1. 项目概述从业务痛点出发的量化风险洞察在金融、供应链、企业集团等复杂商业生态中风险从来不是孤立存在的。一个核心客户的经营波动可能通过担保链、应收账款、股权关联或市场情绪像多米诺骨牌一样传导至整个集团乃至产业链上下游。过去我们依赖经验判断和定性分析来评估这种“风险传递”但面对海量、动态的关联数据人脑的局限性日益凸显。定性分析往往只能给出“风险较高”或“需重点关注”这类模糊结论难以量化具体的影响范围和冲击强度更无法进行压力测试和前瞻性预警。这正是“集团客户风险传递的数学建模”要解决的核心问题。这个项目的本质是构建一个数字化的“风险传导模拟器”。它不再满足于“感觉有风险”而是要精确回答如果客户A出现偿付困难其风险有多大比例会传递到关联方B、C整个集团体系的脆弱点在哪里在最坏的情况下可能的损失边界是多少为了实现这种从定性到定量的跨越数学模型成为了不可或缺的工具。通过构建网络模型、设置传导规则、输入实际数据我们可以将隐性的风险关联显性化、动态化。我选择使用北太天元来完成这个模型的构建与求解并非偶然。在金融工程和风险管理领域我们常常面临一个困境MATLAB功能强大但授权费用高昂Python生态丰富但在某些数值计算和矩阵运算上需要额外的库和调试。北太天元作为一款新兴的科学计算软件提供了与MATLAB高度兼容的语法和强大的内置数学库同时兼顾了国产化和易用性。对于这类涉及矩阵运算如邻接矩阵、线性方程组求解、随机模拟的数学模型北太天元的向量化操作和丰富的金融工具箱函数能极大提升开发效率。接下来我将完整拆解这个模型的构建思路、数学原理并附上可直接运行的北太天元代码让你不仅能理解概念更能亲手复现一个可用的风险传递分析工具。2. 风险传递建模的核心思路与框架选择构建风险传递模型第一步是抽象现实。我们需要将复杂的集团客户关系抽象为一种可计算的结构。最直观且有效的框架是网络图模型。在这个模型中每个客户或子公司是图中的一个“节点”客户之间的风险传导渠道如担保、借贷、持股、交易依赖则是连接节点的“边”。边的方向代表风险传导方向边的权重代表传导的强度或概率。2.1 模型框架选型为什么是传染病模型与熵权法结合在众多网络动力学模型中我选择了结合SIR传染病模型的思想和熵权法来确定边权重。这是经过实际项目验证的有效组合。SIR模型的适应性经典的SIR模型将人群分为易感者(S)、感染者(I)、移除者(R)描述了疾病通过接触传播的过程。这与风险传递高度相似一个“健康”的客户节点可能因关联方“违约”而“感染”风险风险在其关联网络中传播部分客户在承受损失后可能“移除”如破产清算不再传导风险但也无法恢复。这个类比为我们提供了成熟的微分方程框架来描述风险状态的动态变化。熵权法的客观性风险传导的强度边的权重不能主观设定。我们需要依据客观数据来计算。熵权法是一种根据各项指标数据提供的信息量大小来确定权重的方法。在这里我们可以选取多个衡量客户间关联紧密度的指标如担保金额占比、交易额占比、持股比例等为每对关联客户计算一个综合的“关联强度”权重。信息熵越小说明该指标值的变异程度越大提供的信息量越多其权重也应越大。这保证了权重确定的客观性和数据驱动性。2.2 模型核心输入与输出定义在动手写代码前必须明确模型的输入和输出是什么。核心输入数据客户清单集团内所有需要监控的客户或子公司列表编号为1, 2, ..., N。关联关系矩阵一个N×N的矩阵初始时矩阵元素R(i,j)表示客户i对客户j的风险暴露度。例如这可以是j对i的担保金额、i对j的应收账款、i持有j的股份比例等。R(i,i)通常为0自身不构成外部风险。客户个体风险指标每个客户自身的财务状况指标如资产负债率、流动比率、净利润增长率等用于计算其初始的“感染概率”或“脆弱性”。风险传导参数包括风险传导率类比传染病感染率、风险恢复率类比疾病治愈率等这些参数可以通过历史数据校准或专家经验设定。模型核心输出风险传递路径与范围模拟结果显示从某个风险源出发风险依次影响了哪些客户。风险冲击强度每个客户最终承受的风险值或损失估计。系统脆弱性评估识别出那些一旦出事会对整个网络产生最大影响的“关键节点”。压力测试结果模拟极端情景如某个大客户突然违约下整个集团体系的损失分布。注意初始关联矩阵的构建是关键也是难点。数据可能分散在财务系统、合同管理系统、股权系统中。在实际项目中往往需要数据团队的支持进行大量的数据清洗、关联和归一化处理才能形成一份干净、可用的关联矩阵。这是模型能否成功的“地基”。3. 模型构建的详细步骤与北太天元实现下面我们进入实操环节一步步用北太天元构建模型。我将假设一个包含5个客户的简化集团为例。3.1 数据准备与关联矩阵构建首先我们定义客户和模拟他们之间的关联关系。这里我们用“应收账款占比”作为关联强度的代理变量即客户B的营收中有多大比例来自客户A那么A出问题就会影响B。% 假设有5个客户编号1-5 num_clients 5; % 初始化一个5x5的关联矩阵RR(i,j)表示客户j对客户i的依赖程度风险传导方向j - i % 例如R(2,1)0.3表示客户1的营收占客户2总营收的30%。 