经济金融

方法习惯

• 偏好“经济/金融结构模型 + 机器学习”的混合范式，而不是纯黑箱预测。
• regime-aware 建模很常见：HMM/Markov switching、time-varying copula、state-dependent forecasting。
• 强调可解释性与可比较基准：SHAP、interpretable ML、与 ARIMA/ANN/XGBoost/FDM/FEM 等基线系统比较。

常见数据

• 金融市场高频或中高频序列很常见：Bitcoin、options、corporate bonds、futures、ETF、US equities 等价格/收益率/波动率数据。
• 文本+宏观联合数据是近年明显升温场景：FOMC statements/minutes、news articles、public speeches、yield curve、季度 GDP 与其他 macro indicators 被直接用于预测。
• 中国情境样本占比不低，尤其是 corporate bonds、edible oil futures、digital financial services diffusion、greenwashing/ESG 等政策与市场交叉场景。

备选题目

来源链接

方法习惯

• 偏好“金融问题牵引的方法创新”，不是纯算法投稿；RL、LLM、PINNs 可以进，但必须服务于资产配置、压力测度、定价或风险管理。
• 理论模型与实证识别并存：同刊既发 Markov/mean field/PDE/随机过程，也发 event study、Fama-MacBeth、动态面板、工具变量/GMM。
• 很多文章强调可解释的结构框架或机制推导，而不是黑箱预测本身。

常见数据

• 公开或半公开金融市场数据常见：old NYSE dataset、Euro-denominated green and conventional bonds、German twin Govies、Google search intensity。
• 宏观-金融长样本面板受欢迎，如 equity premium 预测使用 1960-2022 的 155 个宏观金融技术预测变量。
• 银行与实体经济连接数据明显活跃：Korean firms 1991-2019、US counties 1994-2020、银行贷款与就业/创业数据。

备选题目

来源链接

方法习惯

• System GMM、动态面板与多种稳健性回归仍是企业金融/银行金融主力识别框架。
• TVP-VAR、connectedness、quantile dependence、Delta-CoVaR 等动态风险传导方法出现频繁。
• 高频金融计量明显受欢迎，如 HAR、DCC、realized covariance、realized kernel、pre-averaging。

常见数据

• 亚洲与新兴市场语境很强，近两年反复出现 India、China、Vietnam、Pakistan、BRICS、日本市场等样本。
• 数据形态偏多元：上市公司年报文本、银行面板、IMF Financial Access Survey、绿色债券/ESG指数、加密资产高频数据、REIT与油价日频或高频数据。
• 不少文章直接使用市场微观或高频数据做波动、协方差、传导和交易策略检验，说明刊物接受“数据密度高+金融工程”路线。

备选题目

来源链接

方法习惯

• 双向固定效应、动态面板、partial adjustment、system GMM 仍是主流基线。
• 强烈偏好有识别设计的经验研究：PSM、2SLS、准自然实验、事件冲击、稳健性与异质性检验是常规配置。
• 空间计量与网络方法活跃：Spatial Durbin model、social network analysis、spillover/contagion 框架较常见。

常见数据

• 高频出现中国A-share上市公司面板，时间窗常覆盖2010-2023，并结合年报/CSR文本构造AI、气候风险、数字化指标。
• 区域层面常用中国省级/地级市面板，典型外部数据包括 Peking University Digital Financial Inclusion Index、产业链韧性、城市工业发展质量等。
• 金融方向常用日度或更高频市场数据，如exchange rates、carbon market、options、stock returns、renewable energy investment相关不确定性指标。

备选题目

来源链接

方法习惯

• 明显偏好“机器学习/深度学习 + 传统计量”混合路线，而非只做黑箱算法堆叠。
• 高频出现 transformer、LSTM/GRU、attention、graph learning、random forest、XGBoost、Gaussian process、GNN。
• 接受经典宏观计量扩展：MIDAS、TVP、Markov/regime switching、DSGE、GARCH/realized volatility、Kalman filter。

常见数据

• 金融高频与交易级数据：minute-level transaction data、intraday returns、realized volatility、portfolio covariance。
• 宏观实时数据：inflation、GDP、output gap、term spread、public debt、central bank/ECB/Bank of Korea forecast records。
• 能源与绿色转型数据：carbon prices、EU ETS、electricity price、crude oil、wind power、climate shocks、climate transition risk。

