一、核心主题（Core Ideas）
本章围绕一个核心思想展开：
复杂系统（Complex Systems）的本质，是由网络（Networks）连接起来的大量节点之间的相互作用。
网络科学（Network Science）研究的重点：
- 网络鲁棒性与脆弱性（Robustness & Vulnerability）
二、级联失效（Cascading Failure）
1. 定义
级联失效：
一个局部节点失效后，负载转移给其它节点，导致更多节点继续崩溃，最终形成系统性灾难。
本质：局部故障 → 负载转移 → 邻居超载 → 连锁崩溃
2. 经典案例：2003 北美大停电
过程
结果：
3. 金融系统中的级联失效
1997 亚洲金融危机
IMF限制信用：
信用收缩→ 企业违约→ 银行坏账→ 股市崩盘→ 全球金融震荡
2008-2011 全球金融危机
美国次贷危机：
房地产违约→ 银行资产崩溃→ 金融机构倒闭→ 全球流动性冻结
本质：
金融网络中的风险传播。
4. 级联失效的重要思想
网络科学认为：
（1）必须研究网络结构
风险如何传播，取决于：
（2）必须研究动态过程
例如：
（3）结构 + 动态共同决定系统鲁棒性 即：
Network Structure+Dynamics=System Robustness
三、互联性（Interconnectivity）的双刃剑
1. 网络的好处
例如电网：
过去：
后来：
优势：
2. 网络的危险
缺点：
局部故障不再局部化。
例如：
Ohio一个保险丝故障，最终影响整个北美。
3. 网络导致“非局域性”（Non-locality）
网络会让：
突破空间距离快速传播。
4. 网络科学目标
研究：
如何增强：
如何抑制：
四、复杂系统（Complex Systems）
1. 什么是复杂系统
复杂系统：
由大量相互作用组件构成，整体行为无法简单由局部推导。
2. 典型复杂系统
3. 网络是复杂系统核心
核心观点：
每个复杂系统背后，都有一个“交互网络”。
因此：
五、网络科学为何在21世纪爆发
两大推动力
（1）网络地图（Network Maps）的出现
以前：
无法获得：
互联网时代后：
数据爆炸。
典型项目
Internet
绘制互联网结构。
生物学
蛋白质相互作用图谱。
社交网络
掌握全球社交关系。
神经科学
Connectome Project：
绘制脑神经连接图谱。
（2）发现“网络普适性”（Universality）
虽然不同网络：
但：
它们遵循相同统计规律。
核心发现
不同网络：
都具有：
六、网络科学的核心特征
1. 跨学科（Interdisciplinary）
网络科学统一：
例子
社会学概念
“中介中心性（Betweenness Centrality）”
后来用于：
图划分算法
用于：
2. 强计算性（Computational）
因为网络巨大：
需要：
七、网络科学在现实中的应用
1. 互联网与商业
Google
核心：
网页链接网络。
Google PageRank本质：
基于网络中心性的排序算法。
Facebook / Twitter
核心：
社交网络。
应用：
2. 医学与生物学
Network Biology（网络生物学）
研究：
Network Medicine（网络医学）
疾病：
不是单个基因问题，
而是：
整个分子网络失调。
药物研发
目标：
找到：
实现：
3. 反恐与国家安全
应用：
核心思想
恐怖组织：
往往是去中心化网络。
因此：
传统层级式打击效果有限。
4. 传染病传播
传统模型问题
传统流行病模型：
假设：
不现实。
网络科学改进
考虑：
因此：
能够预测：
5. 神经科学
核心难点：
缺少完整脑连接图谱。
Connectome Project
目标：
绘制：
6. 企业管理
正式组织结构：
≠
真实信息传播结构。
非正式网络的重要性
真正影响公司的人：
可能不是高层，
而是：
八、网络科学的重要理论突破
两篇经典论文
1. 小世界网络（Small World）
Duncan Watts 与 Steven Strogatz
发现：
世界平均路径极短。
即：“六度分隔”。
2. 无标度网络（Scale-Free Network）
Albert-László Barabási 与 Réka Albert
发现：
九、网络科学的哲学意义
网络科学的深层思想：
1. 世界是“连接”构成的
过去科学关注：
现在：
关注：
2. 结构决定行为
节点本身不重要，
位置更重要。
3. 系统风险来自连接
连接增强效率，
也增强：
十、金融工程中的重要启示
1. 金融市场本质是网络
包括：
2. 系统性风险来自网络传播
不是单个机构危险，
而是：
3. Too Big To Fail 本质
大型银行：
是Hub节点。
Hub崩溃：
→ 系统崩溃。
4. 金融危机本质是级联失效
例如：
5. 网络科学 + 金融工程
未来核心方向：
1. 什么是网络科学？
研究复杂系统中：
规律的学科。
2. 为什么重要？
因为：
现代世界高度互联。
3. 什么是级联失效？
局部故障引发：
4. 网络科学核心思想
网络科学研究的不是“个体”，而是“连接”；不是“静态对象”，而是“传播与相互作用”。一、图论起源：哥尼斯堡七桥问题（Königsberg Bridges）
1. 问题背景
18世纪普鲁士城市哥尼斯堡：
经典问题：
是否存在一条路径，能够“每座桥只走一次”走完全部七座桥？
2. 欧拉的建模（1735）
Leonhard Euler 的关键突破：
把现实问题抽象为图：
3. 图论建模核心思想
4. 欧拉的关键结论
存在一条“走完所有边且不重复”的路径（Euler path）的条件：
而哥尼斯堡图：
因此：
不存在这样的路径。
5. 深层意义
欧拉证明带来两个重要思想：
（1）结构决定可能性
不是“聪明与否”，而是：
图结构本身决定问题是否可解
（2）复杂问题可图化简
很多问题：
都可以转化为图问题。
二、网络与图（Networks vs Graphs）
1. 基本定义
网络（Network）：
节点 + 连接关系
2. 核心参数
3. 本质统一性
不同系统可以有相同图结构：
例如：
结构完全可以等价
三、网络类型（重要分类）
1. 有向 / 无向网络
无向网络
有向网络
2. 加权网络（Weighted Network）
边带权重：
