一次漂亮的时间序列预测，可能在换一个城市、换一段年份后就不再可靠。申请数据科学博士时，不少人把模型准确率作为材料的核心成果，却没有解释：为什么这种规律值得相信，哪些条件下可能失效，以及错误判断会带来什么后果。尤其当研究对象是金融波动、污染变化或公共决策，预测不只是屏幕上的数字，它可能改变人们怎样分配资源。
香港教育大学的数据科学研究讲座教授李偉強（Wai Keung Li）长期研究时间序列、金融风险和环境统计。他曾任香港大学统计及精算学系系主任等职务，也是美国统计学会和数理统计学会会士。对希望从数学、统计、计算机转向研究型博士的人来说，这个方向很适合用来辨认：自己掌握的是一组工具，还是已经具备提出研究问题的能力。
预测为什么不是论文的终点
金融市场的波动并不均匀。有时平静很久，有时极短时间内连续出现大幅变化；环境观测又可能受到季节性、仪器缺测和地点差异的影响。用固定平均误差评估模型，可能把最值得关心的极端时段掩盖掉。研究者要先决定自己究竟想解释波动结构、识别异常，还是提高对某类事件的判断，然后再决定采用怎样的模型。
这里最容易出现的是研究目标与评价指标脱节。假设有人使用气象和污染数据做过预测，在常规测试集上效果很好；但如果极端天气样本被平均指标稀释，模型对管理决策帮助有限。更有价值的材料写法是交代如何重新安排时间切分、怎样检查空间外推、为什么设置一个简单的统计基线，以及最终发现了哪些不可克服的局限。这个示例仅用于说明科研写作，不是李教授团队的真实项目结果。
时间序列研究还要求申请者意识到数据生成过程本身会变化。一个在过去成立的统计关系，不代表在未来仍具有相同含义。制度调整、测量口径改变或突然的外部冲击都可能让模型面对全新的数据。理解这种不稳定性，往往比在申请表里多写几个算法名称更能说明研究判断。
李偉強教授的公开介绍同时列出金融风险管理和环境统计。它们看似属于不同领域，却共享一个基础难题：从有噪声、相互依赖的观测中寻找可以解释的不确定性。这使跨学科申请既存在机会，也存在门槛。学过概率与回归的人可能容易进入方法讨论，但仍要补充对应用场景的知识；来自环境科学或经济学的人理解问题背景，未必已经能辨别统计假设何时被破坏。
一份申请材料怎样说明自己值得培养
如果研究经历来自本科毕业论文，可以选一个真正发生过的分析决策作为主轴。例如，为什么使用滚动窗口而不是随机切分训练与测试数据，怎样处理观测间相关性，以及为什么某个看似较复杂的方法没有带来稳健提升。读者从这样的描述里能够看到你的判断是如何形成的，而不只是最终产出了一张结果表。
研究计划同样不必承诺一次解决所有问题。一个可讨论的方案通常会说明研究对象、数据限制、现有方法的不足和拟检验的替代解释。比起泛泛提出“利用人工智能提升风险预测”，更具体的方向是研究模型在数据分布发生变化时，哪些指标仍可用于识别错误风险。没有真实数据与清晰问题，宏大的方法表述很难转化成博士训练。
香港教育大学设有全日制研究型博士项目，申请者可按学校规定参与奖助评审。学校公布的2026/27学年常规研究生助学金为每月港币19,100元，博士获得候选资格后公布的标准为每月19,600元；学校也设有竞争性的香港博士研究生奖学金计划。这些是对应类别及学年的校级规则，不表示李教授对个人名额或资助结果作出保证。对于跨学科申请者，正式博士培养要求、导师指导安排与经费资格，需要作为不同决定分别核对。
如果申请人的过去经历偏机器学习，却希望研究统计推断，值得认真评估自己是否愿意把很长时间用于检查假设、重做实验设计和解释不确定性。如果过去做的是环境监测，可能更有价值的是让审稿人看见自己理解采样偏差及现场约束，而不只是展示一组模型参数。博士申请的可行性，往往在这些具体取舍里才开始清楚。
选项目时别忽略“数据从哪里来”
统计问题不是悬浮在公式之上的。一个团队如果重点研究风险管理，可能需要理解市场制度和不同变量的经济含义；如果重点研究环境变化，则必须关注观测网络、时间粒度及地理差异。阅读导师论文时，不妨先从数据段和方法限制段入手：作者排除了什么偏差，结论依赖哪些前提，自己能否以已有经历参与其中。
把申请意愿翻译成一段可信的研究经历时，不需要展示所谓无懈可击的结果。能解释一次预测为什么失败、怎样判断失败来自数据还是假设，通常才是进入统计科研讨论的起点。
