026年7月10日，为期五日的“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）圆满闭营。本次暑校采用前沿理论授课、代码实操训练、专家一对一答疑相结合的多元教学模式，为学员提供全周期、系统化的学术培养。
课程聚焦机器学习在宏观金融领域的落地应用，围绕替代模型、强化学习、连续时间宏观金融、高维异质性主体模型求解等前沿方向，开展高密度、专业化的教学研讨。
暑期学校课堂
7月8日，苏黎世大学教授Felix Kubler系统讲授了概率数值方法，提出依托高斯过程等替代模型，为经济学数值计算精度评估提供概率性分析的全新研究视角。洛桑大学高等商学院经济学系副教授Simon Scheidegger与Felix Kubler联合讲解深度替代模型，该方法通过将模型参数转化为“伪状态”输入，大幅提升动态规划求解效率，同时分享了借助知识蒸馏破解“惰性学习”难题的实操方法。
Felix Kubler授课
同日，苏黎世大学助理教授杨雨成展示了求解异质性代理人模型的全局深度学习方法DeepHAM。该方法以神经网络参数化的广义矩表示分布，有效解决了传统模型无限维分布带来的维度灾难问题。当晚，杨雨成教授联合北京大学人工智能研究院博士研究生王驰原开展专项上机实训，完整演示了DeepHAM与结构化强化学习代码框架，讲解了JAX工具在均衡模型数值求解中的实操流程，帮助学员完成理论学习与代码落地的闭环训练。
杨雨成授课
王驰原讲解代码实操
伦敦政治经济学院教授Benjamin Moll线上讲授“结构化强化学习”算法。该算法将强化学习应用于低维均衡价格场景，结合微观先验知识，无需预设感知运动定律，即可实现HANK等复杂宏观模型的高效全局求解，授课期间师生展开了热烈学术交流。
Benjamin Moll视频授课
暑校学生现场提问
7月9日，多伦多大学助理教授Goutham Gopalakrishna围绕深度学习与连续时间宏观金融展开授课。课程从伊藤过程、最优控制理论基础切入，阐释了深度学习求解偏微分方程的核心逻辑，并结合投资组合、消费储蓄模型，介绍通过主动学习提升高维模型求解精度的有效路径。在实操环节中，Goutham Gopalakrishna以金融摩擦模型为案例，指导学员通过训练神经网络逼近价格、波动率函数，并完成与传统数值解法的对比验证。
Goutham Gopalakrishna授课
7月10日，受天气影响，暑期课程调整为线上开展。普林斯顿大学助理教授Jonathan Payne讲解了连续时间Krusell-Smith模型主方程深度学习框架，对比了多种分布近似策略，重点介绍了鲁棒性优异的EMINN算法；杨雨成教授推介适配搜寻匹配模型的DeepSAM算法，并演示了该算法结合模拟矩完成内部校准、刻画经济周期分布反馈效应的前沿应用场景。
Jonathan Payne线上授课
当日下午，暑校专属答疑环节如期开展。Felix Kubler、李博、杨雨成三位老师线上同步答疑，学员结合自身研究方向，围绕课程核心模型、机器学习前沿发展、交叉学科科研难点等问题展开一对一深度交流。
三位老师在线答疑
本次暑期学校汇聚了国内外顶尖师资，课程覆盖离散、连续时间两类宏观模型，融合了深度学习、强化学习、概率数值方法等多元研究工具，配套全流程上机实操训练，兼具理论深度与工程实践性。暑期学校成功搭建了常态化、国际化的中外青年学术交流平台，打通了宏观经济金融理论与智能数值建模的实践壁垒，有效推动了人工智能、计算科学与宏观金融深度交叉融合，助力全球青年科研人员掌握前沿交叉研究范式，为相关领域学术创新培育新生力量。
美编：初夏
责编：度量、雨禾、雨田
