基于复杂网络视角的金融科技风险传染研究

基于复杂网络视角的金融科技风险传染研究
曹齐芳 孔　英1
摘要：大数据、云计算、人工智能等新兴技术逐步改变金融生态，金融科技成为传统金融业提效降本的动力源泉。

机遇与风险并存，金融科技的加入是否对传统金融造成风险冲击成为重要的研究课题。

本文基于复杂网络视角，采用TENET方法搭建以金融科技、银行和证券机构为主体的风险关联网络，融合PMFG极大平面过滤图法，分析金融科技同传统金融主体的风险传染关系，在此基础上提出了关键性风险路径的识别方法。

研究结果表明：相较于银行与证券，金融科技的内外部风险传染性最强；金融危机加强了风险传染的跨部门属性；风险传染以规模、业务相近的直接渠道为主，对关键性路径的识别有助于挖掘金融科技机构的潜在风险点。

监管当局应加强对金融科技机构的宏微观审慎管理，识别同部门与跨部门的风险传染路径，优化监管效率。

关键词：金融科技；风险传染；复杂网络；TENET模型
中图分类号：F832.5 文献标识码：A
一、引言
随着金融开放程度的不断扩大，金融科技公司与传统金融机构间的合作与竞争在广度和深度上都呈现出新的发展态势。

根据中国金融科技报告（2019），主流金融机构普遍运用技术手段改造业务的商业模式与技术的运作架构，兼具金融与技术双重属性的金融科技与传统金融展开竞争与合作。

在跨界融合背景下，各机构间的业务合作、交易交叉渗透，逐渐呈现出日益紧密的网络关联关系。

关联网络下，单一机构所面临的风险损失，通过业务合作、往来交易、相近的商业模式等关联路径，将风险传导至更广泛的区域，尾部风险的关联甚至可能演变成系统性危机。

由此可见，金融科技在提升金融效率的同时，也带来了风险外溢。

因此，在金融科技发展的关键“窗口期”，探究金融科技对传统金融体系（由银行、证券、基金和保险等构成）的风险冲击及监管应对，对新金融体系的稳健发展具有重要意义。

1 曹齐芳，硕士研究生，清华大学深圳国际研究生院，联系方式：****************；孔英，经济学博士，教授，清华大学深圳国际研究生院。

作者感谢匿名审稿人的建议，文责自负。

当前对机构间关联网络的研究多聚焦于风险监管体系相对完善的传统金融机构之间，而对金融科技的风险溢出研究多处于理论分析阶段，缺乏定量化的风险监测机制。

鉴此，本文从金融关联视角出发，采用融合LASSO变量选择的非线性分位数回归方法，构建金融科技风险关联网络。

该网络模型是对市场上已有风险监测平台子模块的有益补充，可辅助监管当局进行金融科技主体的行为与协同监管，具有一定的市场应用价值。

二、文献综述
金融科技给金融体系带来很多复杂影响。

金融科技在加快供需双方的资金匹配与交易效率的同时，也使得金融资源关联更加密切，信息传播渠道相互叠加，加快了风险在各个机构间的传染。

李敏（2019）、陈红和郭亮（2020）、Giudici（2018）从金融科技的本质功能和发展脉络出发，认为金融科技的应用领域包括银行业同业拆借与资金结算、资产管理机构的智能投顾与投研、支付机构的加密资产等，具有流动性风险、信用风险、操作风险、声誉风险、网络风险等。

由于跨市场风险传染加速，以传统金融机构为核心的监管体系难以适用于金融科技，监管思路需要多元化创新。

蔚赵春和徐剑刚（2017）认为，金融创新产品的风险隐蔽性增强，数据、网络、隐私、第三方技术依赖等科技属性风险均是风险传染的潜在因素，因而金融科技在提升金融效率的同时也形成了渗透力与传染力更强的市场风险。

Khalil和Alam（2020）基于专家问卷提出，银行以外包形式采用第三方金融科技的产品，会降低端到端操作的透明度，导致创新产品与服务的新型风险易吸收性与难控制性。

Pantielieieva（2018）等认为，金融服务让不同机构间网络关系深化，各类风险的敏感性增加。

整体看，金融科技有助于金融体系抵抗冲击，只有在危机不可避免时才会显现负面效应，加剧风险传染。

金融科技面临着金融属性与技术属性的双重风险，但现有研究多从理论层面研究金融科技面临的潜在风险，探讨金融效率与金融稳定的平衡关系，而对金融科技风险的量化研究则相对匮乏，研究结论缺少说服力。