R zeros(num_clients, num_clients); % 手动设定关联关系在实际中从数据库读取 R(2,1) 0.3; % 客户1是客户2的大客户 R(3,1) 0.15; R(4,2) 0.4; % 客户2是客户4的大客户 R(5,3) 0.25; R(5,4) 0.2; % R(1,5) 0.1; % 可以设定循环依赖增加复杂性 % 可视化关联矩阵非必须但有助于理解 disp(客户关联矩阵 R (行i受列j影响的程度):); disp(R); % 计算每个客户的“入度”风险暴露即受他人影响的总和 risk_exposure_in sum(R, 2); % 对每一行求和 % 计算每个客户的“出度”风险影响即影响他人的总和 risk_impact_out sum(R, 1); % 对每一列求和转置成列向量 disp(每个客户的总风险暴露受他人影响:); disp([(1:num_clients), risk_exposure_in]); disp(每个客户的总风险影响影响他人:); disp([(1:num_clients), risk_impact_out]);3.2 基于熵权法计算综合关联权重假设我们有三个指标来衡量客户间关联应收账款占比(ind1)、担保金额占比(ind2)、交易频率标准化值(ind3)。我们将为每对有关联的客户计算一个综合权重。% 假设我们为有关联的边收集了三个指标数据 % 这里用随机数模拟实际中替换为真实数据 % 假设有m条边 edge_list find(R 0); % 找出R中所有非零元素的位置线性索引 [m, ~] size(edge_list); m length(edge_list); % 为这m条边生成3个指标的模拟数据矩阵 X (m行3列) X rand(m, 3); % 随机生成0-1之间的数 % 熵权法计算权重 % 1. 数据标准化正向指标 X_normalized zeros(size(X)); for col 1:size(X, 2) X_normalized(:, col) (X(:, col) - min(X(:, col))) / (max(X(:, col)) - min(X(:, col)) eps); end % 2. 计算第j项指标下第i条边的特征比重 p_ij p X_normalized ./ sum(X_normalized, 1); % 3. 计算第j项指标的熵值 e_j k 1 / log(m); e -k * sum(p .* log(p eps), 1); % 加eps防止log(0) % 4. 计算信息熵冗余度 d_j d 1 - e; % 5. 计算各指标权重 w_j w d / sum(d); disp(三个指标应收、担保、交易频的熵权法权重:); disp(w); % 6. 计算每条边的综合关联强度 % 首先将权重应用到原始标准化数据上然后加权平均或加权和 edge_weight X_normalized * w; % 7. 将计算出的综合权重填回关联矩阵W加权后的矩阵 W zeros(size(R)); W(R 0) edge_weight; % 将计算出的权重赋给有关联的边 % 8. 对W进行归一化使得每个客户受到的所有影响权重之和为1行归一化 % 这是为了满足概率转移矩阵的性质用于后续的模拟。 W_normalized zeros(size(W)); for i 1:num_clients row_sum sum(W(i, :)); if row_sum 0 W_normalized(i, :) W(i, :) / row_sum; end end disp(加权并归一化后的风险传导权重矩阵 W_normalized:); disp(W_normalized);3.3 风险传递的SIR动力学模拟现在我们有了传导权重矩阵W_normalized可以开始模拟风险的动态传递过程了。我们将每个客户的状态定义为一个三维向量[S, I, R]分别代表“健康”、“感染风险”、“风险出清”的概率或比例。这里简化为每个客户处于单一状态用状态值0健康1感染来模拟。% 模拟参数设置 beta 0.6; % 风险传导率表示连接带来的感染概率强度 gamma 0.1; % 风险恢复率表示单位时间内从“感染”状态恢复的概率 T 50; % 模拟总时间步长 dt 1; % 时间步长 % 初始化状态假设客户1初始爆发风险“感染” state zeros(num_clients, 1); % 0表示健康1表示感染风险 state(1) 1; % 记录每个时间点感染客户的数量 infected_count zeros(T1, 1); infected_count(1) sum(state); % 记录状态历史用于绘图 state_history zeros(num_clients, T1); state_history(:, 1) state; % 开始时间迭代模拟 for t 1:T new_state state; % 复制当前状态 for i 1:num_clients if state(i) 1 % 如果客户i已感染 % 它有 gamma 的概率恢复 if rand() gamma new_state(i) 