备选题目

来源链接

方法习惯

• 高频方法是“事件研究 + 横截面回归/面板回归”，围绕 earnings、IPO、M&A、tail events、危机冲击展开。
• 文本分析是明显升温的方法线：sentiment dictionaries、narrative emotion extraction、headline/news sentiment、AI risk sentiment、行为型 NLP 指标。
• 理论锚点常见于 prospect theory、limited attention、salience、herding、over/underconfidence、behavioral bias。

常见数据

• 社交媒体与平台行为数据反复出现：Twitter/X 点赞与互动、meme stock 讨论、finfluencer 内容、社交媒体注意力分配。
• 文本型金融数据权重明显上升：news/headline sentiment、narrative emotions、AI risk sentiment、企业披露文本。
• 典型市场事件场景很多：earnings surprise、IPO valuation、M&A announcements、tail events、market crises。

备选题目

来源链接

方法习惯

• 偏好多元方法并行的实证设计，而不是单一相关性回归。2025-2026 常见组合是基准面板回归 + 内生性处理 + 机制检验 + 异质性。
• 准自然实验信号很强，尤其是 DID、Multiple-DID、IV、PSM、placebo。比如 biodiversity regulation、greenwashing、政策试点、监管变化等题型明显受欢迎。
• 预测类与风险类论文偏好更技术化方法，如 machine learning、stacking/voting、Shapley value decomposition、Hawkes processes、QVAR、mixed-frequency、fractional integration、TVP-VAR、threshold model。

常见数据

• 高频场景一是跨国或多地区面板。官方文章频繁使用 43 国、58 国、74 国、92 国样本，说明该刊接受 cross-country 识别，不只盯单国案例。
• 高频场景二是中国上市公司/银行/城市级数据。2025-2026 多篇文章直接使用 A-share、银行样本、城市级 FinTech 与绿色治理数据，说明中国题材可做，但通常要有准自然实验、机制或较强异质性。
• 高频场景三是文本与新闻数据。10-K 文本、新闻流、可读性、语调、市场情绪/不确定性指标在 2025-2026 明显增多。

备选题目

来源链接

方法习惯

• 偏好“监管冲击 + 明确识别”的设计，常见 event study、quasi-natural experiment、改革前后比较。
• 劳动/创业题常见双向固定效应面板，并显式处理选择偏差，如 two-stage Heckman。
• 公用事业与网络行业论文偏好结构清晰的成本函数、benchmarking、规模经济估计与反事实 market design。

常见数据

• 美国州级职业许可与劳动力流动数据很常见，尤其是 SIPP、州际执照互认/军属许可改革、职业-行业交叉表、县级 establishment 数据。
• 大样本行业/企业侧数据受欢迎，例如 1500 万家美国 establishments、消费者 ratings、NAICS 交叉表、州级法规文本/RegData。
• 能源与公用事业场景偏好明显，常见数据包括电力日 ahead 市场与 interconnector reservation data、DSO 面板成本数据、监管价格/收入上限数据。

备选题目

来源链接

方法习惯

• 强偏 connectedness / spillover / network 路线：quantile time-frequency connectedness、TVP-VAR、R2 decomposed connectedness。
• 看重“可交易/可预测”实证：in-sample + out-of-sample forecasting、economic utility / portfolio implication 经常出现。
• 面板计量常见且不排斥更复杂扩展：two-way fixed effects、multivariate regression、spatial GS2SLS、quantile regression。

常见数据

• 高频或日度金融市场数据常见：cryptocurrency、传统金融市场、ETFs、bond spreads、交易量。
• 跨国/跨地区面板密集：G20、ASEAN-5、国家级 adoption panel、中国地级市或省级面板。
• 中国微观数据很吃香：线上借贷平台数据、运营商 mobile phone data、12万+ household survey。

备选题目

来源链接

方法习惯

• 明显偏好 finance-first 的研究设计：不管是 event study、asset pricing、FERC、variance decomposition 还是 portfolio optimization，方法都要直接回答金融问题，而不是单纯展示算法。
• 标准实证金融方法仍是主流，包括 OLS/回归分解、固定效应、事件研究、动态相关/ARDL、未来收益响应系数等；理论锚点通常较清楚。
• 接受方法创新，但更常见的是‘轻算法/金融工程 + 明确经济含义’：如 Particle Swarm Optimization 求 Basel 资本要求组合、distance metric selection 服务 P2P portfolio optimization、tree-based ML 服务 technical analysis。

