10.4 网络中心性

网络中心性衡量节点在拓扑结构中的重要性——在金融网络中，中心性最高的节点就是"系统性重要金融机构"（SIFI），它们的倒闭可能引发整个系统的连锁反应。

中心性指标

度中心性（Degree Centrality）

节点 $v$ 的度中心性就是它的度数（标准化后）：

C_D(v) = \frac{\text{deg}(v)}{|V| - 1}

金融含义："这家银行与多少家银行有交易？"
计算简单，但只反映局部重要性

中介中心性（Betweenness Centrality）

节点 $v$ 位于多少对节点之间最短路径上的比例：

C_B(v) = \sum_{s \neq v \neq t} \frac{\sigma_{st}(v)}{\sigma_{st}}

其中 $\sigma_{st}$ 是 $s$ 到 $t$ 的最短路径总数， $\sigma_{st}(v)$ 是通过 $v$ 的数量。

金融含义："如果该银行违约，有多少支付路径被切断？"
捕捉节点的桥梁作用

特征向量中心性（Eigenvector Centrality）

节点的重要性取决于它连接到的节点的重要性——这是递归定义：

\lambda \mathbf{x} = A \mathbf{x}

其中 $A$ 是邻接矩阵， $\mathbf{x}$ 是特征向量， $\lambda$ 是对应的特征值。通常取主特征向量（最大特征值对应的特征向量）。

金融含义："该机构在系统重要性银行排名中的位置"——和重要机构交易的机构自身也重要
PageRank 是特征向量中心性的一个变体

手算实例：3 节点图的特征向量中心性

考虑一个简单的无向无权三角形图：

 (1)──(2)
   \  /
    (3)

邻接矩阵：

A = \begin{pmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 0 \end{pmatrix}

求解 $A \mathbf{x} = \lambda \mathbf{x}$ ：

\begin{pmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 0 \end{pmatrix} \begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix} = \lambda \begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix}

展开方程：

\begin{aligned} x_2 + x_3 &= \lambda x_1 \\ x_1 + x_3 &= \lambda x_2 \\ x_1 + x_2 &= \lambda x_3 \end{aligned}

由对称性， $x_1 = x_2 = x_3$ 。代入第一式： $2x_1 = \lambda x_1$ ，得 $\lambda = 2$ 。

主特征向量（归一化）：

\mathbf{x} = \begin{pmatrix} 1/\sqrt{3} \\ 1/\sqrt{3} \\ 1/\sqrt{3} \end{pmatrix}

结果：三个节点的特征向量中心性相等——在完全三角形中，每个节点都同等重要。

对比：如果图中节点 2 还连接到其他 10 个节点，则 $x_2$ 的特征向量中心性会更高——因为它连接了更多节点，并且这些节点也连接了它。

Python 示例

python

import networkx as nx

# 构建 5 节点图
G = nx.Graph()
edges = [
    (1, 2, 2),
    (1, 3, 4),
    (1, 4, 3),
    (2, 4, 1),
    (3, 4, 1),
    (4, 5, 5)
]
G.add_weighted_edges_from(edges)

# 中心性计算
print("节点中心性:")
bc = nx.betweenness_centrality(G)
for node, val in sorted(bc.items()):
    print(f"  节点 {node}: 中介中心性 = {val:.3f}")

# 特征向量中心性
ec = nx.eigenvector_centrality(G, weight='weight')
print("\n特征向量中心性:")
for node, val in sorted(ec.items()):
    print(f"  节点 {node}: {val:.4f}")

# --- 输出 ---
# 节点中心性:
#   节点 1: 中介中心性 = 0.000
#   节点 2: 中介中心性 = 0.000
#   节点 3: 中介中心性 = 0.000
#   节点 4: 中介中心性 = 0.500  ← 节点 4 是关键的"桥梁"
#   节点 5: 中介中心性 = 0.000

关键发现：节点 4 的中介中心性最高（0.500），因为到节点 5 的唯一路径必须经过它——这在金融网络中代表**"核心中介银行"**。

Quant Link：系统性重要性排名

中心性	定义	金融含义
度中心性	节点的连接数	"这家银行与多少家银行有交易？"
中介中心性	节点位于多少最短路径上	"如果该银行违约，有多少支付路径被切断？"
特征向量中心性	连接的节点越重要，自身越重要	"该机构在系统重要性银行排名中的位置"

系统性风险网络

2008 年雷曼兄弟倒闭后，监管机构开始用网络模型分析系统性风险。核心思想：每个银行 $i$ 违约会导致相邻银行 $j$ 的资产减值 $w_{ij}$ ，如果减值后 $j$ 也资不抵债，则产生级联违约（default cascade）。图论中的 k-core 分解用于识别最核心的风险传播层。k-core 是图中满足"每个节点至少有 $k$ 个邻居也在同一子图中"的最大子图。方法：反复移除度数小于 $k$ 的节点，剩下的就是 k-core。 $k$ 越大，节点越核心。例如，金融网络中 10-core 的节点比 3-core 的节点在风险传播中扮演更关键的角色。

区块链交易图谱

在加密货币分析中，交易网络是有向加权图——顶点是钱包地址，边是转账金额。聚类分析（如 Louvain 算法——一种基于模块度优化的社区发现算法。模块度（Modularity）衡量社区划分质量：社区内部的边密度与随机图的期望密度之差，值域 $[-0.5, 1]$ ，越大说明社区结构越明显。Louvain 算法分两阶段迭代：①将每个节点视为独立社区，尝试将节点移动到邻居社区中，选择使模块度增量最大的移动；②将发现的社区合并为新节点，重复第一阶段。Louvain 算法时间复杂度接近线性，能处理数百万节点的大规模图）用于识别关联钱包集群，而 PageRank（特征向量中心性的变体）用于发现最活跃的交易节点。

实际监管应用：金融稳定委员会（FSB）和各国央行使用网络中心性指标作为全球系统重要性银行（G-SIB）评估框架的一部分，与规模、互联性、可替代性等传统指标互补。 \n> 下一步：回到本章概述

10.4 网络中心性 ​

中心性指标 ​

度中心性（Degree Centrality） ​

中介中心性（Betweenness Centrality） ​

特征向量中心性（Eigenvector Centrality） ​

手算实例：3 节点图的特征向量中心性 ​

Python 示例 ​

Quant Link：系统性重要性排名 ​

系统性风险网络 ​

区块链交易图谱 ​