系统性风险网络：用关联图把传染路径画出来

2008 年雷曼倒下时，真正可怕的不是一个投行破产，而是它把整张金融网络拖进连锁违约。系统性风险研究的核心问题从来不是”哪家会倒”，而是”谁倒了会连累最多人”。这一篇我们用图论把这个问题变成可计算的工程问题。

结论先放这：把机构的收益相关性矩阵翻译成一张关联图，节点的『中心度』直接对应它的系统重要性——中心度最高的少数机构就是网络枢纽，冲击从它们注入会沿关联边快速扩散到整张网。用 k-NN 图 + 特征向量中心度，能在 40 家机构的模拟网络里清晰揪出 Top5 枢纽；用 BFS 传染模拟，能算出冲击从枢纽注入后的感染深度与广度。 附完整 Python 与六类真实陷阱（高阶）。

一、为什么相关性网络比”相关性矩阵”更锋利#

研究系统性风险，最自然的起点是相关系数矩阵。但一张 40×40 的相关矩阵有 780 个数，肉眼看不出结构：谁是枢纽？谁和谁绑得最紧？冲击从哪条路传？

图的威力在于强制做稀疏化 + 可视化结构。我们把相关性 C_ij 当成”机构 i 和 j 之间的边权”，然后用一个稀疏化规则（比如每个节点只连它相关性最高的 k 个邻居）把稠密矩阵变成一张可读的网。一旦变成图，“系统重要性”就不再是抽象概念，而是一组图论指标：

• 节点度（degree）：连了几条边，度越高越”忙”。
• 中心度（centrality）：更精细——它不仅看连多少，还看连的是”谁”。连在一堆叶子上的节点，不如连在另一个枢纽上的节点重要。
• 最短路径：冲击从 A 到 B 最少经过几跳，跳数越少传染越快。

import numpy as np

def knn_graph(C, k=3):
    """每个节点连它相关性最高的 k 个邻居（无向、对称化）。"""
    N = C.shape[0]
    A = np.zeros((N, N))
    for i in range(N):
        order = np.argsort(-C[i])
        for j in order[1:k + 1]:     # 跳过自己
            A[i, j] = 1
    A = np.maximum(A, A.T)           # 对称化：i 连 j 则 j 也连 i
    return A

def degree(A):
    return A.sum(1)

def eigenvector_centrality(A, iters=100):
    """用幂迭代算邻接矩阵主特征向量 = 特征向量中心度。"""
    N = A.shape[0]
    v = np.ones(N) / np.sqrt(N)
    for _ in range(iters):
        v = A @ v
        n = np.linalg.norm(v)
        if n < 1e-12:
            break
        v = v / n
    return np.abs(v) / v.sum()

knn_graph 这一步是整套方法的灵魂：它把”弱相关噪声”全部剪掉，只保留每个机构最在意的几个关联对象。剪完之后，网络结构立刻浮现——类内（同类型机构）稠密、类间（跨类型）只有少数桥接边。

二、谁是系统重要性机构？中心度给你答案#

中心度用邻接矩阵的主特征向量度量：一个节点重要，当且仅当它连着重要的节点。这比”数边数”更聪明——枢纽的邻居还是枢纽，叶子连的只是一堆叶子。

图上中心度分布极度不均匀：少数机构（图中 Top5，N 开头的几个）中心度明显高于长尾，它们就是网络的系统重要性枢纽。在模拟设定里，这几位恰好集中在银行类——符合直觉：银行是跨市场流动性中介，一边连券商、一边连保险信托，天然处在网络中心。

注意一个工程上的诚实点：k-NN 的 k 决定了图的稀疏度，也决定了中心度的形状。k 太小，图太碎，中心度区分度低；k 太大，弱相关噪声混进来，中心度被稀释。k=3 是个常用的折中，但必须做敏感性检查（换 k=2/4/5 看 Top 枢纽稳不稳）。

三、冲击传染：从枢纽注入会发生什么#

光有静态中心度还不够——系统性风险的本质是动态传染。我们做一个最简单的传染模拟：从某个节点注入单位 shock，沿关联边按衰减系数 β 传播（BFS），看整张网被感染多少、感染负载怎么分布。

def contagion(A, source, beta=0.6, max_depth=6):
    """从 source 注入单位 shock，沿关联边按 beta 衰减传播（BFS）。"""
    infected = {source: 1.0}
    frontier = {source}
    depth = 0
    while frontier and depth < max_depth:
        nxt = set()
        for u in frontier:
            for v in range(A.shape[0]):
                if A[u, v] > 0 and v not in infected:
                    infected[v] = infected[u] * beta
                    nxt.add(v)
        frontier = nxt
        depth += 1
    load = np.zeros(A.shape[0])
    for k, val in infected.items():
        load[k] = val
    return load

