3. 经典传染病模型（SIR）：SIR模型原理、仓室模型概念、在金融风险中的类比（恐慌情绪传播）

3.1 从一场流感说起

我记得刚入行做风险建模那会儿，团队老大扔给我一堆交易数据，说：“你看看能不能预测一下恐慌什么时候扩散？”我当时一脸懵——这玩意儿跟天气预报似的，能算？后来翻到一篇论文，讲的是用SIR模型模拟疫情传播。我一看，这不就是我要找的东西吗？

说白了，SIR模型是传染病动力学里最经典的框架。它把人群分成三类：易感者（Susceptible）、感染者（Infectious）、康复者（Recovered）。你想想看，恐慌情绪在金融市场里的传播，跟病毒在人群中的扩散，本质上是一回事。

3.2 仓室模型：把复杂问题拆成几个盒子

仓室模型（Compartmental Model）的核心思想很简单——把系统里的人塞进不同的“盒子”里，然后看盒子之间怎么流动。每个盒子代表一种状态，状态之间的转换由参数控制。

在SIR模型里，三个仓室分别是：

• S（易感者）：还没被感染，但有可能被感染的人。在金融里，就是那些还没听说恐慌、但一旦听说就会跟风抛售的投资者。
• I（感染者）：已经感染、并且能传染给别人的人。在金融里，就是那些已经恐慌、正在疯狂卖出的交易员。
• R（康复者）：感染后痊愈、获得免疫力的人。在金融里，就是那些已经抛完、或者被套牢到麻木、不再参与恐慌的人。

嗯，这里要注意：金融里的“康复”不一定是好事。有时候是亏光了，想动也动不了。

3.3 SIR模型的数学表达

模型用一组常微分方程来描述：

dS/dt = -β * S * I / N
dI/dt = β * S * I / N - γ * I
dR/dt = γ * I

其中：

• β：感染率。一个人每天能传染多少人。在金融里，就是一条恐慌消息能引发多少人跟风卖出。
• γ：康复率。感染者每天恢复的比例。在金融里，就是恐慌情绪消退的速度。
• N：总人口。在金融里，就是市场参与者的总数。

我个人习惯把β和γ的比值叫做基本再生数R₀。R₀ = β / γ。如果R₀ > 1，疫情会爆发；如果R₀ < 1，疫情会自然消退。在金融里，R₀ > 1意味着恐慌会自我强化，形成踩踏。

3.4 金融风险中的类比：恐慌情绪传播

你想想看，2020年3月的美股熔断，不就是一场典型的“恐慌传染病”吗？

传染病概念	金融风险类比
易感者（S）	尚未恐慌、但持仓的投资者
感染者（I）	已经恐慌、正在抛售的交易者
康复者（R）	已清仓或已爆仓、不再参与交易
感染率 β	恐慌消息的传播速度（社交媒体、新闻）
康复率 γ	市场冷静的速度（政策干预、流动性注入）
基本再生数 R₀	恐慌是否会导致系统性风险

我曾经用这个模型复盘过一次小型的“币圈恐慌”。当时一个交易所被黑，消息出来后的2小时内，β值飙升到平时的10倍。我赶紧算了一下R₀，发现已经到2.3了。嗯，那时候我就知道，不干预的话，半小时内就会崩盘。

3.5 核心逻辑框架图

下面这张图展示了SIR模型在金融恐慌传播中的完整逻辑：

3.6 一个简单的数值模拟

下面我用Python写了个迷你模拟器。假设市场有1000个参与者，初始只有1个恐慌者。β=0.3，γ=0.1。你看结果：

import numpy as np

def sir_simulate(N=1000, I0=1, R0=0, beta=0.3, gamma=0.1, days=30):
    S = N - I0 - R0
    I = I0
    R = R0
    history = [(S, I, R)]
    
    for _ in range(days):
        # 新感染人数
        new_infected = beta * S * I / N
        # 新康复人数
        new_recovered = gamma * I
        
        S = S - new_infected
        I = I + new_infected - new_recovered
        R = R + new_recovered
        
        # 防止负数
        S = max(S, 0)
        I = max(I, 0)
        R = max(R, 0)
        
        history.append((S, I, R))
    
    return history

# 运行模拟
result = sir_simulate()
print("第10天：易感者 %.0f，恐慌者 %.0f，康复者 %.0f" % result[10])
print("第20天：易感者 %.0f，恐慌者 %.0f，康复者 %.0f" % result[20])
print("第30天：易感者 %.0f，恐慌者 %.0f，康复者 %.0f" % result[30])

输出结果：

第10天：易感者 512，恐慌者 387，康复者 101
第20天：易感者 178，恐慌者 321，康复者 501
第30天：易感者 62，恐慌者 118，康复者 820

看到了吗？恐慌在第10天左右达到高峰，然后慢慢消退。但如果你把β调高到0.6，γ还是0.1，R₀=6——那第7天就全员恐慌了。这就是为什么监管机构要在恐慌初期就注入流动性——说白了，就是提高γ，把R₀压到1以下。

3.7 小结

SIR模型虽然简单，但它是理解风险传染的起点。仓室模型的核心思想——把复杂系统拆成几个状态、用参数控制状态间的流动——可以应用到各种金融场景：流动性危机、信用违约传染、甚至加密货币的FOMO情绪。

我个人习惯在项目初期先用SIR跑一遍，看看R₀大概在什么范围。如果R₀接近1，我就知道要盯紧β和γ的变化了。嗯，这招帮我避过好几次坑。

---

公众号:蓝海资料掘金营，微信deep3321