标签： #系统性风险

伊辛模型（Ising）是统计物理里描述「有序⇄无序」相变的标杆。把它平移到金融：每个自旋是一支股票（上涨 +1 / 下跌 −1），耦合强度 J 就是个股间的「趋同/传染」强度，温度 T 是市场流动性与情绪噪声。当市场从平静（高温无序）滑向恐慌（低温有序）时，会越过一个临界温度 Tc——这时相关性长度发散，全市场一起涨一起跌，正是崩盘的数学相变。本文用纯 numpy 向量化 Metropolis 从零复现二维 Ising，并用 Onsager 精确解对照，证明蒙特卡洛把 Tc 还原到 2.269（真实 2.269），比热尖峰在 2.267、磁化率尖峰在 2.287，并诚实拆穿「一维无相变/红黑更新陷阱/有限尺寸抹平临界/必须锚定二维」四类真实陷阱（中阶）。

单家机构的 VaR 只看自己亏多少，看不见「你倒了连累谁」。网络中心性（度/特征向量/介数）把机构间的敞口纠缠量化成节点重要性，直接回答监管与风险管理的核心问题：哪些机构是系统重要性最高、最不能倒的 SIFI。本文用纯 numpy 从零构造银行间敞口网络，计算三种中心性并对比排名，并诚实拆穿网络不完整/阈值主观/时变断裂/多层隐藏/中心性权重五类真实陷阱（中阶）。

单个机构的 VaR 只管自己亏多少，看不见「你倒了连累谁」。MES（Marginal Expected Shortfall）量的是「市场崩盘时某只股票平均会跌多少」，SRISK（Brownlees-Engle）再把它乘上杠杆、变成资本的系统性缺口。本文用单指数模型从零算 MES→LRMES→SRISK，量化「高杠杆金融机构既是尾部最痛、也是缺口最大」的机制，并诚实拆穿估计窗口/β 时变/监管资本口径/相关性断裂四类真实陷阱（中阶）。

2008 年雷曼倒下,为什么远在亚洲的股指也跟着崩?风险不是孤立的,它会沿资产间的关系『传染』。Diebold-Yilmaz 连通性框架用 VAR + 广义预测误差方差分解,把『谁在传染谁、传了多少』量化成一张可计算的地图,并派生出总连通度 TCI(系统性风险温度计)和方向性净溢出 NET(谁是传染源)。本文用 5 类资产合成数据,从零复现连通性矩阵、网络图与滚动 TCI,并点明滞后阶、预测期、正交化、样本期四类真实陷阱(中阶)。

系统性风险不是一只机构倒下那么简单，而是『一只倒下连累一串』的网络效应。把金融机构的收益相关性翻译成关联图，用图论指标（节点度、中心度、最短路径）量化谁是系统重要性枢纽、冲击怎么沿边传播。附完整 Python 与六类真实陷阱（高阶）。

CoVaR（Adrian-Brünnermeier）把「系统性风险」从一句话变成可量化指标：CoVaR_i = 机构 i 陷入自身 VaR 困境时，系统的条件风险价值；ΔCoVaR_i = CoVaR_i − 常态下系统 VaR，即机构 i 对系统的边际贡献。用 6 家机构的因子关联仿真：银行A（关联度最高）ΔCoVaR 最大(−3.34)，信托F 最小(−2.55)，与系统关联度严丝合缝。附完整 Python 与六类真实陷阱（高阶）。

个股从不是孤岛：相关性、供应链、板块联动把 30 只股票织成一张网。本文从零实现 2 层图卷积网络(GCN)，先让它学会预测「系统性重要度」，再用训练好的消息传递把冲击沿网络扩散，量化「hub 暴跌→全网传染」的放大效应，并诚实列出图构建里的真实陷阱。