个体风险风险传染系统性金融风险金融危机
图1：风险演化路径
一般而言，风险演化路径如图1所示，每一个环节均为后一个环节的必要不充分条件。

金融科技机构的个体风险基于业务关联等直接渠道和信息不对称等间接渠道进行风险传染，积聚到一定程度，会诱发系统性金融风险甚至演化为金融危机。

探究风险传染的强度及作用机制是防范系统性金融风险的重要内容，相关研究方法可分为以下几种：第一种是以机构间的尾部关联性来测量机构与系统间的风险贡献，常见的有条件在险价值CoVaR、困境保费DIP、边际期望损失MES和系统性期望损失SES、系统性风险指标SRISK等（Adrian和Brunnermeier，2016；
Huang，2009；Acharya等，2017；Brownlees和Engle，2012）。

上述方法可测度系统风险的整体水平，识别风险传染方向，但仍是微观意义上的风险度量，未考虑整个关联网络的影响。

第二种是基于金融机构的业务建立关联，例如银行间同业拆借、往来资金结算等资产负债数据。

IMF（2009）基于银行间业务交易及信贷风险敞口构建了风险传染网络；Wells（2004）以英国银行间市场为研究对象，探究了单个银行破产对其他银行的影响。

该类方法直接以双边风险为研究对象，对风险传染的形成机制具有解释性；但此类数据获取难度大，时效性相对滞后，且对风险传染的间接影响因素有所忽略。

第三种是基于股票价格等实时、高频的市场数据，利用主成分分析、格兰杰因果检验、CoVaR、方差分解等方法构建风险关联网络（Härdle，2016；Patro，2013；Billio，2012；杨坚等，2017）。

其中，GVaR广义方差分析将非线性和多重影响因素考虑在内，Härdle对CoVaR进行拓展后，创新性地提出了TENET模型。

该模型以单指标方法衡量变量间的非线性关系，融合LASSO变量选择剔除冗余变量，从而构建有向加权网络。

该类方法以市场数据为研究对象，数据质量高且易获取，虽无法解释关联形成的内在机制，但包含了市场上的诸多复杂因素，更具全面性。

机构个体的尾部风险具有相依性和隐蔽性，使风险快速且较大范围地传染至其他机构。

因此，本文基于复杂网络视角，采用TENET方法搭建以金融科技、银行和证券机构为主体的风险关联网络，并结合PMFG算法精简网络，以探究金融科技的加入是否对传统金融造成风险冲击。

TENET方法可捕捉变量间的非线性关系，且金融体系作为一个复杂系统，具有非对称性的特点，考虑机构间的影响强度与影响方向对风险溢出的捕捉至关重要。

此外，采用TENET 模型还通过变量选择方法将更多重要性因素考虑在内。

为提高结果分析的直观性与精准性，需剔除复杂网络所包含的冗余性信息，以实现关键性节点与连边可视化。

考虑到MST最小生成树方法形成的连边过于简洁，可能会忽略一些潜在联系，本文采用PMFG平面极大过滤图算法，通过考虑权重排序与平面图，得到包含关键性连边的精简网络关联图。

三、研究设计
（一）数据说明
股票市场是经济的晴雨表，股票价格的波动与实体经济如影随形。

本文将国内上市公司分为金融科技、银行、证券三个类别。

上市保险公司样本数量过少，本次实证研究不予考虑。

参考2019年三季度上市公司行业分类结果、香蜜湖金融科技指数和中证金融科技主题指数，确认研究样本；再结合公司主营业务、数据完整性等进行二次筛选。

具体筛选原则为：停牌时间小于16周；上市时间早于2012年8月；金融科技业务符合巴塞尔银行监督委员会对金融科技的定义；公司市值位于行业前列。

最终确定的研究样本为48家代表性机构（见表1）。

表1：研究样本
（二）变量设定
本文共涉及三类变量：股票市场收益率变量、宏观状态变量、微观个体变量。

时间区间为2012年9月至2019年8月，数据来源于Wind。

每个公司的股票周对数收益率由股票市场日交易价格计算得到，采用市场价格模拟法补足停盘数据。

宏观状态变量是新型金融体系尾部风险关联的风险驱动因素，捕获与各金融机构风险敞口不直接相关的尾部风险变化。

相比于收益变动，状态变量具有滞后性，描述风险的时间变化，各个机构对状态变量的表现是不同的。

本文从利率风险、流动性风险、信用风险角度考量，参考Adrian和Brunnermeier（2016）、Härdle（2016）、李政（2019）的研究，选取以下六类指标作为宏观状态变量，并标准化处理为无量纲数据，变量统计频率为周：短期流动利差是国际市场通用的风险衡量指标之一；短期收益率代表无风险利率；期限结构会反映资金供求关系，对经济形势具有预警作用；信用利差反映信用风险；股票市场收益率与波动率反映市场风险（见表2）。