0; % 恢复健康风险出清 end else % 如果客户i健康 % 计算它被所有已感染邻居传染的风险 infection_force 0; for j 1:num_clients if state(j) 1 % 传导强度 传导率beta * 权重W_normalized(i,j) infection_force infection_force beta * W_normalized(i, j); end end % 根据总感染力计算被感染的概率 prob_infect 1 - exp(-infection_force * dt); % 常用的一种概率映射方式 if rand() prob_infect new_state(i) 1; end end end state new_state; state_history(:, t1) state; infected_count(t1) sum(state); end % 可视化模拟结果 figure; subplot(2,1,1); plot(0:T, infected_count, b-o, LineWidth, 1.5); xlabel(时间步); ylabel(感染风险客户数量); title(风险传递模拟感染客户数随时间变化); grid on; subplot(2,1,2); imagesc(state_history); colorbar; xlabel(时间步); ylabel(客户编号); title(客户风险状态演化黄色感染蓝色健康); yticks(1:num_clients);3.4 关键节点识别基于网络中心性指标模拟结束后我们想知道哪些客户在风险网络中最重要。我们可以计算几个经典的中心性指标。% 将权重矩阵W视为邻接矩阵构建有向加权图 % 计算度中心性加权 weighted_out_degree sum(W, 1); % 加权出度 weighted_in_degree sum(W, 2); % 加权入度 % 计算特征向量中心性衡量一个节点与重要节点相连的程度 % 使用MATLAB兼容的eig函数 [V, D] eig(W_normalized); [~, idx] max(abs(diag(D))); % 找到主特征值 eigenvector_centrality abs(V(:, idx)); % 取主特征向量 eigenvector_centrality eigenvector_centrality / sum(eigenvector_centrality); % 归一化 % 将结果汇总成表 node_metrics table((1:num_clients), weighted_in_degree, weighted_out_degree, eigenvector_centrality, ... VariableNames, {客户编号, 加权入度中心性, 加权出度中心性, 特征向量中心性}); disp(客户网络中心性指标:); disp(node_metrics); % 找出关键节点例如特征向量中心性最高的前2个 [~, sorted_idx] sort(eigenvector_centrality, descend); key_nodes sorted_idx(1:2); fprintf(\n基于特征向量中心性识别的关键节点风险枢纽是: 客户 %d 和 客户 %d\n, key_nodes(1), key_nodes(2));4. 模型应用、调优与常见问题构建出模型只是第一步更重要的是应用和迭代。这个模型可以用于多种场景定期风险扫描每月或每季度运行一次模型输入最新的关联数据和财务指标生成集团风险热力图识别出风险暴露上升最快的客户和关联路径。新客户/新业务准入评估当集团拟新增一个重要客户或投资一家新公司时可以将其虚拟加入现有网络模拟其可能带来的风险传导效应作为决策参考。压力测试与应急预案设定极端情景如某个核心客户违约率上升50%运行模型评估对集团整体资产质量的影响并提前制定针对关键传导路径的应急预案。4.1 模型参数校准与验证模型中的关键参数如风险传导率beta和恢复率gamma不能永远靠猜。校准是让模型贴合现实的关键一步。历史数据回溯如果集团历史上发生过风险事件且有详细的传导记录可以用历史数据来反推最优的beta和gamma。例如寻找一组参数使得模型模拟的传导范围和速度与历史情况最吻合。这可以转化为一个优化问题使用北太天元的fminsearch或fmincon函数求解。专家经验结合在没有足够历史数据时可以邀请风控专家对几组预设参数下的模拟结果进行评价选择他们认为最合理的一组。敏感性分析对beta和gamma在一定范围内进行扰动例如±20%观察模型输出如最终感染客户数、峰值时间的变化程度。如果输出变化剧烈说明模型对该参数敏感需要更谨慎地确定其值。