📚 课程目录第4章网络结构度量

4. 网络结构度量

在金融图网络中，节点代表机构、股票、行业或账户，边代表交易、持股、担保或相关性关系。仅仅画出网络还不够，真正决定分析价值的是如何度量节点在网络中的位置与影响力。同一张金融网络，用不同中心性指标排序，可能得到完全不同的“重要节点”名单。理解每个指标的数学直觉与金融语义，是避免误判风险传导路径的前提。

核心问题：一个节点“重要”到底意味着什么？是连接多、离大家近、卡在关键路径上，还是被重要节点所连接？不同答案对应不同中心性指标，也对应不同的金融风险解读。

一、五类中心性指标的核心原理

度中心性（Degree Centrality）统计节点直接相连的边数。在金融网络中，它衡量机构的直接交易对手数量或直接关联资产数量。度越高，说明该节点直接暴露面越广，但无法区分对手的重要性。

接近中心性（Closeness Centrality）计算节点到其他所有节点的平均最短路径长度的倒数。它反映信息或风险从该节点扩散到全网的速度。接近中心性高的机构，往往是市场中的“信息枢纽”，冲击能快速波及全网。

中介中心性（Betweenness Centrality）统计经过该节点的最短路径数量占比。它衡量节点作为“桥梁”的控制能力。在金融网络中，中介中心性高的节点可能是跨市场、跨行业的清算枢纽或流动性，一旦中断，网络可能被切割成孤岛。

特征向量中心性（Eigenvector Centrality）认为与重要节点相连的节点更重要，通过邻接矩阵的主特征向量迭代求解。它适合刻画“圈层影响力”：一家机构可能交易对手不多，但都是系统重要性机构，其特征向量中心性依然很高。

PageRank是特征向量中心性的有向图变体，引入阻尼系数和随机跳转，模拟资金或注意力在网络中的随机游走。PageRank 高的节点，是被大量重要节点“投票”指向的节点，在资金流向网络中代表核心资金汇聚点。

二、方法流程：从网络构建到指标计算

在实战中，中心性计算通常遵循以下流程。以银行间同业拆借网络为例：

构建图对象：节点为银行，边为拆借关系，权重为拆借金额或笔数。
选择有向/无向：资金流向有方向，PageRank 和特征向量中心性需用有向图；度中心性可分别统计入度和出度。
计算指标：使用 NetworkX 或 igraph 批量计算五类中心性。
标准化与排序：不同指标量纲不同，需标准化后对比或合成综合得分。
金融解读：结合业务背景判断高中心性节点是风险源、传染通道还是稳定器。

import networkx as nx
import pandas as pd

# 构建有向加权图
G = nx.DiGraph()
edges = [
    ("银行A", "银行B", 1200),
    ("银行B", "银行C", 800),
    ("银行C", "银行A", 600),
    ("银行D", "银行B", 1500),
    ("银行E", "银行C", 900),
]
for u, v, w in edges:
    G.add_edge(u, v, weight=w)

# 五类中心性计算
degree_c = nx.degree_centrality(G)
closeness_c = nx.closeness_centrality(G)
betweenness_c = nx.betweenness_centrality(G, weight="weight")
eigen_c = nx.eigenvector_centrality(G, max_iter=1000)
pagerank_c = nx.pagerank(G, alpha=0.85, weight="weight")

df = pd.DataFrame({
    "度中心性": degree_c,
    "接近中心性": closeness_c,
    "中介中心性": betweenness_c,
    "特征向量中心性": eigen_c,
    "PageRank": pagerank_c,
}).round(4)
print(df.sort_values("PageRank", ascending=False))

三、金融场景中的指标选择与对照

不同金融场景下，应优先关注不同指标。下表给出常见场景与推荐指标的对照清单：

金融场景	推荐指标	金融含义
同业拆借网络	度中心性、PageRank	识别直接暴露广、资金汇聚的核心银行
担保链风险	中介中心性	找出担保链中的关键桥梁，评估断链冲击
股票相关性网络	特征向量中心性	发现与强势板块紧密联动的龙头股
跨市场传染	接近中心性	衡量冲击从某节点扩散到全网的速度
反洗钱账户网络	中介中心性、PageRank	定位资金中转枢纽和核心归集账户

实战建议：不要只看单一指标。将度中心性与中介中心性做散点图，可以区分“广而浅”的节点和“窄而关键”的桥梁节点，这对风险分类非常有效。

四、常见误区与复盘要点

误区一：把度中心性等同于系统重要性。一家银行可能与大量小机构有交易，但金额很小；另一家只与少数大行交易，金额巨大。前者度中心性高，后者特征向量中心性高，风险含义完全不同。

误区二：忽略边权重和方向。无向无权图计算出的中介中心性，可能把一条小额通道误判为核心桥梁。金融网络中，金额、方向和频率往往比连接数量更重要。

误区三：跨网络直接比较中心性数值。不同规模、不同密度的网络，中心性绝对值不可比。应关注节点在本网络中的排名分位，而非原始数值。

误区四：PageRank 阻尼系数随意设置。alpha=0.85 是通用默认值，但在资金网络中，若资金跳转概率低，应适当调高 alpha；若网络噪声大，可调低以增加随机跳转的平滑作用。

复盘检查清单：① 图是否有向、是否加权？② 指标是否标准化？③ 高中心性节点是否有业务解释？④ 是否用多种指标交叉验证？⑤ 是否检查了孤立节点和自环对结果的影响？

掌握这五类中心性指标的原理、计算与金融语义，才能在后续的社区发现和风险传导分析中，准确识别真正关键的节点，而不是被表面连接数所误导。