与其指导学生王舒丹（2024届博士毕业生）、王浩楠（2022届博士毕业生）以及厦门大学姜富伟教授等合作在《经济研究》2025年第4期发表论文《智能制造应用与出口企业加成定价》。
摘要：国家智能制造政策以及企业的智能制造转型是否有助于提高中国出口的成本加成率，这是增强中国企业在国际竞争中市场势力的关键所在。鉴于此，该文构建一个嵌入需求侧和供给侧的寡头垄断模型，分析价格粘性或灵活定价时智能制造应用对企业成本加成率影响的直接效应和间接效应。基于爬虫从61785份上市公司年报提取智能制造水平的实证表明，智能制造应用显著提高出口企业的成本加成定价水平，该效应在非国有、高科技和不受融资约束的企业中表现更为显著，且仅在数字技术发展成熟期或数字基础设施完善地区显著成立。机制分析发现：短期内企业智能制造应用的成本加成率效应直接通过资本效率和劳动效率渠道发挥作用；在长期上，智能制造应用是通过行业内和行业间的竞争渠道间接提升企业成本加成率。进一步研究表明，国家智能制造政策试点显著提高企业成本加成率的行业内竞争效应和行业间竞争效应；但市场集中度效应并未全面显现，而仅对处在产业链低端的企业群发挥作用。文章最后就如何利用智能制造转型契机重塑中国出口竞争新优势提出对策建议。
我院陈创练教授与其指导2025级硕博连读生林焕恒等合作在《Journal of Futures Markets》2025年6月发表论文《Deep learning-based network relationship construction method and its impact on futures risk premiums》。
摘要：该文提出一个基于深度学习框架的混频模型时间图卷积网络方法（MIDAS-TGCN），用于模拟期货市场的波动溢出网络，并考察其对风险溢价的影响。由于传统基于VAR模型的溢出方法在捕捉高维非线性依赖关系和整合宏观经济金融错频数据方面存在局限性，因此，本文将混频数据采样（MIDAS）与时间图卷积网络（TGCN）进行深度融合，通过双路径处理高频市场数据和低频宏观经济指标，生成不同的短期（市场驱动）和长期（宏观驱动）波动网络。通过我们提出的模型框架得出的波动网络溢出指数，不仅捕捉了对系统性事件的结构性反应，而且与传统方法相比，表现出更强的有效性，如降低了模型估计结果对尾部事件的敏感性。更重要的是，与传统方法估计结果相比，通过MIDAS-TGCN方法构建的网络溢出指数具有显著的资产定价功能，即波动网络拓扑结构显著影响期货风险溢价。该文研究拓展了时间图卷积这一深度学习方法在精确识别金融风险传染网络以及资产定价领域的应用。
我院陈创练教授与其指导学生徐锦辉（2024届硕士毕业生）、高锡蓉（2023届博士毕业生）以及清华大学董丰教授等合作在《Macroeconomic Dynamics》2025年2月发表论文《Liquidity trap, private behavior preference, and the micro-foundation of fiscal multiplier dynamics》。
摘要：文章将流动性陷阱和私人行为偏好纳入新凯恩斯主义动态随机一般均衡模型，以分析他们对财政政策乘数效应的影响。结果表明，流动性陷阱是由利率传导效应和预防性储蓄效应共同驱动而显著放大了乘数效应。此外，我们还研究了两种类型的私人行为偏好：习惯形成和投资者信心。其中，习惯形成显著提高了短期政府支出乘数，同时对不同类型税收的政策效果产生了不同的影响，与简单习惯形成相比，深层次习惯形成导致乘数曲线更为平坦。而投资者信心对产出波动的反应高度敏感，在中长期内提高了支出乘数和税收乘数。此外，与习惯形成的影响相比，投资者信心渠道略微放大了流动性陷阱对乘数的影响效应。
责编|马艺丹
校对|马艺丹 黄梓霞
初审|区昕然
复审|陈创练
终审发布|何凌云
