网络科学基础：图论基础

各位同学好，我是老张。今天咱们聊聊网络科学里最底层的那些东西——图论。说实话，我刚开始做风控那会儿，觉得图论就是数学课本里的抽象概念，跟实际业务八竿子打不着。直到有一次处理银行间同业拆借数据，我才发现，原来金融网络本质上就是一张图。嗯，从那以后，我再也不敢小看它了。

节点与边：网络的最小单元

图论里最核心的两个概念，就是节点和边。节点，你可以理解成网络里的一个个实体。在咱们机构间风险敞口的场景里，节点就是银行、券商、保险公司这些金融机构。边呢，就是它们之间的关联关系。

我个人习惯把节点想象成「人」，边想象成「关系」。你想想看，人和人之间有关系，比如朋友、同事、借贷关系。金融机构之间也一样，有资金拆借、衍生品交易、担保关系等等。

我在项目中遇到过一个问题：有些同事把节点和边的定义搞混了。比如，把一笔交易当作节点，把机构当作边。这其实是不对的。记住一句话：节点是主体，边是关系。主体是静态的，关系是动态的。

有向图 vs 无向图

图可以分为有向图和无向图。这个区别很重要，尤其是在金融风控里。

无向图，说白了就是边没有方向。比如两家银行互相持有对方的债券，这种关系是对称的。有向图呢，边是有箭头的，表示方向。比如A银行向B银行拆借资金，这个关系就是单向的。

我曾经踩过一个坑：在处理跨境资本流动数据时，默认用了无向图。结果发现，资金明明是从A流到B，我却把它当成双向关系来分析。那段时间模型预测总是偏差很大，后来才发现是图的方向搞错了。避坑指南：金融网络里，绝大多数关系都是有向的，除非你能明确证明关系是对称的。

类型	定义	金融场景举例
无向图	边没有方向，关系是对称的	两家银行互相持有对方债券（假设金额相等）
有向图	边有方向，关系是单向的	A银行向B银行拆借资金，B银行向C银行提供担保

邻接矩阵与度分布

图怎么用数学表示？最常用的就是邻接矩阵。说白了，就是一个方阵，行和列都代表节点。如果节点i和节点j之间有边，那矩阵里第i行第j列就填1（或者权重值），没有就填0。

举个例子，假设我们有3家银行：工行、农行、中行。工行向农行拆借了100亿，农行向中行拆借了50亿。那邻接矩阵就是：

# 邻接矩阵示例
# 行：资金流出方，列：资金流入方
# 工行 农行 中行
adj_matrix = [
    [0, 100, 0],   # 工行
    [0, 0,   50],  # 农行
    [0, 0,   0]    # 中行
]

度分布呢，就是统计每个节点有多少条边。在有向图里，度分为入度和出度。入度是「有多少条边指向我」，出度是「我从这里出发有多少条边」。

我建议你记住这个直觉：入度高的机构，是「资金黑洞」，大家都把钱借给它；出度高的机构，是「资金源头」，它把钱借给很多人。在风险敞口分析里，这两种机构都需要重点关注。

网络的基本拓扑性质

图建好了，接下来要看它的拓扑性质。说白了，就是这张图长什么样，有什么特点。我挑几个最常用的讲讲。

1. 连通性

图是不是连在一起的？如果从任意一个节点都能走到另一个节点，那就是连通图。金融网络里，如果出现孤立节点，说明这家机构跟谁都没关系，风险传染不到它，但它也享受不到网络的好处。

2. 路径与距离

两个节点之间最短的路径长度，叫距离。在风险传染分析里，距离越短，风险传播得越快。我记得有一次做压力测试，发现某家小银行虽然规模不大，但它跟所有大行都有直接连接，距离全是1。结果它一违约，整个网络都震动了。

3. 聚类系数

这个指标衡量的是「你的朋友之间是不是也互相认识」。在金融网络里，聚类系数高，说明机构之间抱团严重，风险容易在局部聚集。我处理过的一个案例：某地区几家城商行互相担保、互相拆借，聚类系数高达0.8。结果一家出问题，整个区域都跟着遭殃。

4. 度分布与幂律

很多金融网络的度分布服从幂律分布。什么意思？就是少数机构连接了大部分边，大多数机构只连接很少的边。这些「少数机构」就是系统重要性金融机构，也就是我们常说的「大而不能倒」。

知识体系总览

下面这张图是我自己画的，把本章的核心逻辑串起来了。你可以把它当作一个思维导图来用。

这张图从最底层的节点和边出发，逐步延伸到有向/无向图、邻接矩阵与度分布，最后落到网络的拓扑性质上。你会发现，所有的高级分析——风险传染、系统重要性识别——都建立在这些基础概念之上。

好了，这一章的内容就到这里。图论基础是后面所有网络分析的基石，建议你多动手画几张图，用Python的NetworkX库跑几个小例子。我在下一章会讲如何用这些工具做实际的风险敞口网络构建，到时候咱们再细聊。

---

公众号:蓝海资料掘金营，微信deep3321