本文将基于加权网络三角结构构建的三元压力指数(TSI)应用于金融资产相关网络,覆盖股票、加密货币、大宗商品、外汇及主权债务市场。研究显示,TSI在危机识别方面与有效秩等最佳光谱指标基本相当,并显著优于吸收比率;其优势还包括无需选择主成分数量的节点归因能力,以及较低的未解释警报率。但TSI本质上是与压力同步的状态指标而非预测工具,且在小型、行业集中或危机震中集中型网络中可能需要持久性记忆修正。
TSI可通过 (\mathrm{diag}(A^3)) 将总体压力分解至单个资产,直接识别承担三角关联集中度的节点,无需预先设定主成分数量 (k)。
样本外危机识别结果(2016—2026,897个窗口)
| 指标 | 原始F1 | 同一持久性滤波器下F1 |
|---|---|---|
| TSI | 0.367 | 0.447 |
| Effective rank | 0.347 | 0.377 |
| Vendi score | 0.347 | 0.377 |
| Absorption Ratio | 0.174 | 0.134 |
| Effective rank(收益率矩阵) | 0.179 | 0.174 |
报告的核心结论并不是“TSI全面优于所有金融风险指标”,而是一个较为克制的组合判断:TSI在危机识别方面大体追平最优的谱类指标,明显优于Absorption Ratio(吸收比率)这一传统行业基准;其独特优势在于可以提供节点层面的归因,而且不需要预先选择要观察的主成分数量;但TSI本质上是同期状态指标,而不是预测危机发生的领先指标。 报告没有股票评级、目标价或投资建议,因为它是一篇方法论和实证回测研究,而非针对某一上市公司的证券研究报告。
TSI源于农业土壤微生物网络研究。原有研究观察到,农业投入会提高网络模块化程度,使网络更趋于分隔和碎片化,同时认为网络结构属性可能比简单的物种数量更适合作为土壤状态的生物标志物。 报告进一步指出,既有研究虽然描述了“少数节点逐渐吸收其他节点失去的连接”的结构性集中,却没有给出专门度量这一现象的数学量;TSI试图通过网络三角闭合、密度、模块化代理变量和度数方差,把这种结构性集中转化为金融压力指标。
这种跨领域迁移的逻辑是:金融系统也可以表示为加权网络,节点是资产,边是资产之间的相关性。当市场进入系统性压力状态时,原本相对独立的资产可能突然同步波动,网络密度和共同连接程度上升,风险集中在少数高度连接的节点上。因此,生态系统中代表“凝聚和互联”的结构,在金融市场中可能意味着“共同下跌和系统性脆弱”。报告特别强调,同一数学结构在生态系统和金融系统中具有相反含义,因此TSI需要进行领域方向调整。
报告在长度为W个交易日的滚动窗口中,使用n个资产的每日对数收益率构造相关矩阵ρ,并令邻接矩阵为:
[ A=|\rho| ]
同时将对角线设为零,即不考虑资产自身与自身的连接。 这一步意味着TSI忽略相关性的正负方向,只保留相关性强弱,因此正相关和负相关都会被解释为资产之间的紧密联系。
TSI由四类网络量组成:
报告将Coex放在分子中,而理论框架原始版本把它放在分母中。作者认为,生态网络和金融网络对“高连接、高聚合”的解释相反:生态系统中高度互联可能意味着韧性,而金融市场中所有资产一起波动则意味着危机,所以金融版本应让TSI在相关性、密度和连接集中上升时同步上升。 在银行组合2006—2011年的测试中,本文构造的TSI组合形式F1为0.275,而原框架形式为0.157,后者接近10%报警预算下的随机水平0.152;不过两者差异置信区间较宽,为[−0.229,+0.315],因此该比较只能提供方向性支持,不能视为决定性证据。
一个重要的限制是,作者测试了形状归一化版本,即用度数Gini系数替换度数方差、用平均度数替代密度,以消除网络规模影响,但该版本F1仅为0.098,低于随机水平。 这暗示TSI捕捉到的很大一部分可能是相关性整体水平或网络规模效应,而不是纯粹的度数分布形状。作者对此没有回避,反而将其列为指标解释边界。
由于不同规模网络的C、D、M和Coex具有不同缩放关系,TSI原始数值不能直接比较不同资产数量的网络;跨网络比较只能使用z-score、百分位数等标准化后的动态指标。
报告预先定义了三个假设:
研究使用20个交易日滚动窗口,每3个交易日重新计算一次。 持续性版本采用不对称指数滤波,参数为α=0.6和α=0.08,并通过2000—2015年训练、2016—2026年测试的时间切分进行网格校准;最终参数在测试中较稳健,训练期与测试期F1表现的相关系数为0.96。 显著性检验使用季度长度区块自助法,重抽样2000次,仅在2016—2026年样本上进行。
