余显烨，男，2016年获得博士学位，浙江工商大学应用统计专业副教授。主要研究方向为分数布朗运动、Malliavin分析及其在随机（偏）微分方程中的应用，同时结合统计学方法与人工智能技术，开展随机系统建模、参数估计及数据驱动分析研究。重点关注随机动力系统在复杂数据环境下的理论分析与算法实现，探索随机分析方法在机器学习、时间序列建模及不确定性量化中的应用。

主持国家自然科学基金项目（青年项目）1项，参与国家自然科学基金项目（面上项目）2项。在 Stochastic Processes and their Applications、Journal of Theoretical Probability、Stochastics: An International Journal of Probability and Stochastic Processes、Electronic Communications in Probability、Statistics and Probability Letters及 Communications in Statistics - Theory and Methods等期刊发表SCI学术论文近20篇。

邮箱：xianyeyu@gmail.com

融合统计学与人工智能的数学基础，系统研究复杂随机系统中的统计推断与学习理论问题，包括高维与非线性情形下的参数估计、模型识别及渐近性质。依托Malliavin分析方法，深入刻画随机系统解的正则性、可微性及其概率分布结构，发展面向统计推断与不确定性量化的理论工具。同时，结合机器学习中的函数逼近理论与优化理论，研究随机微分方程与随机偏微分方程的学习型表示与数值逼近方法，重点分析相关算法的收敛性、稳定性及泛化能力，从理论层面推动随机分析、统计学与人工智能基础方法的交叉融合。在数理金融背景下，围绕复杂市场环境中的衍生品定价、风险度量与对冲策略问题，构建兼具统计推断与学习能力的随机模型框架，为金融系统中的不确定性刻画与决策提供理论依据。