一、市场关联性网络概述
各位同学，今天咱们聊聊市场关联性网络。说实话，这个概念听起来挺唬人的，但说白了——就是把金融市场看成一张大网，股票是节点，它们之间的相关性就是连线。
我刚开始做量化研究那会儿，习惯盯着单个股票看。后来发现，市场里没有孤岛。一只股票涨跌，往往会带动一批股票跟着动。这就是关联性网络要解决的问题。
什么是关联性网络
关联性网络，就是用图论的方法，把一堆金融资产之间的关系画出来。每个资产是一个点，资产之间的相关性是一条边。
举个例子。你想想看，贵州茅台和五粮液，它们之间肯定有很强的关联性。为什么？因为同属白酒板块，受同样的政策、消费趋势影响。在网络上，这两个节点之间就会有一条很粗的边。
核心要点：关联性网络不是简单的相关系数矩阵，而是把相关系数矩阵转化成图结构，保留最显著的关系，过滤掉噪声。
我在项目中遇到过一个问题：直接用全连接网络，边太多了，根本看不出结构。后来我学会了阈值法——只保留相关性超过0.7的边，网络一下子就清晰了。
金融市场的网络视角
为什么要把金融市场看成网络？因为传统的资产定价模型，比如CAPM，假设市场是有效的，资产之间只通过市场因子关联。但现实不是这样的。
我给你们说个真实案例。2008年金融危机，雷曼兄弟倒闭。如果你只看单个股票，你可能会觉得这只是个孤立事件。但从网络视角看，雷曼兄弟是系统重要性节点，它一倒，整个金融网络就崩溃了。
金融市场的网络视角，能帮我们看清三件事：
- 系统性风险：哪些节点是"大而不能倒"的？
- 风险传染路径：一个冲击会沿着哪些路径扩散？
- 投资组合分散化：哪些资产其实是一伙的？
个人经验：我习惯在构建投资组合时，先画一个关联性网络。如果发现持仓的股票都在同一个社区里，那说明分散化是假的。我曾经吃过这个亏，持仓看起来有10只股票，结果全是银行股，一跌全跌。
网络科学基础概念
要理解关联性网络，得先掌握几个基础概念。别怕，都很简单。
节点（Node）
节点就是网络中的基本单元。在金融网络中，节点可以是股票、债券、基金，也可以是银行、交易所。我个人习惯把节点称为"实体"。
边（Edge）
边是节点之间的连接。在关联性网络中，边通常代表相关性。但注意，相关性有正有负。正相关用实线，负相关用虚线，这是我个人的习惯。
度（Degree）
度是一个节点连接的边的数量。度高的节点，说明它跟很多其他资产都有关系。这种节点往往是系统重要性节点。
嗯，这里要注意：度高的节点不一定就是好节点。在2008年，高盛和摩根士丹利的度都很高，但它们是风险传播的枢纽。
路径（Path）
路径是从一个节点到另一个节点需要经过的边数。最短路径长度，决定了风险传染的速度。
避坑指南：我曾经以为路径越长，风险传播越慢。但后来发现，如果路径上的节点都是高度互联的，那风险传播速度会指数级增长。所以，不仅要看路径长度，还要看路径上的节点结构。
知识体系框架
下面这张图，是我自己总结的市场关联性网络知识体系。你看一眼，就能明白整个课程的结构。
课程目标与学习路径
这门课的目标很明确：让你能独立构建一个市场关联性网络，并从中提取有价值的交易信号。
具体来说，学完这门课，你应该能做到：
- 理解网络科学基础：知道节点、边、度、路径这些概念在金融场景中的含义
- 掌握网络构建方法：能用Python从零构建关联性网络，包括阈值法、最小生成树、平面最大过滤图
- 学会网络分析：能计算中心性指标，做社区发现，识别系统重要性节点
- 实战应用：能把网络分析结果用到投资组合优化、风险管理和行业轮动中
学习建议：我个人建议你按这个顺序学。先打基础，再学构建方法，然后做分析，最后实战。别跳着学，尤其是网络构建那部分，很多细节容易踩坑。
好了，这一章就到这里。记住一句话：市场不是一堆孤立的股票，而是一张相互关联的网。学会看这张网，你就能看到别人看不到的东西。
公众号:蓝海资料掘金营，微信deep3321