背景

2026年寒假，我和队友参加了美国大学生数学建模竞赛(ICM)F题。这是一次将AI技术应用于经济研究的绝佳实践。

选题思路

F题要求分析AI对就业市场的影响。我们选择了Event Study（事件研究法）作为核心方法，但创新性地使用GPT来：

  1. 自动识别AI相关事件：用GPT从新闻数据中提取AI技术突破事件
  2. 量化事件冲击：构建事件窗口，计算异常收益率
  3. 面板数据分析：使用PanelOLS进行固定效应回归

技术实现

数据处理

# 使用tushare获取股票数据
import tushare as ts
pro = ts.pro_api()
df = pro.daily(ts_code='000001.SZ', start_date='20200101', end_date='20260101')

GPT事件识别

# 用GPT API提取AI事件
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{
        "role": "user",
        "content": f"从以下新闻中识别AI相关技术突破事件：{news_text}"
    }]
)

面板回归

# PanelOLS固定效应回归
from linearmodels.panel import PanelOLS
model = PanelOLS(dependent=y, exog=X, entity_effects=True, time_effects=True)
result = model.fit()

关键发现

  1. AI技术突破对科技股有显著正向冲击，但对传统行业影响有限
  2. 事件窗口长度选择对结果敏感，建议使用多个窗口稳健性检验
  3. GPT在事件识别上的准确率达到了85%以上

踩坑记录

  • 数据清洗：OEWS数据格式不一致，需要大量预处理
  • 多重共线性：控制变量之间存在高度相关，需要VIF检验
  • 稳健性检验：至少3种方法才能说服评委

收获

这次比赛让我深刻理解了：

  • 学术研究的完整流程
  • AI工具在经济学研究中的应用
  • 团队协作的重要性

完整的代码和报告已上传到CNB仓库。