10.0 概述

Financial systems are networks — graph theory is how we model them.

金融市场不是个体的集合，而是网络的网络——银行之间借贷、交易对手之间对冲、钱包之间转账。图论给了我们描述和量化这些网络的数学语言，从系统性风险识别到支付路由优化，再到区块链交易分析。

---

本章定位

前面九章从不同角度建模金融市场：微积分描述一个变量随另一个的变化、概率论量化单个事件的不确定性、随机过程刻画时间演化、优化寻找最优决策。但所有这些视角都隐含了一个假设：资产之间是独立的，或至少它们的关系可以用成对的协方差来描述。 而在真实世界中，金融系统是一个高度互联的 网络——一家银行违约会通过借贷链条级联到其他银行，一个对冲基金的爆仓可能通过交易对手网络的传染影响整个市场。图论就是为这种"关系中的关系"建模的工具。

本章直接依赖 02 线性代数——邻接矩阵 $A$ 是一个矩阵，特征向量中心性需要求解 $A\mathbf{x} = \lambda\mathbf{x}$ 的主特征值和特征向量，谱半径（最大特征值）被用作系统性风险的预警指标。线性代数为图论提供了代数化的语言和计算工具。

在量化金融中，图论的应用日益重要：支付结算网络使用最短路径算法优化资金路由；股票相关性网络用最小生成树提取行业之间的层次结构；系统性风险用网络中心性指标识别"大而不能倒"的机构；区块链分析用图聚类识别关联钱包地址。随着金融系统变得越来越互联，图论建模已从"有趣"变成"必要"。

---

知识链条

本章的递进逻辑是：图的表示 → 路径问题 → 网络简化 → 节点重要性。

1. 10.1 图的基本概念：建立图的词汇——有向/无向、加权/无权、度、路径、邻接矩阵。邻接矩阵将图转化为代数对象，打开了用线性代数分析网络的大门。谱半径作为系统性风险指标，就是图论-线性代数交叉的第一个应用。
2. 10.2 最短路径：从"图中是什么"到"怎么走最快"。Dijkstra 算法求解加权图中的最短路径，复杂度 $\mathcal{O}((V+E)\log V)$。在支付网络中，你需要找到从银行 A 到银行 B 成本最低的资金路径——这就是最短路径问题。外汇市场中，检测三角套利机会本质上是在汇率图中找正权重环。
3. 10.3 最小生成树：从"走路径"到"找骨架"。最小生成树 (MST) 用最少的边权重和连接所有节点，Kruskal 算法贪心地从小到大选边。在量化金融中，MST 被用来从股票相关系数矩阵中提取"主干网络"——去除冗余边，揭示资产之间的层次聚类结构。
4. 10.4 网络中心性：从"网络结构"到"节点重要性"。度中心性（连接数）、中介中心性（桥梁角色）、特征向量中心性（连接的节点越重要，自身越重要）从不同维度衡量节点在网络中的影响力。特征向量中心性需要解特征值问题——直接连接 02 线性代数。系统性重要性排名（G-SIB 评估）就综合了这些指标。

---

量化应用速览

节	核心概念	量化金融应用
10.1	图的定义、邻接矩阵 $A_{ij}$、谱半径 $\lambda_{\max}$	银行间借贷网络、系统性风险预警、流动性网络建模
10.2	Dijkstra 最短路径 $\mathcal{O}((V+E)\log V)$	支付路由优化、外汇三角套利检测、跨境资金调度
10.3	最小生成树、Kruskal 算法 $\mathcal{O}(E\log E)$	股票相关性主干网络、行业聚类、资产层次结构
10.4	特征向量中心性 $A\mathbf{x} = \lambda\mathbf{x}$、PageRank	系统重要性机构 (G-SIB) 识别、区块链交易分析

---

学习路径

• 前置知识：02 线性代数（矩阵乘法、特征值与特征向量）。建议先复习 02.3 矩阵乘法和 02.4 特征分解。
• 推荐顺序：10.1 → 10.2 → 10.3 → 10.4，严格递进。10.2 需要 10.1 的图表示，10.3 MST 本质上是对最短路径概念的扩展，10.4 中心性将图与线性代数深度融合。

下一步：完成图论基础后，可以深入学习 高级量化金融专题——包括网络模型的随机过程、图神经网络在因子建模中的应用等。