伊辛模型金融临界性：用「自旋翻转」把市场崩盘的相变算出来 • halo 的技术博客

市场崩盘最诡异的地方，不是「跌了多少」，而是跌得太整齐——2008 年、2020 年 3 月，不是某几只股票在跌，是全市场一起跌、相关性瞬间拉满。这种「从各走各的，到步调一致」的转变，在物理里有个现成名字：相变（phase transition）。

结论先放这：金融市场在恐慌时会经历一次真实的「二级相变」，临界点是系统性风险激增的精确标记。 我们用统计物理的伊辛模型（Ising）来建模这件事——每个自旋是一支股票（涨 +1 / 跌 −1），耦合强度 J 是股票之间的「趋同/传染」强度，温度 T 代表市场流动性与情绪噪声。当 T 从高（平静、无序）降到低（恐慌、有序），系统会越过一个临界温度 Tc，这时相关性半径（相关长度 ξ）发散，全市场被「锁」进同一个方向——这就是崩盘的数学相变。

所有图表均由下文 Python 真实计算（红黑子格 Metropolis 蒙特卡洛），非占位图。

二维铁磁 Ising：低温 T=1.5 自旋有序成块、高温 T=3.5 自旋杂乱无序，越过 Tc 秩序瞬间崩解

一、为什么是伊辛模型#

伊辛模型是统计物理里描述「局部相互作用如何产生全局序」的最小骨架。它问一个极简的问题：N 个只能取 ±1 的 spins，相邻两个如果「同向」就省能量（耦合 J>0），系统的总能量是

$H = -J \sum_{\langle ij\rangle} s_i s_j$

低温（T 小，噪声弱）：系统倾向于省能量 → 自旋们对齐 → 出现宏观「磁化」M = Σsᵢ ≠ 0，也就是有序相。
高温（T 大，噪声强）：热涨落压过耦合 → 自旋乱跳 → 平均磁化 ≈ 0，也就是无序相。
中间某个临界温度 Tc，系统从无序「突变」成有序——这就是相变。

把 sᵢ 翻译成股票、J 翻译成个股联动强度、T 翻译成市场情绪噪声，问题的金融含义立刻浮现：当联动 J 相对噪声 T 足够强时，市场会自发组织成「同涨同跌」的宏观态。这正是系统性风险（systemic risk）的核心。

二、从零搭一个二维伊辛蒙特卡洛#

下面这段就是全文所有数字的来源。关键细节：必须用「红黑子格（red-black）」更新——先把棋盘格上同色的自旋一起提议翻转，再翻另一色。如果整张格子同时翻转，双分图（bipartite）格点上两个子格会彻底解耦、净磁化永远被钉在 0（这是并行更新的经典坑，下面「陷阱 2」细说）。

import numpy as np

def ising2d(L, T, J=1.0, sweeps=2200, burn=600, seed=0):
    rng = np.random.default_rng(seed)
    beta = 1.0 / T
    s = rng.integers(0, 2, size=(L, L)) * 2 - 1
    xx, yy = np.meshgrid(np.arange(L), np.arange(L))
    mask_a = ((xx + yy) % 2 == 0)          # 红格子
    mask_b = ~mask_a                        # 黑格子

    def step(mask, rnd):
        nb = (np.roll(s, 1, 0) + np.roll(s, -1, 0)
              + np.roll(s, 1, 1) + np.roll(s, -1, 1))
        dE = 2 * J * s * nb                # 翻转一个自旋的能量变化
        accept = mask & ((dE < 0) | (rnd < np.exp(-beta * dE)))
        s[accept] *= -1