常见数据

• 股票与资产配置数据仍是底盘，但近两年明显扩展到 crypto、P2P loans、luxury watches、Italian sovereign bonds 等非传统或细分金融市场场景。
• 文本数据使用频率上升，且不是只做情绪：包括 Renmin Daily/Guangming Daily 构造 climate policy uncertainty、10-K/10-Q 风险段落构造文本距离矩阵、企业披露文本相似度网络、ESG disclosure 评分等。
• 高频或事件窗数据是强信号，尤其在货币政策、政治不确定性、市场冲击题目上；期刊接受用高频 equity futures、交易与报价数据识别政策冲击。

备选题目

来源链接

方法习惯

• 偏好短篇实证 note，但识别并不水：双向固定效应、IV、PSM、熵平衡、稳健性和异质性几乎是标配。
• 文本挖掘非常强势，常用年报/MD&A/新闻文本构造 AI adoption、managerial sentiment、climate disclosure、readability 等变量。
• 接受 BERT、FinBERT、LLM 类 NLP 工具作为变量构建或文本度量方法，而不只是传统词典法。

常见数据

• 中国 A-share 上市公司面板是高频场景，常配年报文本、绿色专利、ESG、融资约束、银行信贷、供应链关系等变量。
• 银行与数字金融数据常见，尤其是 commercial banks、green credit、digital inclusive finance 指数、regional fintech development。
• 跨市场资产数据也很常见，包括股票、商品、绿色债券、加密货币、DeFi、clean energy 指数及各类 uncertainty/climate risk 指数。

备选题目

来源链接

方法习惯

• 偏好标准金融实证而非重算法：panel data、fixed effects、cross-country comparison、robustness checks、identification analyses 反复出现。
• 接受较强时间序列/资产定价工具，只要金融问题明确，例如 Wavelet Quantile Correlation、price discovery、two-stage regressions。
• 文本与替代数据可用，但最好服务于经典金融结果变量，如 liquidity、risk-taking、market reaction，而不是纯 NLP 方法贡献。

常见数据

• 跨国/跨制度比较数据很合口味，如 Brazil vs South Korea、France/Germany/UK、六个发达国家并列设计。
• 银行层面面板、存款/监管相关数据、金融机构样本是近两年最强数据场景。
• 市场微观结构与高频或日频市场数据可行，包括 EBS benchmark exchange rates、bid-ask spread、turnover、Amihud illiquidity。

备选题目

来源链接

方法习惯

• 偏好“金融问题先行”的实证设计，常见双向固定效应、IV、GMM、PSM-DID、事件研究等识别框架。
• 文本分析明显升温，尤其用于 ESG news、investor queries、气候关注、数字金融叙事等变量构造。
• 机器学习是新增长点，但更像“可解释预测/金融应用”而非纯算法；从最新文章和 AI special issue 看，预测、分类、解释性比较更受欢迎。

常见数据

• 中国A股上市公司面板、年报/新闻/互动平台文本与绿色创新专利数据反复出现，说明该刊接受“公司金融+文本+创新”场景。
• 城市级或区域级数字金融、绿色转型、能源转型数据被频繁用于企业或地区层面的传导机制分析，尤其适合中国情境。
• 美国商业银行样本、ESG/气候风险暴露、存贷款或分支机构数据也有持续发表，说明银行金融与气候金融是稳定赛道。

备选题目

来源链接

方法习惯

• 偏好“理论模型 + 实证检验”双轮结构，如 multisector growth model、general equilibrium、macro-banking model 再接企业/城市/国家面板证据。
• 结构宏观与政策模拟仍是招牌：DSGE、CGE、dynamic general equilibrium、VAR/DSGE 明确在官网 scope 中被点名。
• 实证上常见 DID、IV、阈值回归、空间/网络 connectedness、机制检验与异质性分组。

