4、网络拓扑分析：度分布、介数中心性、聚类系数、网络密度与连通性
好，咱们进入第四讲。前面我们聊了怎么构建投资关联网络，把股票、基金这些节点连起来。但网络建好之后呢？你得能看懂它、分析它，才能从中挖出交易信号。
网络拓扑分析，说白了就是给这个网络做「体检」。看看哪些节点是核心、哪些是边缘、整体结构是松散还是紧密。我做了这么多年量化，发现很多策略的灵感，其实就藏在这些拓扑指标里。
4.1 度分布：谁的朋友多？
度（Degree）是最直观的指标。一个节点的度，就是它有多少条边连着。在股票关联网络里，度高的股票意味着它跟很多其他股票有强相关性。
度分布就是统计所有节点的度，看看它们是怎么分布的。我习惯先画个直方图，一眼就能看出网络是「少数派主导」还是「人人平等」。
实战经验：我在分析A股行业关联网络时，发现金融股的度普遍偏高。这说明金融板块是市场的「信息枢纽」，很多行业的波动都会传导到金融股上。做配对交易时，我通常会避开度太高的股票，因为它们的波动受太多因素影响，不好对冲。
度分布通常符合幂律分布——少数节点拥有大量连接，多数节点连接很少。这种网络叫「无标度网络」。嗯，这里要注意：如果你的网络度分布不符合幂律，反而接近正态分布，那可能意味着你构建网络的方式有问题，比如阈值选得太高或太低。
# 计算度分布
import networkx as nx
import numpy as np
def compute_degree_distribution(G):
degrees = [d for n, d in G.degree()]
degree_counts = np.bincount(degrees)
# 归一化
prob_dist = degree_counts / len(degrees)
return prob_dist
# 我一般会检查最大度节点
max_deg_node = max(G.degree(), key=lambda x: x[1])
print(f"核心节点: {max_deg_node[0]}, 度: {max_deg_node[1]}")
4.2 介数中心性：谁在当「桥梁」？
度看的是「朋友数量」，介数中心性看的是「桥梁作用」。一个节点的介数中心性高，意味着很多最短路径都要经过它。说白了，它是网络里的「关键中转站」。
为什么这个指标重要？因为一旦这个节点出问题（比如某只股票暴雷），整个网络的连通性可能被切断。我在2015年股灾时就观察到，某些银行股的介数中心性极高，它们一跌停，整个市场的流动性就断了。
避坑指南：我曾经犯过一个错误——只看度不看介数。结果选了一个度很高的股票做核心持仓，但它其实只是个「社交达人」，并不承担桥梁作用。后来加了介数中心性过滤，策略的鲁棒性明显提升。
# 计算介数中心性
betweenness = nx.betweenness_centrality(G)
# 排序取前5
top_betweenness = sorted(betweenness.items(), key=lambda x: x[1], reverse=True)[:5]
for node, bc in top_betweenness:
print(f"节点: {node}, 介数中心性: {bc:.4f}")
介数中心性的计算复杂度是O(N*E)，网络大了会很慢。我建议先用度筛选出候选节点，再计算介数，能省不少时间。
4.3 聚类系数：小圈子有多紧密？
聚类系数衡量的是「你的朋友之间是不是也互相认识」。如果A和B关联，A和C关联，那么B和C也关联的概率就是聚类系数。
在投资网络里，高聚类系数意味着存在「小团体」——比如某个行业板块内部的股票，它们之间关联紧密，但跟外部联系较少。这种结构容易形成板块轮动效应。
| 聚类系数值 | 网络含义 | 投资启示 |
|---|---|---|
| 0.7 - 1.0 | 高度抱团，小圈子明显 | 适合做板块内配对交易 |
| 0.3 - 0.7 | 中等聚集，结构松散 | 可做跨板块套利 |
| 0 - 0.3 | 几乎无聚集，随机网络 | 警惕，可能网络构建有问题 |
注意：聚类系数对网络规模敏感。小网络容易算出高聚类系数，别被误导。我一般会跟随机网络的聚类系数做对比，看看是不是真的有结构。
4.4 网络密度与连通性
网络密度 = 实际边数 / 最大可能边数。密度高说明网络「拥挤」，信息传递快；密度低说明网络「稀疏」，信息传递慢。
连通性更关键——网络是不是连成一片？有没有孤立的节点或子图？我见过有人构建的关联网络里，有20%的节点是孤立的，那这个网络基本废了。
# 计算网络密度和连通性
density = nx.density(G)
print(f"网络密度: {density:.4f}")
# 检查连通分量
components = list(nx.connected_components(G))
print(f"连通分量数量: {len(components)}")
largest_cc = max(components, key=len)
print(f"最大连通分量占比: {len(largest_cc)/G.number_of_nodes():.2%}")
我个人习惯：如果最大连通分量占比低于80%，我会重新调整网络构建参数。要么降低相关性阈值，要么改用更宽松的边权重标准。
4.5 知识体系总览
下面这张图是我自己总结的拓扑分析框架，你照着这个顺序走，基本不会漏掉关键信息。
4.6 综合应用：一个真实案例
我记得有一次帮朋友优化一个行业轮动策略。原始策略只用了收益率相关性，效果一般。我建议加上网络拓扑分析：
- 先算度分布，发现银行、地产是核心节点
- 再算介数中心性，发现券商股是「桥梁」——它们连接了多个行业
- 聚类系数分析显示，消费板块内部抱团严重，但跟科技板块几乎没联系
- 网络密度只有0.12，说明整体关联性不强，适合做分散化投资
最后我们调整了策略：把券商股作为风向标，当券商股介数中心性突然下降时，说明市场结构在变，需要减仓。这个改进让策略的年化收益提升了约8%。
核心要点：拓扑指标不是孤立的。度分布告诉你谁重要，介数中心性告诉你谁关键，聚类系数告诉你结构，密度告诉你整体状态。四个指标结合起来，才能看清网络的全貌。
好了，这一讲就到这里。下次你拿到一个关联网络，记得先跑一遍这四个指标——你会发现很多之前没注意到的规律。
公众号:蓝海资料掘金营，微信deep3321