    M, E = [], []
    for sw in range(sweeps):
        step(mask_a, rng.random((L, L)))   # 先翻红子格（向量化 Metropolis）
        step(mask_b, rng.random((L, L)))   # 再翻黑子格（保细致平衡）
        if sw >= burn:
            M.append(s.sum())
            nb = (np.roll(s, 1, 0) + np.roll(s, -1, 0)
                  + np.roll(s, 1, 1) + np.roll(s, -1, 1))
            E.append(-(s * nb).sum() / 2.0)
    return np.array(M, float), np.array(E, float), s.copy()

python

跑一遍 L=60 的格子，低温和高温判若两「世界」：

T=1.5（低温）：自旋对齐成大片同色块，稳态每自旋磁化 m ≈ +0.149（有序）；
T=3.5（高温）：自旋杂乱如盐粒，稳态每自旋磁化 m ≈ 0.0009（无序）。

这张「秩序 vs 混乱」的对比图，就是相变最直观的面孔。

三、维度决定命运：一维没有相变，二维才有#

物理里有个反直觉事实：一维 Ising 永远没有相变（任意有限温度都无序），只有二维及以上才存在有限临界温度 Tc。我们用一维单链蒙特卡洛，和二维的 Onsager 精确解对照——后者在 Tc = 2/ln(1+√2) ≈ 2.269 处给出自发磁化的闭式：

$m = \left[1 - \sinh(2\beta J)^{-4}\right]^{1/8}, \quad T < T_c$

def onsager_m(T, J=1.0):
    Tc = 2.0 / np.log(1 + np.sqrt(2))
    if T >= Tc:
        return 0.0
    b = 1.0 / T
    return float((1 - (1.0 / np.sinh(2 * b)) ** 4) ** (1/8))

python

画出来就是下面这条曲线——一维那条（绿）在任意 T 都软趴趴地贴近 0，二维那条（红）在 Tc ≈ 2.269 处「咔」地一下立起来：

维度决定命运：一维 Ising 没有相变，二维 Ising 在 Tc≈2.269 处磁化突变（Onsager 精确解对照蒙特卡洛）

金融启示：「联动」要能引发系统性相变，必须高于某个维度阈值（现实市场是高度互联的网络，远超一维）。 零散的两两相关不会让全市场锁死，只有足够稠密的连接（高维、小世界网络）才撑得起真正的崩盘相变。

四、临界涨落的两个尖峰：比热与磁化率#

相变不是「磁化掉下去」这么简单，它伴随涨落的爆发。两个观测量在 Tc 附近会有特征尖峰：

比热 C = Var(E)/T²：能量涨落在 Tc 最大（系统对温度最敏感）；
磁化率 χ = Var(M)/T：磁化涨落在 Tc 最大（任意小扰动都被放大成宏观序——这正是「相关性发散」）。

def c_vs_T(L, Tvals, seed0):
    return np.array([ising2d(L, T, seed=seed0+k, sweeps=1800, burn=500)[1].var()
                     / (T*T) / (L*L) for k, T in enumerate(Tvals)])

def chi_vs_T(L, Tvals, seed0, sweeps=2400):
    return np.array([ising2d(L, T, seed=seed0+k, sweeps=sweeps,
                     burn=max(400, sweeps//4))[0].var()
                     / (T*(L*L)) for k, T in enumerate(Tvals)])

python

L=40 格子上算实，两个尖峰都干净地落在 Tc 附近：

临界涨落：二维 Ising 比热在 Tc≈2.267 出现尖峰 C≈1.89（每自旋），标记系统对温度最敏感处

临界协动：二维 Ising 磁化率在 Tc≈2.287 剧烈发散 χ≈160（每自旋），对应「全市场相关性暴涨」

数值结果：比热峰位 T ≈ 2.267（C ≈ 1.89/自旋），磁化率峰位 T ≈ 2.287（χ ≈ 160/自旋）——两者都把 Tc 钉在 2.269 附近。注意磁化率的峰比价高出两个数量级：它量的是「涨落被放大」的程度，金融上就是危机里个股收益相关性半径的发散——平时各走各的，危机一来，连最不相关的两只股票都开始同涨同跌。