常见数据

• 中国情境非常多，尤其是上市公司、城市、地区、省级面板与政策试点数据。
• 企业层面常配专利、ESG、碳排放、年报文本、投资者互动、海外销售、M&A 等微观数据。
• 金融与风险方向接受高频市场数据，如 15-minute futures、stock-return connectedness、commodity returns。

备选题目

来源链接

方法习惯

• 常见识别框架是双重差分、事件研究、政策冲击前后比较、分组异质性与机制检验。
• 时间序列和市场联动方法较活跃：VAR/VARX、volatility connectedness、spillover、financial stress transmission。
• 跨国面板回归是主力，通常要求国际金融含义明确，而不是只做技术性预测。

常见数据

• 偏好多国/跨市场面板：国家-行业-月份、公司-年份、银行-企业配对、股票-债券-汇率联动。
• 中国场景很常见：A-share、QFII 持股、地方/企业层面绿色监管冲击、CEO 背景、企业排放。
• 也接受全球样本：U.S. stock market、global default risk、global REIT markets、跨国金融压力与地缘政治风险。

备选题目

来源链接

方法习惯

• 偏好可复现的监督学习比较框架：Random Forest、Neural Networks、AdaBoost、SVM、Logit、XGBoost 一类模型反复出现。
• 解释型机器学习是加分项，尤其 SHAP；体育比赛预测两篇文章都明确把 explainable ML/SHAP 放进标题或关键词。
• 传统时间序列并未退场，ARIMA、SARIMA、Exponential Smoothing 仍可发，但通常需要明确预测任务或危机/制度冲击背景。

常见数据

• 高频或准高频市场数据有吸引力：NSE 小时级 order imbalance、赔率变动、in-play sports states、碳现货/期货价格。
• 体育博彩数据是该刊最友好的低门槛场景之一：NFL money line/spread、NCAA totals、篮球 in-play、T20 cricket、horse racing 都已出现。
• 金融市场面板和价格序列同样常见：S&P 500、ASEAN-5、EU-ETS、global stock markets、cryptocurrencies。

备选题目

来源链接

方法习惯

• 强偏好 randomized experiment、incentivized experiment、survey experiment、lab/online experiment
• 常见识别框架是 nudge、social information、descriptive norm misperception、information disclosure、advice source manipulation
• 大量使用 canonical games：dictator game、bargaining、cooperation/redistribution、dishonesty dice task

常见数据

• 激励相容的小额支付实验、lab-in-the-field 与 online experiment 并行出现
• 高频场景集中在消费选择、绿色农业/食品、信用卡还款、税收遵从、隐私选择、社会保障参保
• 样本既有学生/普通消费者，也有 French farmers、Chinese university canteens、Bolivia self-employed women、sub-Saharan Africa household/制度场景

备选题目

来源链接

方法习惯

• 偏好多国/跨市场面板、国际比较和大样本数据库，而不是纯本土小样本描述。
• 常见识别框架是 DID、事件研究、阈值/异质性检验、中介机制与制度调节项的组合。
• 风险类论文偏好 connectedness、spillover、network、quantile、tail-risk、probabilistic analysis 等非线性方法。

常见数据

• 国际或跨国 firm-level / bank-level / fund-level 面板数据是高频配置。
• 绿色债券、ESG 评级、ESG 新闻、气候风险、碳价、排放交易等可持续金融数据明显增多。
• 银行贷款、贷款质量、信用风险、系统性风险、保险股价等金融机构数据是稳定来源。

备选题目

来源链接

方法习惯

• 强烈偏好产业组织/规制经济学框架，理论模型与福利分析占比高。
• 实证上偏好准自然实验、DID/DDD、event study、IV 等识别策略，而非纯预测导向。
• 接受平台抓取数据、行政数据、基础设施地理数据与多源拼接数据。

常见数据

• 平台级高频行为数据明显受欢迎，如 stream-level music data、e-commerce 抓取价格数据、平台设计/用户注意力数据。
• 基础设施与网络数据是稳定主线，如 FCC Form 477、宽带覆盖、移动网络覆盖、全球带宽/海缆/数据中心布局。
• 政府数字化与税务行政数据在 2025-2026 明显升温，常见省际分批 rollout、企业税务申报、采购与就业联结数据。

