01、先看项目：3–4年制Business PhD，2027/28主轮已经开放
这期是香港大学商学院的全日制 PhD，研究字段选 Business Analytics。HKU Business School 对学制写得很直接：没有 research Master’s degree 的申请人按 4-year PhD 考虑，有 research Master’s degree 的申请人按 3-year PhD 考虑，所以公开标题保留官方范围“3–4年制”，不把个人背景预先替你判成某一档。
2027/28 admission 已于 2026 年 9 月 1 日开放，Main Round 到 2026 年 12 月 1 日结束。Graduate School 还给出之后的 clearing rounds，但商学院同时提醒，主轮之后通常只在仍有名额时才继续考虑。因此，如果目标是 2027 年秋季入学，现在不是“先等等看”的阶段。申请费目前是 HK$780；2027/28 full-time composition fee 为 HK$49,500/年。非本地生不能把一般 PGS 自动理解为学费豁免，除非拿到另有明确 tuition waiver 的资助项目。
02、PGS基础档HK$19,135/月，但它和学费是两回事
HKU Graduate School 当前公布的 Postgraduate Scholarship（PGS）基础档从 2026 年 9 月 1 日起是 HK$19,135/月，PhD probation 正式确认后提高到 HK$19,655/月。PGS 以年度为单位，后续是否续发取决于 satisfactory progress、funding availability 以及相关规章。学校的措辞是符合条件的全日制 PhD/MPhil 学生“normally considered eligible”，不是无条件自动发放。
标题采用基础档现金金额：HK$19,135×12=HK$229,620/年。按 2026 年 9 月 11 日约 1 HKD=0.8558 CNY 折算，约为人民币19.7万元/年。这里没有把 HK$49,500 的学费、宿舍或其他福利加进奖学金现金额。对非本地申请人，最需要看清的就是这两个数字不能互相抵消来理解：PGS 是生活/研究支持，composition fee 是否免除要看你拿到的具体 award。
03、高维时间序列：关键不是变量更多，而是潜在因子能不能估稳
本期 Professor 是香港大学商学院 Xinghao Qiao 副教授，属于 Innovation and Information Management，并明确加入 Business Analytics Group。他的研究兴趣包括 causal inference、complex time series、高维 statistics/econometrics、statistical foundations of AI 和 functional data analysis。个人主页当前直接写着 actively recruiting PhD students，并特别提到申请者应有较强数学与统计基础。
他在 2026 年被 JASA 接收的 Weight-calibrated estimation for factor models of high-dimensional time series，处理的是高维时间序列中的 factor estimation。高维数据常常有很多表面变量，但真正驱动共同变化的潜在因子数量可能很低。问题在于：如果序列本身存在复杂的时间依赖，简单依赖某一种协方差结构可能会让因子估计不稳定。这个工作把不同信息通过 weight calibration 组织起来，并讨论金融与宏观数据应用。对申博者来说，这类论文体现的不是“会跑时间序列模型”这么简单，而是要能理解识别、估计误差和高维结构。
04、当每个观测是一条曲线，Business Analytics会进入函数型数据
另一篇 2026 年 JBES 论文研究 high-dimensional functional time series。所谓 functional data，不是一个人一行几个数，而可能是一条随时间连续变化的曲线，例如温度曲线、死亡率曲线、价格或需求轨迹。变量数量一高，既要处理“每个变量本身是一条函数”，又要处理变量之间和时间之间的依赖，普通向量时间序列的方法会变得很笨重。
Qiao 与合作者用 factor modelling 去压缩这种高维函数型时间序列的共同结构。和他 2025 年关于 covariance matrix function、以及高维函数型时间序列预测的工作放在一起，能看出一条连续主线：不是为了套一个“AI”标签，而是在复杂数据结构里寻找可估计、可推断、可预测的低维表示。对于 Business Analytics 博士，这种训练更靠近统计理论、计量和机器学习基础的交叉，而不是商业报表或 dashboard。
05、因果推断和AI统计基础，让这条线不止是“预测得准”
Xinghao 的公开研究同时把 causal inference、experimental design 和 statistical foundations of AI 列为核心兴趣。这里有一个很重要的区分：预测模型关心“下一个值是多少”，因果问题关心“如果改变一个处理或政策，结果会怎样”。当数据又是高维、时间相关或函数型时，因果识别和不确定性量化会比普通回归更难。
所以如果你从机器学习背景转来，不要只展示模型准确率。你需要说明自己是否真正理解统计推断：数据生成过程、假设、可识别性、偏差、方差、置信区间、稳健性，以及为什么某个 estimator 在你的问题里成立。反过来，纯统计背景也最好展示计算能力，因为现代高维方法通常需要模拟、数值优化和大规模实验来验证有限样本表现。
06、申请Xinghao：把数学底座和研究问题写在同一份材料里
Xinghao Qiao 的个人主页已经把“actively recruiting PhD students”写得很明确，也直接点出 strong mathematical and statistical background 与对 modern statistics、econometrics、data science 的 genuine curiosity。这属于公开招生信息，可以作为准备材料的硬参考。CV 不妨优先把概率统计、线性代数、优化、时间序列、计量、高维统计以及 Python/R/Julia 等研究计算经历写清；如果有 thesis 或 research project，最好给出你实际推导、建模和实验的部分。
Research Proposal 则要避免“我想用AI解决商业问题”这种大口号。更有效的是从他现有研究出发，提出一个结构明确的问题：例如高维函数型数据中的因果关系、非平稳时间序列的因子结构、面向现代AI模型的统计推断，或者在复杂依赖下如何做稳健估计。你不需要假装已经知道最终答案，但要证明自己能把问题写成可检验的假设、可执行的方法和可解释的实验。
