本报告围绕SIR传染病模型展开,介绍SI、SIS及SIR三类经典传染病模型,通过模型的微分方程描述了感染、康复及移除过程,并结合具体参数进行了疫情传播的模拟预测。实证部分指出传染人数将在21天峰值后下降,较好地展示了疫情传播趋势。报告还警示模型参数估计及过拟合风险,强调模型作为疫情预测的辅助工具的局限性。
标题: 证券研究报告量化策略简评 —— SIR传染病模型
作者团队: 主分析师鲁植宸,研究助理徐建华、陈添奕
发布机构: 中信建投证券股份有限公司
发布日期: 2022年12月12日
主题: 以SIR传染病模型为核心,结合疫情防控最新政策及数学模型,进行疫情传播预测建模及实证分析。
核心论点与目的:
本报告通过回顾疫情防控现状和相关文献综述,详细介绍传染病中经典的SI、SIS、SIR模型,重点解释SIR模型的机制与参数设定,基于参数回归进行了实证模拟,旨在对疫情传播动态进行量化描述和预测。报告通过模型的动态演化过程,表现传染病感染、恢复的人口数量变化趋势,最终达到对疫情发展态势的定量理解和辅助防控策略决策,1,3,6,7,9,12,17,19]。
报告首先从疫情防控入手指出,截至2022年12月11日,全球累计确诊病例超过6.4亿,累计死亡663万人。中国大陆当日现有确诊37968例,累计报告确诊超36万,台湾与香港地区亦分别公布较高的新冠确诊病例数。强调政策层面对防控策略的动态调整,包括不再划中高风险区、削减隔离天数、取消“通信行程卡”等措施,体现对疫情防控科学化、精准化的政策取向,兼顾疫情防控与经济社会正常运行的平衡,4,5]。
该部分指出现有流行病预测模型大多基于固定人群接触假设,缺乏对动态社会网络的考量。文献回顾了2007年Tânia Tomé等人的动态网络模型,以及2020年DilipKumarBagal针对印度多阶段封锁政策的SIR模型应用,和2022年G.Ódor将SIR模型与灰色预测方法结合用于COVID-19疫情预测的研究,证实SIR模型在疫情建模中的实用性与适用性,预测模型未来将进一步完善。
SI模型: 最简单模型,假设个体在感染后终身感染不可恢复。用S(t)和I(t)分别表示易感和感染人数,传播率为α。传染动力方程为:
dtdS=−αNS(t)I(t),dtdI=αNS(t)I(t)易感比例减少,感染者比例对应增加,适合HIV等长期感染疾病建模,8,9]。
SIS模型: 基于SI模型增加了治愈概率β,感染者可以治愈后重新变成易感者。模型中α为日接触率, β为日治愈率。核心微分方程为:
dtdi=αi(1−i)−βi该模型反映传染与治愈的动态博弈,最终感染比例依赖于δ=α/β,治愈速度大于传染速度时疫情可消亡,11]。
SIR模型(重点): 与SIS的不同之处在于治愈者获得免疫力,不再成为易感者。人群状态分为易感者S、感染者I与移除者R,转变路径为:SαIβR。模型以微分方程描述三者人数动态变化:
dtdS=−αINS,dtdI=αINS−βI,dtdR=βI此模型基于随机接触假设,考虑了感染率α和恢复率β,广泛用于传染病传播预测。报告同时引入网络模型视角,指出节点位置和网络结构影响感染概率,反映现实复杂社会网络的异质性,13,14,15,16,17]。
页面7图(模型分类): 展示了SI、SIS、SIR三种模型的基本状态转换图,明确了易感-感染-恢复(或再次易感)的不同路径,结构简洁明确,直观表达模型状态及转移关系。
页面12图(SIR基本流程): 用箭头标示了感染率α引起的易感转感染,恢复率β引导的感染转移除,体现了模型核心假设,帮助理解模型基本逻辑。
页面13图(网络节点感染概率): 通过网络节点及连线展示不同节点曝光于感染者的机会差异,如节点c因邻近多个感染节点,感染概率显著高于h,说明SIR模型通过网络结构可量化异质风险。