备选题目

来源链接

方法习惯

• 偏好 applied micro 识别而非纯描述：fixed effects、dynamic System-GMM、IV、FGLS、panel quantile、IV-quantile 反复出现。
• 空间计量是可见偏好：spatial Durbin model、spatial lag specifications 已出现在能源效率与公用事业规制题目中。
• 允许理论模型 + 经验校准/实证验证的组合：early-bird pricing、fossil fuel liability、business-group hiring rules 都是这种结构。

常见数据

• 高频出现的是企业/行业层面的面板数据：Chinese listed firms（2008-2023）、U.S. publicly listed firms（2012-2021）、Korean confidential firm-level data、Brazilian listed firms related-party transaction data。
• 公共政策与行业监管数据很常见：drug entry / patent / exclusivity records、regulated water company cost data、州/地区劳动法规、SEZ household survey。
• 空间数据和区域面板也被接受：China 区域 OFDI-能源效率、regional productivity、spatial dependence in utilities。

备选题目

来源链接

方法习惯

• 近期可见热点文章明显偏好 archival empirical design，而不是纯理论或纯方法论文。
• 因果识别门槛较高，常见 DID、quasi-experiment、自然实验、IV/Bartik、事件冲击设计。
• 稳健性与内生性处理是标配，近文中直接出现 propensity score matching、entropy balancing、机制检验、异质性分析。

常见数据

• 近两年可见样本里，中国上市公司场景非常高频，常配合政策冲击、制度变迁、数字金融发展、治理连接等设定。
• 审计与信息中介数据密集出现：audit fees、going-concern opinions、analyst coverage/forecast/recommendation、financial restatements。
• 资本市场数据场景稳定：Australian equities、US IPO firms、长期收益、资产定价因子、公司特征与回报横截面。

备选题目

来源链接

方法习惯

• 偏好把研究问题锚定在衍生品定价、套保、波动率预测、价格发现等经典金融工程任务，再引入新方法，而不是单独展示算法。
• 波动率建模非常强势：HAR-RV、GARCH/GARCH-jump、rough Heston、stochastic volatility、volatility-of-volatility、jumps/cojumps 反复出现。
• 风险传染与尾部风险方法常见：CoVaR、high-dimensional CoVaR、QVAR/TVP-VAR、network analysis、connectedness、quantile approaches。

常见数据

• 能源、农产品、金属、碳排放等商品期货/期权是最稳的主数据场景，尤其原油、粮食、农业链条。
• 中国市场数据占比不低，常见于中国原油、玉米、SSE50 ETF options、农产品期货、夜盘与制度设计研究。
• 高频或准高频数据常见，包括 limit order book、intraday volatility、extended trading hours、overnight measures。

备选题目

来源链接

方法习惯

• 准自然实验非常强，常见 difference-in-differences、事件冲击、制度变更前后比较。
• 土地利用/规划改革题偏好 synthetic control、staggered adoption 或跨城市对照设计。
• 经典 hedonic capitalization 仍是主力，但越来越与更细颗粒度的风险/能效/区位变量结合。

常见数据

• 房产微观交易与挂牌数据（sale price、listing price、time-on-market、listing-to-sale discount）反复出现。
• 地块/社区级 zoning、planning、building permits、housing starts 与 GIS 空间边界数据很重要。
• 气候与环境暴露数据被高频接入住房结果：flood score、flood event、energy label/EPC、heat/overheating、coastal hazard。

备选题目

来源链接

方法习惯

• 明显偏好“方法创新 + 严格预测评估”而不是单纯场景叙事；out-of-sample、real-time、rolling evaluation 几乎是默认门槛。
• 概率预测很强：density forecasting、quantile forecasting、VaR/ES、CRPS、pinball score、scoring rules、predictive distributions 都是高频语汇。
• 机器学习被广泛接受，但更偏“与计量/统计框架融合”的路线，如 wavelet+NN、LLM+CatBoost、graph attention+volatility、neural panel、Bayesian/semiparametric 组合。

常见数据

• 宏观实时数据与修订数据：CPI、GDP、央行预测、Survey of Professional Forecasters、uncertainty indexes。
• 替代数据在升温：Google Trends、文本/新闻、叙事型 borrower descriptions、weekly tracker 类高频代理变量。
• 金融高频数据很常见：five-minute OHLC、spot volatility、limit order book、realized variance/covariance、cryptocurrency returns。

备选题目

来源链接