3. 二分图（Bipartite Network）
节点分两类：
特点：
边只连接 U ↔ V
典型例子：
4. 投影（Projection）
从二分图导出：
四、度（Degree）与统计量
1. 度的定义
节点 i 的度：
2. 基本关系
3. 有向网络
4. 度分布（Degree Distribution）
定义：
节点度为 k 的概率
5. 重要意义
度分布决定：
五、邻接矩阵（Adjacency Matrix）
1. 定义
矩阵 A：
2. 无向网络
矩阵对称：
3. 度的矩阵表达
4. 关键结论
六、真实网络的稀疏性（Sparsity）
1. 最大可能连接数
2. 现实特点
实际网络：
L ≪ Lmax
3. 含义
网络是“稀疏矩阵”：
4. 影响
七、路径与距离（Paths & Distances）
1. 路径定义
路径：
沿边走的一系列节点
长度 = 边数
2. 最短路径（Distance）
3. 网络直觉
4. 重要性质
八、核心算法：BFS（广度优先搜索）
1. 思想
像水波扩散：
2. 作用
用于：
3. 复杂度
九、连通性（Connectedness）
1. 定义
如果任意两点之间有路径：
网络是连通的
2. 组件（Component）
3. 关键概念
4. 桥（Bridge）
删除后会断开的边
十、聚类系数（Clustering Coefficient）
1. 局部聚类系数
2. 含义
表示：
邻居之间互相连接的概率
3. 取值
4. 网络平均聚类
5. 含义
衡量网络：
局部团簇结构强度
真实网络案例
包括：
共同特征：
小世界 + 稀疏 + 非均匀度分布
1. 图论核心思想
2. 结构决定行为
3. 网络不是“画图”，而是“约束系统”
欧拉问题本质：
不是路径问题，而是结构可行性问题
4. 金融启示（重点）
金融系统 = 网络系统：
十四、总结
图论的本质，是用“连接关系”替代“几何空间”，用“结构约束”决定系统行为。
三大基础图：简单图、有向图、加权图，适配不同金融场景；
邻接矩阵：图的标准数学表达，用于矩阵运算、网络建模；
度指标：刻画节点局部关联，真实金融网络重尾分布、稀疏特性明显；
连通性指标：密度、平均度、路径长度，衡量金融系统风险传染能力；
实操：Python合成数据，实现股票、银行网络可视化与指标计算。
五、4. 金融意义
- 随机网络 = 基准（Benchmark）
- 偏离随机的部分 = 真实结构、风险聚集、系统性风险
六、Python 实操核心
- 构建二分网络（银行 - 企业 / 投资者 - 基金）
import networkx as nximport matplotlib.pyplot as pltimport numpy as np# 1. 合成金融网络数据（银行间加权有向网络）np.random.seed(10)bank_num = 15 # 15家银行G = nx.DiGraph() # 有向图# 添加节点G.add_nodes_from(range(bank_num))# 随机生成加权有向边（权重=借贷金额）for i in range(bank_num): for j in range(bank_num): if i != j and np.random.rand() < 0.2: weight = np.random.uniform(10, 100) G.add_edge(i, j, weight=weight)# 2. 计算核心指标# 度指标in_degree = dict(G.in_degree())out_degree = dict(G.out_degree())# 连通性指标density = nx.density(G) # 密度avg_degree = sum(dict(G.degree()).values()) / bank_num # 平均度avg_path = nx.average_shortest_path_length(G) if nx.is_strongly_connected(G) else "非强连通"# 3. 打印指标print("=== 银行网络指标 ===")print(f"网络密度：{density:.3f}")print(f"平均度：{avg_degree:.2f}")print(f"平均路径长度：{avg_path}")# 4. 可视化pos = nx.spring_layout(G)nx.draw(G, pos, with_labels=True, node_color='skyblue', node_size=500, font_size=10)edge_labels = nx.get_edge_attributes(G, 'weight')nx.draw_networkx_edge_labels(G, pos, edge_labels={(u,v):f"{w:.1f}" for u,v,w in G.edges(data='weight')})plt.title("银行间加权有向网络")plt.show()
总结
- 三大图
- 邻接矩阵
- 两大核心指标
- 度指标：刻画节点重要性，金融网络呈重尾 + 稀疏特性
Barabási-Albert（BA）模型
揭示无标度网络的产生机制。证明生长(Growth)+择优连接(Preferential Attachment)是枢纽节点(Hubs)、幂律度分布出现的根本原因；同时推导BA模型数学性质、非线性择优连接、择优连接起源以及网络直径、聚类系数特征。
- 金融市场视作复杂网络：资产 / 机构 / 合约依靠相关性、股权、风险敞口相连。
- 危机期：相关性飙升、市场强耦合，风险极易跨市场传染。
- 实证方案：用2005–2015 年美国 400 只股票月度收益率，结合网络理论研究市场结构、枢纽、系统性风险。
四、相似度网络分析
1. 核心指标对比
| | |
|---|
| 余弦相似度（Cosine Similarity） | 计算向量夹角余弦，按模长归一化，只衡量方向 / 对齐度，不受绝对数值影响 | |
| 相关系数（Correlation） | | |
2. 相似度网络路径
- 基于反余弦相似度的最短路径长度是连续值，代表相似度的距离，而非节点间的步数。例：路径长度 2.17 表示两个银行的贷款组合具有中等相似度。