五、有限尺寸标度：蒙特卡洛把 Tc「还原」出来#

现实里你永远只有有限样本（有限 N 只股票、有限交易日），临界点会被「抹厚」。物理的标准解法是有限尺寸标度（finite-size scaling）：不同尺寸 L 下，χ 的峰位 T_peak(L) 满足

$T_{\text{peak}}(L) - T_c \sim L^{-1/\nu}$

ν 是相关长度临界指数（二维 Ising 的 ν=1）。于是用几个不同的 L 跑峰位，再外推 L→∞，就能把真实 Tc 还原出来：

Ls = [16, 24, 32, 40]
peaks = []
for Lj, seed in zip(Ls, [700, 710, 720, 730]):
    Tv = np.linspace(Tc - 0.6, Tc + 0.6, 22)
    sw = max(1600, Lj * 70)
    chiN = chi_vs_T(Lj, Tv, seed0=seed, sweeps=sw)
    peaks.append(Tv[np.argmax(chiN)])
nu = 1.0
fit = np.polyfit(1.0 / np.array(Ls) ** (1/nu), peaks, 1)
Tc_extrap = fit[1]    # 外推到 L → ∞

python

四个尺寸（16/24/32/40）的峰位分别是 2.298 / 2.298 / 2.355 / 2.298，线性外推得到 Tc ≈ 2.337，和精确解 2.269 仅差约 3%：

有限尺寸标度外推：蒙特卡洛把临界温度 Tc 从有限格子还原到 ≈2.337（Onsager 精确解 2.269）

这正是金融临界性的内核：你不需要无限历史，只要用「不同窗口长度/不同股票子集」做标度外推，就能把市场当前的「系统性风险临界距离」估出来——离 Tc 越近，越危险。

六、四类真实陷阱（必看）#

1. 一维没有相变，别用链状模型假装能预测崩盘。 物理上严格证明：一维 Ising 的 Tc=0，任何有限温度都无序。如果你把股票排成一条时间序列链、只用「相邻相关」去建模系统性风险，数学上保证你永远看不到相变——它压根不存在。必须用高维/网络结构，临界性才立得住。

2. 并行整格翻转会让磁化恒为 0（红黑更新陷阱）。 这是最隐蔽的坑：若每一遍把整张格子所有自旋同时提议翻转，双分图的两个子格彻底解耦，净磁化被结构性钉死在 0，于是你「算出来」所有温度都无序、永远找不到 Tc。正确做法是红-黑子格交替更新（先翻一种颜色、再翻另一种），保住细致平衡。本文代码就是这个写法。

3. 有限尺寸会抹平临界尖峰。 你用的 L 越小，χ 在 Tc 的尖峰越低、峰位越偏（我们 L=16 的峰位已经漂到 2.30 一带）。直接拿小样本峰位当 Tc 会系统性高估「当前风险距离」。务必做尺寸外推，或至少报告尺寸依赖。

4. 真实金融市场不是二维方格。 伊辛方格的 Tc、ν 是格子几何决定的；真实股票网络是复杂网络（小世界、无标度），临界指数和 Tc 都不同。本文的价值是机制与方法的演示（相变、涨落尖峰、有限尺寸标度），不是给你一个能直接套行情的 Tc 数字。落地时要换成对应网络拓扑的模型（或纯经验标度），不要抄 2.269 这个方格常数。

结语#

伊辛模型给金融的最锋利一刀，是把「崩盘」从一句模糊的恐慌叙事，变成了一个有临界温度、有相关长度发散、能数值还原的物理相变。二维蒙特卡洛干净地复现了这一切：比热尖峰在 2.267、磁化率尖峰在 2.287、有限尺寸外推把 Tc 还原到 2.337（真实 2.269）。但记住四条边界——一维无相变、红黑更新保平衡、有限尺寸必外推、真实市场非方格。下回有人问「系统性风险能不能量化」，你可以说：能，它藏在市场越过临界温度的那一刻。