报告使用了三套危机标签:16个窄危机窗口、23个较宽窗口和25个用于判断“是否对应任何已记录事件”的事件列表。三套标签的差异是理解结果的关键,因为F1、精确率、召回率和未解释报警率并非都来自同一套标签。 这既体现了作者的透明度,也意味着不同章节的数字不能机械拼接比较。
TSI的节点归因采用(\mathrm{diag}(A^3)),即把总三角闭合量分解到各个节点,回答“哪个资产承担了网络集中度”。合成网络测试显示,在一个到四个同时存在的压力中心下,三角规则的top-k命中率为0.975—0.994,表现非常稳定;固定k=2的谱方法在单一压力中心时命中率只有0.756,而在两个压力中心时接近完美。
但报告主动修正了最初较强的结论。采用Marchenko–Pastur谱边界自适应选择k后,谱方法得分为0.959—0.997,与三角规则基本持平;Oracle方法也同样接近这一水平。因此,TSI并不比合理设计的自适应谱归因更准确,其真正优势是无需设置k,避免固定或错误选择k导致灾难性失效。
Kaiser规则,即选择特征值大于1的成分,在单一压力中心场景下几乎完全失效;报告认为其平均选择约6个特征向量,过多成分混合后反而破坏了压力中心的可分离性。 这说明谱方法不是不能归因,而是对主成分选择规则高度敏感。
不过在真实金融矩阵中,TSI的归因层与简单节点度数几乎等价。464只标普500成分股、245个窗口的测试显示,(\mathrm{diag}(A^3))与节点度数的横截面秩相关平均为0.996,度数的三次函数可以解释三角计数R²=0.992;三角归因残差对未来五日收益的相关仅为0.002,对未来波动率的表面关联在控制当前波动率后也从+0.187降至+0.016。 因此,实际部署中,若目标只是识别最连接、最集中的资产,简单度数计算可能已经足够;三角分解的主要价值是理论上的统一性和无需选择参数,而不是在真实数据中提供明显超越度数的信息。
图1解读:图中横轴为同时存在的压力中心数量,纵轴为top-k命中率。蓝色三角规则几乎保持在0.98—1.00之间;绿色Marchenko–Pastur自适应谱规则也接近其水平;红色固定k=2在一个压力中心时明显下降,在两个时恢复;粉色Kaiser规则在多个场景下明显较低;灰色节点度数则约为0.93—0.96。 图表支持的不是“TSI准确性远胜谱方法”,而是“TSI的性能对压力中心数量不敏感,而谱方法的性能取决于k选择”。
报告将TSI与四类指标比较:
在2016—2026年、897个窗口的样本中,TSI原始F1为0.367,使用同样持续性滤波后升至0.447;有效秩和Vendi Score滤波后均为0.377;Absorption Ratio从0.174降至0.134;收益率矩阵有效秩为0.179降至0.174。 这表明TSI明显优于吸收比率,但与更精细的谱熵指标之间的优势并不具有统计显著性。
TSI相对Absorption Ratio的样本外F1差为0.273,95%置信区间为[0.095,0.392],单侧p<0.0005。 然而,作者也指出,滤波器本身被设计为强化持续平台期,因此这个显著性结果证明的是“滤波器实现了预定目标”,并不能独立证明TSI的网络结构比其他指标更优。
不同危机标签下,TSI对有效秩的“平局”在六个样本—标签组合中都保持成立;TSI对吸收比率的优势则在最窄标签下不再达到传统显著性标准,尽管点估计差异仍为+0.170和+0.121。 多重比较校正进一步显示,24项检验中未经校正显著的有16项,Holm–Bonferroni校正后仅9项保留;有效秩的六项比较始终是平局,说明TSI没有证据证明自己击败最强谱基准。
报警质量方面,25个事件列表、全样本、固定10%报警预算下,TSI的未解释报警率为4.0%,有效秩和Vendi Score为14.7%,收益率有效秩为58.5%,吸收比率为59.4%。 但未解释报警率在固定报警数量下本质上等于1−precision,而F1也与该指标单调相关,所以这不是独立于F1的另一项胜利,而是同一分类结果的另一种表达。
图2解读:浅色柱是原始指标,深色柱是统一持续性滤波后的指标。TSI滤波后约0.447,明显高于吸收比率约0.134,但有效秩和Vendi Score约0.377,与TSI处于统计不可区分区间。 该图最重要的信息是:TSI相对传统吸收比率的优势较明确,但相对经过适当锐化的谱熵指标并没有形成可靠超额。
