【报告摘要】复杂数据不仅体现为文本、图像、网络等数据类型的多样化，还表现为变量之间错综复杂的关联，呈现出高维、时变、小样本、缺失等特征。在此背景下，传统依赖单一模态数据与单一模型的计量方法，已难以有效刻画经济等复杂系统的内在动态性。因此，我们综合运用特征提取、迁移学习等人工智能技术，从多维度、多层次挖掘数据信息，构建模型平均的新范式，整合不同模型的互补性解释优势，有效降低模型不确定性，从而提升预测的精准性，揭示复杂系统的运行规律与演化机理。在理论上，建立了权重的最优性与相合性等渐近理论；在应用上，通过经济学、金融学和管理学中的典型实例，验证了模型平均新范式的实践价值,为不确定性环境下的科学决策提供有效支撑。

【报告人简介】孙玉莹，中国科学院数学与系统科学研究院研究员(所聘)、博士生导师，研究兴趣主要有计量经济学、经济预测理论与方法等。在Journal of Econometrics, Journal of Business & Economic Statistics，《中国科学：数学》，《管理科学学报》等国内外重要期刊上发表论文30余篇；基于新理论与新方法，作为主笔，30余篇政策报告获国家领导人批示或被中办、国办采用。