大型数据库的可用性和显著提高计算能力已经爆炸性增长的关键决定因素对机器学习的兴趣。从这个意义上讲,机器学习方法、神经网络和遗传算法等被用作方法论的工具来了解复杂的自适应系统的行为并将许多的非结构化和结构化数据流。经济学和金融学,另一方面,经历了越来越兴趣微级分析,但主要与实证方法局限于线性方法由传统的计量经济学方法。

这个跨规程的特殊问题旨在将机器学习领域的概念方法与实证问题在经济学和金融学中找到。有一个大房间里探索在这两个领域的交叉点。机器学习回归方法的超越,可以用作多种方式。因此,它可以给新见解,经济和金融数据是如何组织的。应用这些方法可能导致讨论评估,监测和预测经济和金融变量非常相关。

我们欢迎新见解、模型和应用程序在各种各样的话题,桥的话题在机器学习复杂的经济和金融网络。无监督学习方法的应用和适应,比如数据和社区集群、排名,异常检测、semisupervised和监督学习技术,如分类和回归,应用于财经,极大的兴趣。我们也正在寻找盟友高频数据的方法,如因社交网络,与传统机器学习和计量经济学预测或从新的视角描述经济和金融变量。有许多差距在文献中,我们希望解决一些在本征稿启事。我们寻找论文有助于讨论使用机器学习在复杂经济和金融网络。

有许多差距在文献中,我们希望解决一些在本征稿启事。我们寻找论文的辩论在经济学和金融学中使用机器学习。

潜在的主题包括但不限于以下:

• 机器学习和应用在复杂的经济和金融网络
• 深度学习和应用在复杂的经济和金融网络
• 复杂的金融稳定问题讨论了使用机器学习的方法
• 系统性风险测量使用新的复杂的模型
• 网络预测使用新技术
• 相互依存的网络及其影响
• 讨论跨系统风险,违约传染、网络拓扑、内生金融网络,网络弹性、贝叶斯动态金融网络使用新的模型和见解
• 复杂性和金融监管
• 多路传输网络和prediction-applications在经济和金融联系
• 银行间的连接,系统相关性,并使用新的银行监管混沌模型和见解
• 计量经济学的复杂网络
• 基于主体建模复杂的经济和金融网络
• 遗传算法在金融网络
• 元胞自动机与机器学习在金融网络
• 神经网络在金融监管
• 机器学习基于进化博弈论在金融领域