香港大学博士导师（Kam Chuen Yuen教授）

招生要求

Kam Chuen Yuen教授任职于The University of Hong Kong（香港大学）统计与精算学系，身为全职教授，他在金融统计与精算领域的学术成就广受认可。截至目前，Yuen教授已发表149篇学术论文，累计被引2814次，文献阅读量突破1.5万次，其研究始终立足理论前沿并紧扣行业实践需求。对于计划攻读金融统计、精算科学方向博士学位的学生来说，加入Yuen教授团队并争取全奖资助，将为学术发展与职业规划奠定坚实基础。

香港大学博士招生以学术潜力为核心评估标准，结合Yuen教授团队的研究特性，申请者需满足以下要求，部分条件为团队筛选的重点考量因素：

1. 学历资格：申请者需具备认可大学的硕士学位，若为本科毕业生，其GPA需达到3.5/4.0及以上，且需通过2位及以上相关领域教授的推荐信证明自身科研能力，方可申请直博。

2. 专业素养：统计学、数学、金融工程、经济学等相关专业背景是基本要求。申请者必须扎实掌握线性代数、概率论与数理统计的核心内容，熟悉金融市场基本理论，若曾接触风险模型相关知识，在申请中将更具优势。

3. 语言水平：非英语授课院校毕业生需提供雅思或托福成绩，其中雅思总分不得低于6.5分（单项不低于6.0分），托福网考成绩需达到90分及以上。学术研究中大量的英文文献阅读与论文写作，决定了良好的英语应用能力不可或缺。

4. 科研佐证：个人科研陈述（Research Statement）是申请材料的核心，需明确阐述个人研究兴趣与Yuen教授团队研究方向的契合之处。此外，发表或待发表的学术论文、科研项目参与经历等材料，均需一并提交。值得注意的是，R、Python等编程工具或SAS、Stata等统计软件的操作经验，能显著提升申请竞争力。

5. 全奖申请要点：全奖申请需在每年12月至次年1月的规定时段内完成材料提交，部分项目还要求额外提交奖学金申请书，详细说明个人学术成果、科研规划及申请优势。Yuen教授团队提供的全奖资助，通常涵盖3-4年的学费及生活补贴，保障学生专注于学术研究。

研究方向

Yuen教授的研究始终围绕“统计理论创新-金融精算应用-风险管控实践”展开，形成了三个特色鲜明且成果丰硕的核心方向，近期研究更融入了人工智能等前沿技术：

1. 金融风险建模与管理：该方向聚焦保险与金融市场的风险相依性及决策优化，是Yuen教授团队的研究重点。2025年，团队在“Stackelberg equilibrium reinsurance contract with smooth ambiguity under thinning-dependence framework”一文中，创新性地将稀疏相依理论与平滑模糊性偏好结合，建立了再保险合同的斯塔克尔伯格均衡模型，为保险公司制定风险转移策略提供了全新理论支撑。此前，团队针对离散时间风险模型中，随机折现因子下聚合净损失的尾部行为展开研究，相关成果已在保险统计领域权威期刊发表。

2. 生存分析与高维数据统计：面对高维数据在各领域的广泛应用，Yuen教授团队致力于研发高效的统计分析方法。2022年发表的“Estimation in the High Dimensional Additive Hazard Model with l0 Type of Penalty”一文，提出了基于l0惩罚的高维可加风险模型估计方法，有效解决了传统LASSO方法在参数选择中的偏差问题，为生存数据的高维分析提供了重要工具。此外，团队在加速失效时间模型的稀疏约束估计方面的研究，已成功应用于医疗预后数据的分析实践。

3. 精算科学与再保险策略优化：该方向将均值-方差框架与强化学习技术相结合，探索时间一致的风险管控策略。2024年团队预印本“A non-zero-sum game with reinforcement learning under mean-variance framework”中，构建了双主体竞争市场的非零和博弈模型，通过强化学习算法攻克了模型参数未知情况下的投资决策难题，为精算领域的智能决策提供了可行路径。同时，团队关于极端风险下破产概率最小化的研究，已被应用于保险公司的资本充足率测算工作。

有想法

结合Yuen教授的研究积累与当前行业发展需求，以下三个创新研究计划既贴合团队核心方向，又具备明确的研究目标与实践价值：

1. ESG因子驱动的保险-金融市场相依风险模型构建：Yuen教授团队已构建的稀疏相依框架为该计划提供了坚实基础。区别于传统研究，本计划将ESG（环境、社会、治理）指标量化为风险驱动因子，融入保险与金融市场的相依性分析，通过构建含ESG因子的Copula模型，优化VaR、ES等风险度量指标。研究所需的ESG数据可从彭博、MSCI等权威数据库获取，模型可基于团队已有的尾部行为分析方法进行扩展。该研究成果能直接为保险公司设计绿色保险产品、制定风险定价策略提供理论支持。

2. 异质信念下基于强化学习的再保险博弈模型优化：依托团队在斯塔克尔伯格均衡与强化学习领域的研究成果，本计划聚焦保险市场中保险公司与再保险公司的“信念差异”——即双方对风险概率、损失分布的认知不同，构建融合贝叶斯更新的强化学习算法，实现再保险合同条款的动态优化。研究将采用多智能体强化学习（MARL）框架，利用公开保险损失数据开展模型训练，解决现有研究中“信念同质化”的假设缺陷，其结果可直接应用于再保险谈判的量化决策。

3. 高维健康数据在长期护理保险精算中的应用研究：基于团队在高维风险模型与生存分析的技术积累，本计划将医疗大数据（如基因数据、诊疗记录）与精算定价相结合，开发适用于高维稀疏健康数据的生存分析模型，精准预测长期护理保险的保费水平与理赔风险。研究可与香港本地医疗机构合作获取匿名健康数据，模型将采用团队已提出的l0惩罚改进算法，在保证参数估计准确性的同时提升模型可解释性。该研究能为商业保险公司的健康险业务提供核心技术支撑，推动产品创新与风险管控升级。