四个案例显示了TSI对网络构成的敏感性。Bear Stearns事件中,原始TSI在救助前达到峰值并随后回落,而吸收比率仍继续上升;Lehman事件中,TSI在破产后数日内急剧跳升,反应比吸收比率更尖锐;欧洲债务危机和AI行业2025年关税冲击中,小型、行业高度集中的网络出现原始TSI“遗忘”现象,即危机持续期间指标反而回落,持续性滤波能够修正这一问题。
42资产、覆盖七个行业的多元化网络测试揭示,决定是否需要记忆滤波的不是节点数,而是资产篮子是否集中在危机实际发生的“震中行业”。欧洲债务危机中,十家银行组合最终z-score只有1.09,而多元化组合和全样本分别为+5.35和+2.13;类似排序也出现在Lehman事件中。COVID和2022年加息抛售期分别得到z=1.35和1.41,支持这一机制解释。
跨市场测试也体现了TSI的适用边界:加密货币历史峰值z=3.9对应2022年Terra/Luna崩溃,并将MATIC-USD识别为最连接资产;主权债券市场峰值z=3.6对应2023年债券抛售,并将高久期工具MBB识别为关键资产。 但2022年英镑/英国国债危机中,TSI持续为负,因为冲击主要集中在英镑相关工具,并未重构更广泛的外汇相关结构;俄乌战争后的TSI上升则滞后三个月。报告据此将TSI的作用限定为识别相关结构断裂和共同波动扩散,而不是识别单一资产方向性事件或缓慢累积的地缘政治风险。
领先—滞后分析覆盖−15至+30个观测期,结果显示TSI与OFR金融压力指数的相关性在零滞后附近达到峰值并近似对称衰减;一阶差分后的原始TSI在零滞后相关系数为+0.094,而TSI领先一个观测期时相关系数仅约+0.008,处于噪声范围内。 持续性滤波会引入约4个观测期的小滞后,但这仍不是提前预测,而是平滑造成的延迟。
图3解读:左图显示水平序列中TSI在零滞后附近达到约0.20的峰值,吸收比率约0.06;右图显示一阶差分在正滞后区域大多落入噪声带。图形支持“同期状态读数”而非“预警信号”的结论。
与Ollivier–Ricci曲率的比较中,危机窗口平均曲率为0.711,平静期为0.678,曲率在危机中上升;其检测能力明显优于吸收比率,但低于有效秩,TSI在六个样本—标签组合中均领先曲率,却只有一个比较在多重校正后保留显著性。 这意味着TSI并非对所有网络几何指标形成压倒性优势。
持久同调方面,直接在8—11节点相关网络上计算Vietoris–Rips的H1没有区分能力,危机与平静期均为0.03—0.07;但对压力序列进行Takens延迟嵌入后,2020年3月30日COVID峰值约为历史均值以上12个标准差,20个最高读数中有15个处于已记录危机内。 该结果有启发性,但作者承认嵌入维度和延迟只采用了一组设定,仍需要系统稳健性检验。
对于带符号相关网络,作者将(\mathrm{Tr}(A^3))替换为(\mathrm{Tr}(\rho^3)),发现两者在2232个窗口中的相关系数为1.000,F1变化为0,说明相关矩阵正半定性限制了三角中“挫折”结构的变化,单靠三角计数无法恢复符号平衡信息。 局部平衡指数在合成归因测试中显著低于三角规则,但在小网络上频繁饱和于1,因此无法公平排名;在464资产网络上,TSI和平衡指数在原作者定义的系统性事件标签下均表现为统计平局。
主要风险和局限包括:
报告的优点是主动披露不支持自身强结论的结果,例如承认自适应谱方法可以追平TSI、真实数据中节点度数足以复制三角归因、符号三角扩展无效,以及吸收比率优势无法在所有标签下成立。这降低了宣传式偏差。 但仍需注意,作者及其机构与指数相关的专利申请存在利益关联,报告末尾对此作了披露。
综合全文,TSI最可信的定位是:一个利用相关网络拓扑、尤其是三角闭合和连接集中度来识别市场共同波动压力的同期状态指标。它没有证明自己击败有效秩、Vendi Score等最优谱类指标;其优势主要体现在相对吸收比率的检测效果、较低的点估计未解释报警率、不同于方差分解的网络构造,以及不依赖主成分数量选择的节点归因层。
从实务角度,TSI更适合作为现有风险监测体系的补充,而不是吸收比率或有效秩的替代品。对于行业集中、资产数量较少或危机震中明确的组合,应考虑持续性滤波;对于大型多元化网络,原始TSI可能已经足以反映持续压力。最重要的使用限制是:高TSI表示市场当前正处于相关性集中和结构性脆弱状态,并不表示危机即将发生,更不能直接转化为买卖或资产配置建议。
2608.10788.pdf