3. 风险传导模型原理：风险因子、传导路径、衰减系数与阈值设定
风险传导模型是金融知识图谱从“静态关联”走向“动态推演”的核心引擎。在巡检场景中，模型需要回答三个关键问题：风险从哪来？（风险因子）、沿着什么路径扩散？（传导路径）、影响如何变化？（衰减系数与阈值）。本章将逐一拆解这四个要素，并给出可落地的参数设定方法。
3.1 风险因子：传导的起点
风险因子是触发传导链条的初始事件或状态。在金融图谱中，因子通常分为三类：
| 因子类型 | 典型示例 | 数据来源 | 量化方式 |
|---|---|---|---|
| 信用因子 | 债券违约、贷款逾期、评级下调 | 征信系统、交易所公告 | 违约概率（PD） |
| 市场因子 | 股价暴跌、汇率波动、利率飙升 | 行情数据、宏观指标 | 波动率、VaR |
| 操作因子 | 内控失效、系统故障、监管处罚 | 内部审计、监管罚单 | 损失金额、发生频次 |
巡检要点：风险因子必须满足“可观测、可量化、可溯源”三原则。在知识图谱中，每个因子应绑定至少一个数据源节点，避免因子成为“悬空变量”。
3.2 传导路径：图谱中的风险高速公路
传导路径定义了风险从一个实体（节点）传播到另一个实体的具体路线。在金融图谱中，路径由关系边的类型和方向决定。常见的传导路径模式包括：
- 股权链：母公司 → 子公司 → 孙公司（风险沿控制权向下传导）
- 担保链：担保方 → 被担保方（信用风险沿担保关系转移）
- 交易链：核心企业 → 上游供应商 → 下游经销商（流动性风险沿供应链扩散）
- 关联方链：实际控制人 → 多家关联企业（操作风险通过隐性控制传导）
路径的长度和宽度是巡检的关键参数。路径越长，风险衰减越明显；路径越宽（同一层级节点越多），风险分散效应越强。
3.3 衰减系数：风险在传导中的损耗
衰减系数（α）量化了风险在每一条边上传递时的强度损耗。α 的取值范围为 (0, 1]，α=1 表示无损耗（完全传导），α 越接近 0 表示损耗越大。衰减系数的设定需考虑以下因素：
- 关系强度：控股关系（α≈0.9）强于参股关系（α≈0.5）
- 距离远近：直接关联（α≈0.8）强于间接关联（α≈0.3）
- 行业隔离：跨行业传导（α≈0.2）弱于同行业传导（α≈0.7）
- 时间衰减：近期事件（α≈0.9）强于历史事件（α≈0.4）
经验公式：综合衰减系数 α = α关系 × α距离 × α行业 × α时间。例如，一笔 3 年前的跨行业参股投资，其衰减系数可能仅为 0.8 × 0.5 × 0.2 × 0.4 = 0.032，风险几乎可以忽略。
3.4 阈值设定：触发告警的开关
阈值决定了风险传导到某个节点时，是否触发巡检告警。阈值设定过低会导致大量误报，过高则会漏掉真实风险。推荐采用动态阈值策略：
| 阈值类型 | 设定方法 | 适用场景 | 示例值 |
|---|---|---|---|
| 绝对阈值 | 固定数值，如风险评分 > 80 | 监管红线、合规底线 | 违约概率 > 0.15 |
| 相对阈值 | 基于历史数据分位数，如 P95 | 异常波动检测 | 风险值超过历史 95% 分位 |
| 动态阈值 | 随市场环境、节点重要性自适应调整 | 复杂传导网络 | 核心节点阈值降低 20% |
3.5 模型集成：从因子到告警的完整链路
将上述四个要素串联起来，形成风险传导巡检的完整计算链路：
- 识别因子：从数据源中提取风险因子，量化其初始强度 S₀。
- 遍历路径：在知识图谱中，从因子节点出发，沿所有可达路径进行广度优先搜索（BFS）。
- 计算衰减：对每条路径上的每一跳，乘以对应的衰减系数 α，得到该路径在目标节点的累积风险值 R = S₀ × ∏αᵢ。
- 多路径聚合：若目标节点有多条路径可达，取最大值或加权和作为最终风险值。
- 阈值判定：将最终风险值与动态阈值 T 比较，若 R > T 则生成巡检告警。
常见陷阱：不要忽略“路径循环”问题。在股权或担保网络中，A 控股 B、B 控股 C、C 又控股 A 的循环结构会导致风险无限放大。巡检时必须设置最大路径深度（建议不超过 5 跳）并检测循环回路。
3.6 参数校准与回测
衰减系数和阈值不能“拍脑袋”设定，必须通过历史数据进行校准：
- 回测窗口：选取过去 12 个月的历史风险事件作为样本。
- 校准目标：调整 α 和 T，使模型在回测中的“命中率”（实际发生风险的事件被提前告警）达到 80% 以上，“误报率”低于 15%。
- 迭代频率：每季度重新校准一次，或在发生重大市场变化时立即校准。
以下是一个简化的参数校准代码示例：
# 参数校准伪代码
def calibrate(historical_events, graph):
best_alpha = 0.5
best_threshold = 0.7
best_f1 = 0.0
for alpha in [0.3, 0.5, 0.7, 0.9]:
for threshold in [0.5, 0.6, 0.7, 0.8]:
hit_rate, false_alarm = evaluate(historical_events, graph, alpha, threshold)
f1 = 2 * (hit_rate * (1 - false_alarm)) / (hit_rate + (1 - false_alarm) + 1e-6)
if f1 > best_f1:
best_f1 = f1
best_alpha = alpha
best_threshold = threshold
return best_alpha, best_threshold通过系统化的参数校准，风险传导模型才能在巡检中真正发挥“预警机”的作用，而非沦为“马后炮”。