表2：宏观状态变量说明
状态变量名称计算说明
S1短期流动利差3个月银行同业拆借利率（SHIBOR）与3个月中债国债到期收益率之差S2短期收益率3个月中债国债到期收益率
S3期限结构10年期中债国债到期收益率与3个月中债国债到期收益率之差
S4信用利差10年期AAA中债企业债到期收益率与10年期中债国债到期收益率之差S5股票市场波动率沪深300指数日对数收益率22个交易日的滚动标准差为日波动，以周为区
间，取平均
S6股票市场收益率沪深300指数对数收益率
微观个体变量是机构陷入风险境地的个体特征，与自身资产负债结构相关。

个体特征不仅是个体风险的来源，也是风险传染的影响因素。

考虑到风险相关性与行业普适性，本文确定资
产权益比、规模、市值账面比、总资产收益率共四个指标作为微观个体变量（见表3）。

采用三次样条插值法将季频数据转化为周频数据，并标准化处理为无量纲数据。

表3：微观个体变量说明
微观个体变量名称释义
V1资产权益比资产总额/所有者权益，反映资产负债水平
V2规模所有者权益的自然对数值
V3市值账面比每股股价/每股净资产
V4总资产收益率净利润/平均资产总额
（三）计算模型
构建风险传染复杂网络模型的核心点是测度风险传染的强度与方向。

TENET方法基于分位数回归思想，融合单指标模型与LASSO变量选择方法，计算机构之间的风险边际效应。

第一步，基于分位数回归理论，使加权残差绝对值之和最小，计算在市场困境条件下金融机构可能面临的最大损失。

因涉及监管，本文设置置信水平为99%。

下式中，金融机构i的在险价值由宏观状态变量决定，代表状态变量对金融机构i的影响程度。

（1）
（2）第二步，融合LASSO变量选择构建单指标分位数模型，代表机构间风险的非线性关系，代表单一机构在时刻的收益率，是自变量集，代表除机构外，其他机构在时刻的收益率，代表时刻的宏观状态变量，代表机构在时刻的微观个体变量，是系数集合。

式（4）是估计机构在其他机构困境下的条件在险价值，的估计值为，代表除机构外其他机构在分位数下所面临的尾部风险收益率。

（3）
（4）
（5）式（3）和式（5）是融合了LASSO变量选择模型求解为参数，取值越小对系数的约束力越强。

依此得到与因变量相关的重要自变量集。

具体估计方法为：
第三步，计算风险传染的边际效应，即风险传染强度。

是协变量对机构的边际影响，代表其他机构对机构的风险传染强度。

假设有个机构，在时点构成的风险传染强度矩阵为式（7）。

（6）
（7）
第四步，鉴于风险传染矩阵所包含的信息复杂且冗余，且部分机构间关系微弱，为提高结果分析的直观性与准确性，需进行网络精简。

本文采用的精简方法是Tumminello等（2005）提出的平面极大过滤图算法（Planner Maximally Filtered Graph，简称PMFG）。

该方法的原理为：对所有权重连边降序排序，在保证新的网络图为平面图的前提下，依顺序逐一选定连边，直至总连边数达到M=3(N-2)，其中N为节点个数，M为连边个数。

经上述处理后，可得包含关键连边的精简网络关联图。

四、结果分析
本文以T=52周（约为一年）作为移动窗口大小，利用RStudio、Tableau工具对数据进行运算及可视化操作。

（一）实证结果
采用移动窗口探究风险传染的时变特征，通过实验共计得到307周的风险传染关联网络。

本文以2015年7月13日至17日所在周为例，展示各个机构间的风险传染强度。

以表4第四行第一列为例。

该数值代表机构1对机构4的风险传染强度，为0.0258，即当机构1处于极端风险条件时，机构1的单位损失每增加1%，机构4的单位风险价值上升的程度。

表4：各个机构的风险传染强度
12345 (45464748)
100000 (0000)
200000 (0000)
300000.1994 (0000)
40.02580000 (0000)
50.07790.45900.547900 (0000)
600.0451000.0074 (0000)
700000 (0000)
80.08140.05640.012100.1903 (0000)
90000.16730.1774 (0000)
·································4700000···00.134600 48000.008600···00.080500
（二）相关分析
风险传染网络由各个机构的风险传染方向和强度决定，其本身是个体的尾部风险溢出，但存在转化为系统性风险的可能，即由个体风险属性转化为系统风险属性。

为观察金融科技的加入对银行、证券的影响，下文将结合复杂网络原理对系统总体及跨部门、跨机构的风险传染进行分析。

1. 系统总体风险传染特征
金融全球化与金融创新产品的多样性让融入金融科技的金融体系愈发复杂，局部风险经多业务交叉与信息渠道可迅速传播至更大范围；当然也可能引发风险共担，增强整体的风险抵御力。

