演讲人: 林少冲 助理教授, 香港大学 数据与系统工程系

时间: 2026年4月28日10：00

地点: 同济大厦A楼308教室

讲座摘要: 本讲座将探讨新产品情境下一个数据驱动的库存决策与金融对冲联合优化问题。在这一问题中，企业需要同时确定订货量和金融对冲策略，以在追求期望利润最大化的同时，将利润风险控制在可接受范围内。为管理利润风险，我们考虑通过交易与产品需求相关的金融衍生品（如期货合约）进行对冲。然而，在新产品上市之前，用于需求预测和金融对冲决策的关键信息（例如衍生品收益）通常无法直接观测。针对这一挑战，我们引入代理收益因子，以推断新产品对应的衍生品收益，并识别需求与收益之间的关联结构。在方法上，本讲座将介绍一种嵌套期望建模方法，以解耦产品需求与衍生品收益这两个随机变量之间的统计依赖关系，并在此基础上提出一个半参数化决策框架，SURPASS（“超越”）。SURPASS 基于历史产品数据和金融市场数据，利用通过可行广义最小二乘法估计的表面不相关回归结构，构建衍生品收益的数据驱动联合分布。进一步地，该框架导出一种基于残差的表示形式，并可转化为加权样本平均近似机器学习模型，从而支持基于数据、且具有理论保障的风险约束决策。我们进一步刻画了保证数据驱动解可行性所需的样本复杂度，建立了有限样本遗憾界，并发现了：在风险价值约束下，数据驱动优化中存在内在的逼近精度—可行性权衡。基于真实数据与模拟数据的实验结果验证了 SURPASS 框架的优越性能，也进一步展示了金融对冲在利润风险管理中的重要作用。

We study a data-driven inventory and financial hedging problem for a new product, where the demand depends on product features and returns of related financial assets. A firm makes joint decisions on ordering quantity and financial hedging to maximize the expected profit while ensuring the profit risk is under control. We employ financial hedging to manage profit risk by trading product demand-related derivatives (e.g., futures contracts). However, critical information on derivative returns to guide demand prediction and financial hedging decision-making is not observable before launching the new product. To address this challenge, we leverage proxy return factors to infer derivative returns and demand–return relationships for new products. We develop a nested expectation formulation that decouples the statistical dependence between two random variables: product demand and derivative returns, which inspired the development of a semiparametric decision-making framework named SURPASS. Specifically, SURPASS constructs a data-driven joint distribution of derivatives’ returns from historical product and financial market data by leveraging a seemingly unrelated regression structure estimated via feasible generalized least squares. The resulting residual-based representation admits a weighted sample average approximation formulation, enabling principled risk-constrained decision-making based on data. Our SURPASS theoretically and numerically surpasses conventional data-driven decision-making approaches. We characterize the sample complexity required to ensure the feasibility of data-driven solutions and establish finite-sample regret bounds. Our analysis reveals a fundamental approximation–feasibility tradeoff in data-driven optimization under the value-at-risk constraint. Experiments using real-world and synthetic data demonstrate the strong performance of the SURPASS framework and illustrate the influence of financial hedging.

演讲嘉宾简介: 林少冲，香港大学数据与系统工程系助理教授。在同济大学经管学院获得硕士学位，在香港城市大学商学院决策分析与运营管理系获得博士学位，加州大学伯克利分校访问学者，于2023年在香港大学开始教职工作，目前的研究兴趣包括基于数据驱动的运营管理、人工智能与运筹学的交叉，以及在智慧物流、供应链、交通与调度等实际问题中的应用。林博士积极与京东、永旺、TCL等实际企业合作，用模型和算法解决实践中激发的研究问题。已发表了19个实践研究成果，包括在Production and Operations Management、IEEE Transactions on Automation Science and Engineering、Scientific Reports、International Journal of Medical Informatics、Omega、Transportation Research Part E等领域国际期刊及计算机顶会上。曾获得多个学术会议最佳论文奖和数据分析竞赛奖项。担任Management Science和Operations Research等顶级期刊的审稿人，担任第27届AAAI人工智能大会的程序委员会成员，服务型制造管理专委会常务委员。相关研究获得香港优配研究金（GRF）和国家自然科学（NSFC）青年基金的资助。更多关于他的研究信息可参考他的个人网站https://sites.google.com/view/shaochong