2026年7月6日，北大经院-苏黎世大学机器学习与宏观金融暑期学校（PKU–UZH PhD Summer School on Machine Learning for Macroeconomics and Finance）正式开营。本次暑期学校由北京大学经济学院、苏黎世大学等顶尖学者联合发起，面向机器学习与宏观金融交叉领域青年学者定向开设，聚焦机器学习在宏观经济学、宏观金融领域前沿落地与学术创新，搭建高水平、国际化、跨学科的学术交流平台，助力青年学者夯实科研基础、拓宽国际学术视野。
本次暑期学校共收到全球80余所高校及科研机构近400名师生报名。最终，暑期学校录取127名教师和学生，来自北京大学、清华大学、复旦大学等国内27所顶尖高校和港澳4所知名院校，以及斯坦福大学、牛津大学、苏黎世大学等36所海外名校。学员以博士研究生为主体，同时包含优秀本科生、硕士研究生、博士后、青年讲师、助理教授、副教授、教授等学术人才，形成跨学段、跨院校、跨国界的多元青年学术交流群体。
暑期学校课堂
暑期学校组委会由苏黎世大学金融学系教授、北京大学经济学院名誉教授Felix Kubler，北京大学经济学院长聘副教授李博，苏黎世大学金融学系助理教授杨雨成组成。授课师资包含中国科学院院士、北京大学讲席教授鄂维南，伦敦政治经济学院讲席教授Benjamin Moll，圣克拉拉大学经济系副教授Serguei Maliar，洛桑大学高等商学院经济系长聘副教授Simon Scheidegger，普林斯顿大学经济系助理教授Jonathan Payne，多伦多大学罗特曼管理学院助理教授Goutham Gopalakrishna等海内外顶尖学者。
暑期学校部分老师合影
（从左至右：李博、Simon Scheidegger、Serguei Maliar、Felix Kubler、杨雨成）
开营仪式上，李博致开场辞，欢迎海内外参会青年学者，感谢全程参与筹备的专家与工作人员。
李博主持暑期学校开营仪式
开营首日，Serguei Maliar开设系列专题课，围绕深度学习求解动态宏观经济模型主线推出四门递进式核心课程。课程梳理传统动态随机一般均衡（DSGE）模型维数灾难痛点，总结机器学习三大主流研究范式，详解其团队Maliar-Maliar-Winant原创求解框架，该框架可将贝尔曼方程等宏观经典方程转化为期望损失函数，形成适配各类复杂宏观模型的通用标准化求解方案。
当日下午课程聚焦离散时间异质主体模型数值求解，讲解聚类、深度分类网络在宏观测算中的落地应用，弥补传统Krusell-Smith矩近似算法精度不足的短板。课程尾声开展上机实操，基于TensorFlow完成神经网络搭建、梯度迭代训练全流程实训，提升学员理论落地与代码开发能力。
Serguei Maliar教授授课
7月7日，Simon Scheidegger围绕机器学习赋能宏观精准建模，讲解深度均衡网络（DEQNs）底层逻辑与应用，演示神经网络求解高维宏观模型的高效方法；针对多约束下模型规模失衡问题，拆解ReLoBRaLo动态权重自适应调节算法机制。
实操环节，Simon Scheidegger演示自动微分在经济微积分中的标准化用法，讲解气候经济基准模型非平稳趋势数据处理方法，分享交叉学科实务研究经验，传授高端计量与智能建模实操技巧。
Simon Scheidegger教授与暑期学校学生交流
7月7日下午，暑期学校举办“科学智能的发展和对经济学的启示（AI for Science: Inspiration for Economics）”学术对话，鄂维南、Felix Kubler担任主讲嘉宾，杨雨成主持。北京大学经济学院院长张辉、副院长锁凌燕以及部分经济学院师生到场参与交流。
鄂维南对话Felix Kubler
（由左至右：Felix Kubler、鄂维南、杨雨成）
鄂维南提出，AI for Science兼顾仿真精度与效率，为传统宏观高维求解难题提供新思路，但AI仅为工具，经济学研究不能脱离基础理论与现实约束。Felix Kubler结合计算经济学发展历程表示，大模型与智能仿真降低量化建模门槛，AI工程化经济学将衔接理论研究与实务决策。二人围绕气候经济测算、金融系统性风险建模等热点展开讨论，回应现场提问时指出大语言智能体与传统数理模型互为补充，融合后可更精准刻画真实经济运行。现场学者围绕开放科学、学科交叉积极提问，嘉宾逐一细致解答。
对话现场学员提问交流
暑期学校合影
本次暑期学校汇聚中外顶尖院校学术资源，兼具权威性、前沿性、实操性，搭建常态化中外学术对话、跨学科协作平台，持续推动人工智能、计算科学与宏观经济、金融深度交叉，引导青年学者探索交叉领域全新科研路径。
美编：初夏
责编：度量、雨禾、雨田
