2. 风险传导基础：风险因子识别、传导路径建模、图谱数据结构基础

2.1 风险因子识别：从业务事件到可量化节点

风险因子是传导图谱的最小原子单元。识别过程遵循“业务事件 → 风险信号 → 量化指标”三层降维法：

1. 业务事件层：从交易流水、舆情、监管通报中提取原始事件（如“某企业债券违约”）。
2. 风险信号层：将事件映射为风险类别（信用风险、流动性风险、操作风险）。
3. 量化指标层：定义可采集的数值指标（如“逾期率 > 5%”、“价格波动率 > 20%”）。

2.2 传导路径建模：从线性链到网状传播

风险传导不是简单的“A→B→C”线性链，而是多路径、带反馈、有时滞的复杂网络。建模时需定义三种基本关系：

• 直接传导：因子A的变化直接导致因子B变化（如“利率上升 → 债券价格下跌”）。
• 间接传导：通过中间节点传递（如“油价上涨 → 运输成本增加 → 消费品通胀”）。
• 反馈传导：B的变化反过来影响A（如“股价下跌 → 质押物不足 → 强制平仓 → 股价进一步下跌”）。

2.3 图谱数据结构基础：属性图模型

风险传导图谱采用属性图（Property Graph）模型，这是批流一体架构下最灵活的数据表示方式。每个节点和边都可以携带任意数量的键值对属性，支持运行时动态扩展。

2.3.1 节点（Vertex）结构

2.3.2 边（Edge）结构

2.3.3 批流一体下的存储策略

图谱数据在批流一体架构中采用“分层存储”策略：

• 批存储层：使用 HBase / Cassandra 存储全量图谱快照，支持大规模历史回溯和全图分析。
• 流存储层：使用 Redis / Ignite 存储活跃子图和增量变更日志，支持毫秒级传导路径查询。
• 统一访问层：通过 GraphQL 或自定义 API 屏蔽底层存储差异，上层应用无需感知数据来源。

2.4 实战案例：构建一个简单的信用风险传导子图

以下代码展示如何使用属性图模型构建一个包含“企业A违约 → 银行B不良率上升 → 银行C同业拆借利率飙升”的传导子图：

// 节点定义
Vertex v1 = new Vertex("risk_001", "credit_risk",
    Map.of("name", "企业A违约", "value", 1.0, "ts", "2025-03-01T10:00:00Z"));

Vertex v2 = new Vertex("risk_002", "credit_risk",
    Map.of("name", "银行B不良率", "value", 0.12, "ts", "2025-03-02T08:00:00Z"));

Vertex v3 = new Vertex("risk_003", "liquidity_risk",
    Map.of("name", "银行C拆借利率", "value", 0.08, "ts", "2025-03-02T09:30:00Z"));

// 边定义
Edge e1 = new Edge("edge_001", "risk_001", "risk_002", "direct_cause",
    Map.of("weight", 0.95, "delay", 79200, "confidence", 0.88));

Edge e2 = new Edge("edge_002", "risk_002", "risk_003", "indirect_cause",
    Map.of("weight", 0.72, "delay", 5400, "confidence", 0.76));

// 构建图谱
Graph graph = new Graph();
graph.addVertex(v1);
graph.addVertex(v2);
graph.addVertex(v3);
graph.addEdge(e1);
graph.addEdge(e2);