% 一个简单的参数敏感性分析示例 beta_range 0.3:0.1:0.9; gamma_range 0.05:0.05:0.2; peak_infected zeros(length(beta_range), length(gamma_range)); for i 1:length(beta_range) for j 1:length(gamma_range) % 调用上面定义的模拟函数传入不同的beta和gamma % 这里假设有一个封装好的模拟函数 simulate_risk_spread(beta, gamma) % [~, infected_ts] simulate_risk_spread(beta_range(i), gamma_range(j), W_normalized); % peak_infected(i, j) max(infected_ts); % 为示例我们简单计算一个替代指标 peak_infected(i, j) beta_range(i) / (gamma_range(j) eps); % 简化的R0近似值 end end figure; imagesc(gamma_range, beta_range, peak_infected); colorbar; xlabel(风险恢复率 (gamma)); ylabel(风险传导率 (beta)); title(参数敏感性分析颜色代表理论传播强度); set(gca, YDir, normal);4.2 常见问题与排查技巧在实际运行模型时你可能会遇到以下问题模拟结果不稳定每次运行差异很大原因这通常是因为模型中包含了概率性过程rand()函数而风险传导力又设置得比较临界。解决进行蒙特卡洛模拟。不要只运行一次而是运行成百上千次然后对结果取统计量如平均值、中位数、95%分位数。这能给出更稳健的预期范围和风险分布。num_simulations 1000; final_infected_counts zeros(num_simulations, 1); for sim 1:num_simulations % 运行一次模拟获取最终感染数 % state_final run_one_simulation(...); % final_infected_counts(sim) sum(state_final); final_infected_counts(sim) poissrnd(3); % 用泊松分布随机数示例 end fprintf(模拟%d次平均最终感染客户数: %.2f\n, num_simulations, mean(final_infected_counts)); fprintf(风险价值(VaR) 95%%: %.2f\n, prctile(final_infected_counts, 95));关联矩阵非常稀疏风险传不下去原因真实网络中很多客户可能只有少数几个强连接导致风险传导路径很容易中断。解决考虑间接关联。例如引入二阶、三阶关联的影响。在数学上这可以通过计算关联矩阵的幂W^2,W^3来评估间接暴露。或者在模拟时允许风险以较低的概率“跳跃”到非直接关联但同处一个脆弱子群的客户。模型输出难以向业务部门解释原因直接展示矩阵和时序图业务人员可能看不懂。解决进行可视化翻译。将关键输出转化为业务语言和图表风险传导图使用北太天元的绘图功能或导出数据到专业工具绘制动态风险传导网络图用节点大小表示风险值用箭头粗细表示传导强度。风险仪表盘将“关键节点列表”、“最大潜在损失”、“风险传导Top 3路径”等核心结论以卡片、排行榜、桑基图的形式展示。故事线叙述不要只说“客户A是关键节点”要说“如果客户A发生违约根据模型其风险将通过担保链在3个月内波及B、C、D三家子公司预计最大损失约为X万元其中对子公司B的影响占比最高建议对A的授信加强监控并为B准备流动性预案。”计算速度慢客户数量多时效率低原因使用多层for循环进行模拟时间复杂度高。解决向量化运算。北太天元擅长矩阵运算。尽量将循环操作改写为矩阵和向量操作。例如计算感染力的循环可以用矩阵乘法替代。% 向量化计算感染力的示例假设state是列向量 infection_force_matrix beta * W_normalized; % 传导率乘以权重矩阵 % 当前感染节点的状态向量 infected_vec (state 1); % 每个健康节点受到的总感染力 矩阵对应行 * 感染节点向量 force_on_susceptible infection_force_matrix * infected_vec; % 然后向量化计算感染概率 prob_infect 1 - exp(-force_on_susceptible * dt); % 向量化判断是否感染 new_infections (rand(num_clients,1) prob_infect) (state 0);对于超大规模网络成千上万个节点可能需要考虑稀疏矩阵存储sparse和更高效的算法甚至需要借助高性能计算或分布式计算框架北太天元可能就需要与其他平台结合使用了。这个模型不是一个一劳永逸的“黑箱”而是一个需要与业务持续对话、用数据不断喂养和校准的“活工具”。从简单的5客户demo扩展到真实成百上千客户的系统挑战主要在于数据的质量、计算的效率和结果的可解释性。但无论如何迈出数学建模这一步就已经将风险管控从模糊的经验主义带向了清晰的数字驱动决策的新阶段。