第二章：网络科学基础——图论基础、网络拓扑结构、网络度量指标
各位好，我是老张。今天咱们聊聊网络科学基础。说实话，刚入行那会儿，我觉得图论就是数学课上的抽象玩意儿，跟金融风控八竿子打不着。直到有一次做资金链路分析，发现一笔异常交易在十分钟内绕了七个账户，我才意识到——嗯，这背后全是图论在说话。
金融网络说白了就是一张大网。银行、券商、企业、个人都是节点，资金往来、担保关系、股权控制都是边。你想想看，如果不懂这张网的结构，你怎么知道风险会从哪里冒出来？
2.1 图论基础：从节点和边说起
图论里最核心的就两样东西：节点（Vertex）和边（Edge）。节点代表实体，边代表关系。我习惯把图记作 G = (V, E)，V 是节点集合，E 是边集合。
举个例子，咱们做个简单的资金转账图：
# 一个简单的有向图示例
# 节点：A, B, C, D
# 边：A→B, B→C, C→D, A→D
# 用Python的networkx库表示
import networkx as nx
G = nx.DiGraph()
G.add_edges_from([('A', 'B'), ('B', 'C'), ('C', 'D'), ('A', 'D')])
print("节点数:", G.number_of_nodes()) # 4
print("边数:", G.number_of_edges()) # 4
这里要注意，有向图和无向图差别很大。资金转账是有方向的，A转给B和B转给A是两码事。但股权关系往往是无向的，你中有我我中有你。
重要概念：
- 有向图：边有方向，适合资金流、信息流
- 无向图：边无方向，适合股权关系、担保关系
- 加权图：边上带权重，比如转账金额、担保额度
- 多重图：两个节点间可以有多条边，比如多种业务往来
我在项目中遇到过一个问题：用无向图分析担保网络，结果把担保方向搞反了，差点漏掉一个风险敞口。所以，选对图类型比什么都重要。
2.2 网络拓扑结构：金融网络的骨架
拓扑结构决定了网络长什么样。常见的几种结构，我一个个说。
2.2.1 随机网络
Erdős–Rényi模型，节点之间随机连边。现实中很少见，但作为基准模型很有用。我记得做压力测试时，经常拿随机网络做对照，看看真实网络到底有多“不随机”。
2.2.2 小世界网络
Watts-Strogatz模型，特点是高聚类、短路径。说白了就是“六度分隔”——你认识的人可能通过两三层关系就连接到核心节点。金融网络里，小世界特性意味着风险传播速度极快。
避坑指南：我曾经以为银行间市场是随机网络，后来一算聚类系数，发现高得离谱。这才意识到，大行之间互相拆借，小行抱团取暖，这分明是小世界网络。用错模型，风险传导路径就全错了。
2.2.3 无标度网络
Barabási–Albert模型，少数节点拥有大量连接（Hub节点），多数节点连接很少。金融网络里，工农中建就是Hub节点，它们一倒，整个系统跟着遭殃。
三种拓扑结构对比：
| 类型 | 度分布 | 聚类系数 | 平均路径长度 | 金融案例 |
|---|---|---|---|---|
| 随机网络 | 泊松分布 | 低 | 短 | 理想化模型 |
| 小世界网络 | 指数分布 | 高 | 短 | 银行间拆借 |
| 无标度网络 | 幂律分布 | 中等 | 很短 | 大行-小行体系 |
2.3 网络度量指标：量化风险的关键
光看拓扑结构还不够，得用数字说话。三个核心指标：度、介数、聚类系数。
2.3.1 度（Degree）
一个节点连接的边数。有向图里分入度和出度。入度高的节点是“资金黑洞”，出度高的节点是“资金源头”。
# 计算节点度
degree = dict(G.degree())
in_degree = dict(G.in_degree())
out_degree = dict(G.out_degree())
print("节点A的度:", degree['A']) # 2
print("节点A的入度:", in_degree['A']) # 0
print("节点A的出度:", out_degree['A']) # 2
我习惯把度分布画出来。如果看到幂律分布，基本可以断定是无标度网络。这时候要重点关注那些度特别高的节点——它们就是系统性风险的关键点。
2.3.2 介数（Betweenness Centrality）
介数衡量一个节点在多少条最短路径上。说白了，就是看这个节点是不是“必经之路”。
为什么会这样？因为介数高的节点一旦出问题，整个网络的通信就断了。金融网络里，清算中心、核心交易对手的介数通常极高。
# 计算介数中心性
betweenness = nx.betweenness_centrality(G)
print("节点B的介数:", betweenness['B']) # 0.1667
注意：介数高的节点不一定是度高的节点。有时候一个不起眼的小节点，恰好是连接两个子网的唯一桥梁。这种节点一旦失效，后果比大节点还严重。我曾经在供应链金融里吃过这个亏——一个二级供应商的介数极高，但我们只盯着大供应商看，结果它一出事，整条链断了。
2.3.3 聚类系数（Clustering Coefficient）
衡量节点的邻居之间互相连接的程度。值越高，说明这个节点周围“抱团”越紧。
# 计算聚类系数
clustering = nx.clustering(G)
print("节点A的聚类系数:", clustering['A']) # 0.0（因为A的邻居B和D之间没有边）
聚类系数高，意味着风险容易在局部扩散。比如一个担保圈里，大家互相担保，一个违约可能引发连环违约。这就是典型的“高聚类陷阱”。
2.4 知识体系总览
下面这张图把本章的核心逻辑串起来了。我画图时习惯用SVG，清晰又轻量。
从图论基础出发，我们知道了网络长什么样（拓扑结构），然后用量化指标（度、介数、聚类系数）去衡量它。这三者缺一不可。没有图论，你连网络都描述不清楚；没有拓扑，你不知道网络属于哪一类；没有指标，你没法做定量分析。
核心总结：
- 图论是描述金融网络的“语言”
- 拓扑结构决定了风险传播的“模式”
- 度量指标是定位风险点的“标尺”
好了，这一章就到这里。记住，下次看到一笔资金流转，别光看金额大小，先想想它在图里的位置——度是多少？介数高不高？周围抱团紧不紧？这些数字背后，藏着真正的风险。
公众号:蓝海资料掘金营，微信deep3321