第二十六讲：网络分析与系统性风险

金融机构之间的流动性网络，说白了就是一张「谁欠谁钱」的大网。我做了这么多年量化，见过太多人只盯着单个机构的报表，却忽略了这张网本身的结构。嗯，今天我们就来聊聊，怎么用网络分析的方法，提前嗅到系统性风险的味道。

流动性网络的基本结构

每家银行、券商、基金都是一个节点。它们之间的拆借、回购、衍生品交易，就是连接节点的边。边的粗细代表资金量的大小，方向代表资金流向。

我习惯把这种网络画出来。你想想看，当一家机构出问题，它的违约风险会沿着这些边传播。就像多米诺骨牌，第一块倒下后，后面的连锁反应才是真正的灾难。

节点重要性的度量方法

不是所有节点都同等重要。有些机构「大而不能倒」，有些机构「连而不能倒」。怎么量化？我常用的有三种方法：

1. 度中心度（Degree Centrality）

最简单粗暴的方法。看一个节点连接了多少条边。连接越多，理论上越重要。

# 计算度中心度的伪代码
def degree_centrality(network):
    centrality = {}
    for node in network.nodes:
        centrality[node] = len(network.neighbors(node))
    return centrality

但这个方法有个坑。我在项目中遇到过，有些节点虽然连接很多，但都是小额交易。真正致命的，是那些连接不多但资金量巨大的节点。

2. PageRank 算法

Google 用来排名的算法，放在金融网络里同样好用。它的逻辑是：一个节点的重要性，取决于谁在给它「投票」。如果重要的机构都和你做交易，那你自然也很重要。

# PageRank 在金融网络中的应用
def financial_pagerank(network, damping=0.85):
    # damping 是阻尼系数，我一般设 0.85
    # 代表资金流动的随机性
    n = len(network.nodes)
    pr = {node: 1/n for node in network.nodes}
    
    for iteration in range(100):
        new_pr = {}
        for node in network.nodes:
            incoming = network.in_edges(node)
            score = (1 - damping) / n
            for source in incoming:
                score += damping * pr[source] / len(network.out_edges(source))
            new_pr[node] = score
        pr = new_pr
    return pr

3. 介数中心度（Betweenness Centrality）

这个指标看的是「如果我要传递一笔资金，有多少路径必须经过你？」。介数高的节点，就是网络中的「咽喉要道」。

我曾经用这个指标分析过2019年的一次流动性危机。当时一家中型券商出了问题，按理说影响不大。但它的介数中心度极高，很多资金流转都必须经过它。结果呢？它一倒，整个网络瘫痪了三天。

传染路径分析

知道了哪些节点重要，下一步就是模拟风险怎么传播。我常用的方法是「压力传染模拟」：

1. 初始冲击：假设某个重要节点违约，无法偿还债务
2. 第一轮传染：它的债权人出现资产损失，可能触发自身违约
3. 第二轮传染：这些债权人的债权人又受影响
4. 以此类推：直到没有新的违约发生

# 传染路径模拟
def contagion_simulation(network, initial_default, threshold=0.2):
    # threshold 是违约阈值，比如资本充足率低于20%
    defaulted = set([initial_default])
    new_defaults = set([initial_default])
    
    while new_defaults:
        current_wave = set()
        for node in new_defaults:
            # 找到所有被 node 影响的债权人
            creditors = network.out_edges(node)
            for creditor in creditors:
                if creditor in defaulted:
                    continue
                # 计算损失
                loss = network.get_edge_weight(node, creditor)
                capital = network.get_capital(creditor)
                if loss / capital > threshold:
                    current_wave.add(creditor)
        defaulted.update(current_wave)
        new_defaults = current_wave
    
    return defaulted

实战中的避坑指南

我曾经犯过一个错误。当时只分析了银行间的直接借贷网络，忽略了衍生品市场的间接敞口。结果模拟出来的传染路径完全不对。后来我才意识到，很多风险是通过衍生品合约「隐藏」在网络之外的。

可视化：流动性网络结构图

下面这张图展示了一个简化的金融机构流动性网络。圆圈大小代表节点重要性（综合评分），箭头方向代表资金流向，线条粗细代表交易量。

实际案例：雷曼兄弟的教训

2008年雷曼兄弟倒闭，就是网络分析的一个经典反面教材。当时雷曼的度中心度很高，但监管机构只关注了它的资产负债表，没看它在网络中的介数中心度。

雷曼倒闭后，它的交易对手方——尤其是那些高度依赖雷曼进行清算的机构——瞬间失去了流动性。这就是典型的「连而不能倒」。

我的实战框架

最后分享一下我现在用的分析框架。每天开盘前，我会跑一遍这个流程：

1. 数据采集：从央行、交易所、场外清算平台抓取交易数据
2. 网络构建：用 Python 的 NetworkX 库构建有向加权图
3. 节点评分：计算每个节点的综合重要性得分
4. 压力测试：对 Top 10 重要节点逐一模拟违约，看传染范围
5. 路径预警：标记出所有可能成为传染路径的边
6. 仓位调整：如果我的持仓涉及高风险路径，立即减仓

这个框架帮我躲过了2020年3月的流动性危机。当时模型预警了一家欧洲银行，我提前三天清空了相关仓位。嗯，那三天睡得特别香。

---