4. 风险传导路径的数学建模基础：图论基础、邻接矩阵、有向图与无向图在风险传导中的应用

在金融风险传导分析中，实体（如金融机构、市场板块、交易对手）之间的风险关联关系天然构成一张复杂的网络。图论（Graph Theory）为描述这种网络结构提供了严谨的数学语言，而邻接矩阵（Adjacency Matrix）则是将图结构转化为计算机可计算的数值形式的关键工具。本节将系统介绍图论基础概念，并重点阐述有向图与无向图在风险传导建模中的不同应用场景。

4.1 图的基本定义与构成要素

一个图 G 由两个集合定义：G = (V, E)，其中：

• V（顶点集）：表示风险传导网络中的实体节点，如银行、证券公司、企业、国家或资产类别。
• E（边集）：表示实体之间的风险关联关系，如股权持有、借贷、担保、衍生品交易或信用敞口。

4.2 有向图与无向图：风险传导的方向性

根据边是否具有方向性，图可分为无向图与有向图，两者在风险建模中具有本质区别。

4.3 邻接矩阵：图的数值化表示

邻接矩阵是将图结构转化为矩阵形式的数学工具，便于计算机存储和算法运算。对于一个包含 n 个顶点的图，其邻接矩阵 A 是一个 n × n 的方阵。

4.3.1 无权图的邻接矩阵

矩阵元素 A_ij 表示顶点 i 与顶点 j 之间是否存在边：

• 无向图：若顶点 i 与 j 之间有边，则 A_ij = A_ji = 1；否则为 0。
• 有向图：若存在从顶点 i 指向顶点 j 的边，则 A_ij = 1；否则为 0。

4.3.2 加权图的邻接矩阵

当边具有权重（如风险敞口金额）时，矩阵元素 A_ij 直接存储权重值：

• 无向加权图：A_ij = A_ji = w_ij（w_ij 为边权重）。
• 有向加权图：A_ij = w_ij（从 i 到 j 的权重），A_ji 可能为 0 或不同值。

4.4 有向图与无向图在风险传导中的对比应用

以下通过一个简化的金融网络示例，直观展示有向图与无向图在风险传导路径建模中的差异。

4.5 邻接矩阵的构建与操作示例

以下以 Python 代码示例展示如何构建有向加权图的邻接矩阵，并进行基本的路径查询操作。

import numpy as np

# 定义顶点列表：0-基金A, 1-基金B, 2-企业X, 3-银行D
vertices = ['基金A', '基金B', '企业X', '银行D']
n = len(vertices)

# 初始化邻接矩阵（有向加权）
adj_matrix = np.zeros((n, n))

# 添加有向边：基金A → 企业X（投资60）
adj_matrix[0][2] = 60
# 添加有向边：企业X → 基金B（贷款100）
adj_matrix[2][1] = 100
# 添加有向边：基金A → 基金B（担保80）
adj_matrix[0][1] = 80
# 添加有向边：银行D → 企业X（存款50）
adj_matrix[3][2] = 50

print("有向加权邻接矩阵：")
print(adj_matrix)

# 查询从基金A出发的所有直接风险传导
print("\n从基金A出发的直接风险传导：")
for j in range(n):
    if adj_matrix[0][j] > 0:
        print(f"  基金A → {vertices[j]}，风险敞口：{adj_matrix[0][j]}")

# 计算两步传导路径（矩阵乘法）
adj_square = np.dot(adj_matrix, adj_matrix)
print("\n两步传导路径矩阵（A^2）：")
print(adj_square)
print("解释：基金A → 企业X → 基金B 的两步传导强度为 60*100 = 6000")

4.6 图论在风险传导中的核心应用场景

1. 风险源头追溯：利用有向图的入度（In-degree）分析，识别被最多风险传导路径指向的节点，即“风险汇聚点”。
2. 传导路径枚举：基于邻接矩阵的深度优先搜索（DFS）或广度优先搜索（BFS），枚举从风险源到目标节点的所有可能路径。
3. 系统性风险度量：通过计算图的连通分量（Connected Components）和介数中心性（Betweenness Centrality），评估单个节点在网络中的关键程度。
4. 压力测试模拟：在加权有向图上模拟节点失效（删除顶点及其出边），观察网络剩余部分的传导路径变化。
5. 风险隔离策略：利用最小割集（Minimum Cut）算法，找出阻断风险传导所需切断的最少边或最小权重集合。