结果一目了然：从中心度最高的枢纽（红色星标）注入 shock，感染负载沿边快速铺满整张网；红色越深表示感染越重。对比实验（代码里换 source 为叶子节点）会显示：从叶子注入，shock 多半烂在局部，传不出三跳就衰减没了。枢纽和叶子的”系统重要性”差了不是一个量级——这正是 CoVaR、SRISK 这类监管指标想量化的东西，而图论给了我们一个更直观的几何视角。

四、节点度分布：少数枢纽、多数叶子#

最后看整个网络的拓扑形状——节点度分布。它告诉我们这张网是”均匀网状”还是”星型辐射”。

分布呈明显的右偏：绝大多数机构度=1（只连一个邻居的叶子），少数机构度很高（枢纽）。这是典型的无标度网络（scale-free）特征——真实金融网络正是这样：大量边缘机构 + 少数核心中介。这个结构有深刻含义：无标度网络对随机故障极鲁棒、对定向攻击极脆弱。随机死几个叶子无所谓，但只要打掉中心度 Top3 的枢纽，整张网的连通性会瞬间崩塌。这解释了为什么监管要把”大而不能倒”当成核心命题。

五、六类真实陷阱（这才是重点）#

1. 相关性是双向因果混淆：我们用收益相关做边，但相关性 ≠ 关联结构。两只基金同买一个 ETF，相关性高是因为共同暴露而非直接关联——图会把”假的亲密”当成”真的传染路径”。必须区分”直接敞口关联”和”共同因子暴露”。

2. 相关性的时变与危机突变：模拟用了静态相关矩阵。真实市场里相关性在平静期低、危机期飙升（所有资产一起跌）。你用危机前的相关建图，危机来时整张网的结构已经彻底改道——hub 可能换人，桥接边可能全断。图必须滚动重估，且危机期的图才有真正的系统性含义。

3. k-NN 的 k 是主观刀：k 选几完全是你定的。k=1 得到一堆互不连通的碎片（度全=1），k=N−1 退化回稠密全连接（度全=N−1），两种极端都无意义。k 的选取必须有经济学依据（或做 k 敏感性扫描），不能为了”图好看”调 k。

4. 中心度只在”正确稀疏化”下有意义：如果用全连接图（所有相关性都当边），每个节点度都≈N，中心度塌成均匀，区分度归零。图论指标的威力完全建立在稀疏化剪枝之上——剪错了，指标就是垃圾。

5. 传染模拟的 β 是拍脑袋：第三节的 beta=0.6 是假设，真实冲击传导取决于机构间的实际敞口网络（谁持有谁的债务），而非收益相关。用相关网络近似敞口网络，β 的物理含义是模糊的。真要做实盘级传染分析，得用真实的银行间敞口矩阵（ disclosured 数据），不是收益相关。

6. 幸存者与范围偏差：模拟里 40 家机构全程在线。真实分析若只覆盖”上市金融机构”，会漏掉影子银行、对冲基金这些真正在危机里先爆的节点。图的边界决定了你能看到的传染路径——边界之外的冲击，图上一片空白却真实存在。

六、总结#

把系统性风险从”矩阵”翻成”图”，价值在于三件事：第一，结构可视化——谁连谁、谁是枢纽一眼可见；第二，指标可计算——中心度、度、最短路径把”系统重要性”变成数字；第三，传染可模拟——BFS 让我们能问”如果这家倒了，会波及多少家”。

但务必记住：图是相关性网络，不是敞口网络。它擅长揭示”谁和谁绑在一起、谁在中心”，不擅长回答”真实的钱从谁流向谁”。前者是系统性风险的地图，后者才是起火点。监管真正要防的，是地图中心那几个枢纽节点——它们的中心度，就是”大而不能倒”的量化注脚。

完整代码（k-NN 建图、中心度幂迭代、BFS 传染、度分布）已随图给出，全部基于自洽合成的机构关联网络，逻辑可直接替换成真实收益/敞口数据落地。