香港科技大学（广州）博士导师（Ziteng CHENG教授）

招生要求

HKUST(GZ)博士招生以“学术潜力”和“研究匹配度”为核心，结合Ziteng CHENG教授研究方向的特殊性，具体要求如下：

1. 学术背景要求：申请者需具备本科或硕士阶段的学历学位，优先考虑应用数学、统计学、计算机科学、金融工程、经济学等相关专业背景。本科阶段GPA建议不低于3.0/4.0（或同等绩点），硕士阶段成绩需保持优良，有数学建模、算法设计或金融量化相关研究经历者将被重点考量。

2. 语言能力要求：非英语授课院校毕业生需提供语言成绩证明，雅思（IELTS）总分不低于6.5且单项不低于6.0，或托福（TOEFL）网考不低于80分，无有效期限制但优先接受2年内的成绩。若申请者本科或硕士阶段以英语为授课语言，可提交院校官方证明豁免语言成绩。

3. 申请材料清单：需提交在线申请表、本科及硕士阶段成绩单（需经官方认证）、学位证书扫描件、个人陈述（重点说明研究兴趣与导师方向的契合点）、3封学术推荐信（至少2封来自授课教师或科研指导老师）、CV、代表性科研成果（论文、竞赛获奖证明等）及GRE成绩（非强制，但高分可提升竞争力）。

4. 其他核心要求：具备扎实的数学基础（如概率论、线性代数、随机过程），掌握至少一种编程语言（Python、MATLAB优先），有强化学习、马尔可夫决策过程或金融数据分析相关实践经验者优先。申请时需在研究计划中明确阐述对导师研究方向的理解及潜在合作点。

研究方向

Ziteng CHENG博士的研究以“数学建模”为核心工具，横跨人工智能与金融两大领域，其方向既具理论深度又贴近实际应用，具体可分为五大板块：

1. Risk-Averse Decision Making（风险厌恶型决策）：这是其研究的核心方向之一，聚焦决策者在不确定环境下的风险偏好建模。他在2024年发表于《Mathematics of Operations Research》的论文“Risk-averse Markov decision process through a distribution lens”，创新性地从分布视角重构了风险厌恶型马尔可夫决策过程的分析框架，为金融领域的风险控制提供了新的数学工具。该方向旨在解决传统决策模型中“风险度量单一化”的问题，使决策结果更贴合实际场景中的风险承受边界。

2. Reinforcement Learning（强化学习）与Inverse Reinforcement Learning（逆强化学习）：作为人工智能与决策科学的交叉领域，这两个方向是实现“智能决策”的关键。他在2023年提出的“Distributional method for risk averse reinforcement learning”（64th ISI World Statistics Congress会议论文），将分布方法融入风险厌恶型强化学习，提升了算法在动态风险环境中的稳定性。而逆强化学习方向的研究“Eliciting risk aversions with inverse reinforcement learning via interactive questioning”（arXiv预印本），则通过交互式提问机制反推决策者的风险偏好，为个性化决策支持系统提供了技术支撑。

3. Mean Field Games（均值场博弈）：该方向主要解决多主体互动场景下的决策问题，其2023年的预印本论文“Mean field regret in discrete time games”，针对离散时间博弈中的均值场遗憾问题展开分析，为金融市场中多投资者互动行为的建模提供了理论基础。该方向的研究可直接应用于量化交易、市场流动性分析等金融场景。

4. Mathematical Finance（金融数学）：这是其研究的应用载体，重点围绕随机过程与金融衍生品定价展开。他曾两次在《Stochastics: An International Journal of Probability and Stochastic Processes》发表论文，分别探讨了时间非齐次马尔可夫链的Wiener-Hopf分解技术及可加泛函的双边退出问题，为金融资产的风险定价提供了精准的数学模型。此外，在《Stochastic Processes and their Applications》发表的相关研究，进一步拓展了时间依赖漂移和波动率下算术布朗运动的应用边界。

有想法

结合Ziteng CHENG博士的研究积累与金融科技的发展趋势，以下三个创新研究计划具备明确的可行性与学术价值，均以“理论建模-算法实现-实证验证”为核心路径：

1. 风险厌恶型强化学习在加密货币投资组合优化中的应用：研究背景为加密货币市场高波动、高风险的特性与传统投资组合模型的适配性不足。核心思路是将导师提出的“分布型风险厌恶强化学习方法”与加密货币的价格序列特征结合，构建融合交易量、市场情绪等多维度特征的状态空间，设计以“条件风险价值（CVaR）+收益稳定性”为目标的奖励函数，开发自适应调整风险偏好的强化学习算法。可行性在于：导师已具备风险厌恶算法的理论基础，加密货币市场的公开数据可支撑实证分析，且HKUST(GZ)的金融科技实验室可提供算力支持。预期成果可发表于金融工程领域顶刊《Journal of Financial Engineering》。

2. 基于逆强化学习的智能投顾客户风险偏好动态识别系统：研究背景为当前智能投顾多采用静态风险测评，无法适配客户风险偏好的动态变化。核心思路是基于导师的“交互式逆强化学习”研究，设计多轮次、场景化的风险偏好提问机制，结合客户的交易行为数据（如持仓调整频率、止损设置等），构建动态风险偏好模型，实现“提问-反馈-迭代”的闭环识别。可行性在于：导师团队已积累逆强化学习的算法开发经验，可与金融机构合作获取匿名交易数据，系统原型可在HKUST(GZ)的金融科技试验平台进行测试。该研究可解决智能投顾的“个性化不足”痛点，具备转化为实际产品的潜力。

3. 均值场博弈视角下的多主体量化交易策略协同研究：研究背景为量化交易中多策略同时运行易产生“策略拥挤”问题，导致交易成本上升。核心思路是运用均值场博弈理论，建模多个量化策略之间的互动关系，将“策略收益-市场冲击成本-策略相关性”纳入统一的博弈框架，开发基于纳什均衡的策略协同算法，实现多策略的动态仓位分配与交易时机优化。可行性在于：导师在均值场博弈的离散时间模型上有扎实积累，可利用历史行情数据构建多策略模拟环境，研究成果可通过回测验证有效性，对量化基金的策略管理具有直接指导意义。