页面14、15图(状态更新概率): 分别用箭头及概率表达了恢复者保持状态、感染者恢复概率β、易感者被感染概率 1−(1−α)k,其中k为感染邻居数量,数学表达清晰,说明模型的动态迭代过程,12,13,14,15]。
该图曲线描绘了60天内易感人群(粉色)、感染人群(红色)与康复人群(蓝色)的数量变化趋势。起始100万易感者,1000感染者,无康复者。数据显示:
该图形象展示SIR模型的动态感染、转移过程以及疫情峰值时点的预测,有助于公共卫生决策者把握疫情趋势和时机。
本报告并无涉及传统金融资产估值,而以数学模型形式定量疫情传播,模型核心为微分方程和概率转移规则,参数包括:
日接触率α:每日一个感染者与健康者有效接触后,诱发感染的概率大小。该参数依赖当地人口密度、社会行为(如戴口罩、通风)等因素。
日治愈率β:每日感染者痊愈的比例,受医疗水平、疾病本质等影响。
报告中假定参数为:α=5×10−8,β=1/7,即平均7天治愈一次,新感染者概率极低。通过不同的α和β设定,模型调节疫情传播速度和恢复规模,实现仿真预测。模拟周期60天,目标观察疫情发展走势,20]。
报告提及两大风险因素:
模型失效风险: 由于模型参数基于历史估计,且疫情传播过程存在高度不确定性,特别是新变异株或社会行为变化难以预测,模型输出可能无法准确映射未来实际疫情走势。
统计建模过拟合风险: 过多参数可能产生对现有数据高度拟合但泛化能力差的现象,限制模型在新数据(样本外)的稳定表现。由于后续样本追踪时间不足,模型预测准确性潜藏风险。
报告提醒用户谨慎看待预测结果,量化建模虽有助于理解趋势,但不可盲目信赖其精确度。
报告整体保持客观解读和模型介绍,未体现明显偏见,但存在以下潜在关注点:
模型简化假设: SIR模型假设均质人群和随机接触,对复杂现实中变异病毒、群体异质性、社会行为响应不足,可能导致预测偏差。
参数设定笼统: 报告所采用固定参数α和β未见针对不同地区或疫情阶段的调节,忽略了实际疫情中接触率和治愈率动态变化的复杂性。
缺少模型验证与误差分析细节: 尽管给出模拟曲线,但报告未详述模型拟合优劣指标(如残差、R²)或与真实数据对比,降低了模型可信度的说明力度。
过拟合问题虽有提及,但未给出缓解方案: 如交叉验证、正则化或模型简化策略未被说明,模型鲁棒性存疑。
本报告以中信建投证券发布的量化策略简评,深入解析了疫情防控背景下的SIR传染病模型,通过详尽的文献综述,展示了3类经典传染病模型(SI、SIS、SIR)的数学原理和演化关系,重点阐述了SIR模型的状态转移机制和网络结构对感染概率的影响。
实证部分基于指定参数进行了传染病传播的60天仿真,模拟曲线清晰呈现出感染人数的峰值出现及疫情扩散的动态过程,为疫情防控政策的执行和预判提供了量化支持。报告同时指出模型构建中存在的失效风险与过拟合风险,提示使用者客观看待模型预测功能。
图表表现方面,模型流程图、网络示意图及实证结果曲线均精炼准确地支撑了文本论述,加强理解传染病传播动态的直观性。报告整体科学严谨,信息体系清晰,适合希望利用数学模型辅助疫情分析的研究人员及策略制定者。但模型本身的简化假设、参数固定和缺乏对外验证是其应用时需重点关注的限制。
综上所述,作者以SIR模型为核心,结合疫情防控政策和实证模拟,系统展示了传染病量化策略的基本框架与应用,可作为疫情动态监测和防控参考的重要工具之一,研究严谨度较高,实用价值明确。
疫情防控最新政策封面
传染病模型分类示意图(SI、SIS、SIR)
SIR模型状态转移图
社会网络中节点感染概率差异示意图
SIR模型状态转移概率更新图
易感者转感染概率图
实证SIR模型模拟结果图(感染者、易感者、康复者数量动态)
此报告结构明晰,涵盖从理论模型到实证应用的完整流程,为相关领域提供了实用的分析框架和量化工具,对疫情风险管理及相关金融量化策略研究均有积极参考意义。
量化策略简评:SIR传染病模型.pdf