本文测度了2013年9月至2019年8月的总体风险传染强度TRT（Total Risk Transfer）：
（8）此外，为观察各部门对总体风险传染效应的贡献，设计系统输入强度SI（System Input）和系统输出强度SO（System Output）指标。

式中，A为部门类别：
（9）
（10）经统计，总体风险传染强度的变动趋势如图2所示。

Diebold和Kamil等（2014）经研究发现，金融体系内各个主体的关联程度是系统性风险评估的显著性因素。

鉴此，本文将重点探究金融科技及银行、证券机构作为一个金融体系时系统性风险的变动特征。

一阶段二阶段三阶段四阶段互
联
网
金
融
元
年
开
启
货
币
宽
松
周
期
2015
年
6
月
股
市
动
荡
房
地
产
价
格
上
涨
周
期
2017
年
金
融
严
监
管
流
动
性
回
暖
中
美
贸
易
争
端
去
杠
杆
中
美
贸
易
争
端
总
体
风
险
传
染
强
度
2
1
3
-
9
2
1
3
-
1
1
2
1
4
-
1
2
1
4
-
3
2
1
4
-
5
2
1
4
-
7
2
1
4
-
9
2
1
4
-
1
1
2
1
5
-
1
2
1
5
-
3
2
1
5
-
5
2
1
5
-
7
2
1
5
-
9
2
1
5
-
1
1
2
1
6
-
1
2
1
6
-
3
2
1
6
-
5
2
1
6
-
7
2
1
6
-
9
2
1
6
-
1
1
2
1
7
-
1
2
1
7
-
3
2
1
7
-
5
2
1
7
-
7
2
1
7
-
9
2
1
7
-
1
1
2
1
8
-
1
2
1
8
-
3
2
1
8
-
5
2
1
8
-
7
2
1
8
-
9
2
1
8
-
1
1
2
1
9
-
1
2
1
9
-
3
2
1
9
-
5
2
1
9
-
7
日期
45
44
43
42
41
40
39
38
37
36
35
34
33
32
31
30
图2：2013年9月至2019年8月总体风险传染强度
本文将2013年以来的总体风险传染强度变动分为四个阶段。

（1）第一阶段（2013年9月至2014年10月）：2013年6月，我国银行业爆发“钱荒”，叠加2013年为互联网金融元年，互联网金融兴起与银行业形成“抢钱”的竞争格局，风险通过直接和间接渠道进行传染，风险传染效应不断升高。

伴随一系列稳增长政策的出台，系统性风险在后期大幅下降。

（2）第二阶段（2014年11月至2015年6月）：2014年11月开启货币宽松周期。

市场流动性逐渐积聚于金融体系内，沪深300指数在2015年6月上升至5221点，清理场外配资等政策叠加价格效应和流动性螺旋等，前期的风险积聚开始在危机下显现，总体传染效应由32.4升至40.1。

（3）第三阶段（2015年7月至2017年2月）：金融科技行业继续爆发式增长，从最初的网络信贷发展到股权众筹、互联网保险等，互联网理财规模井喷式发展。

此外，房地产价格上涨，以银行为核心的金融机构风险暴露上升。

2016年下半年开始，多项政策性文件的出台使市场交易量开始萎缩，总体风险传染强度降至32.4。

（4）第四阶段（2017年3月至2019年8月）：流动性回暖叠加美联储加息和中美贸易争端，总体风险传染效应回升。

图2和图3结合分析，整体看，融合金融科技的新型金融体系仍具有“事件驱动”特征。

风险传染效应的下降多为政策导向，上升则以市场行为主导。

从部门贡献视角看，金融科技的系统输入/输出强度均值在三个部门中最大，考虑金融科技跨界性、跨市场的混业特征，创新业务属性面临的风险更大，例如支付、信贷平台资金转移等。

此外，“金融科技”、“互联网金融”、“区块链”等近年来是股票市场的投资热点，受市场行情影响明显。

假设金融科技部门发生金
融危机，整个系统也将面临更大的风险。

证券和银行业相对稳定，主要基于国家层面对传统金
融属性业务的严格监管。

当面临宏观经济政策冲击时，证券、银行机构同资金流动等产生直接关联，这是引起总体风险波动的主要原因。

2. 跨部门风险传染特征
从表5看出，各部门内部风险传染强度的均值最高，同部门内业务相近与互联是主要原因。

三部门相比，金融科技内部风险传染最紧密，考虑风险暴露原因的相似度更高。

例如，技术创新的不稳定性与同步性，更易引发价格效应等间接风险传染。

证券和银行则相对较低。

银行一直以来都是监管机构的重点关注对象，严格的合规监管与国家控制，是其内部风险传染强度较低的主要原因。

表5：2013年9月至2019年8月各部门的风险流向统计
溢出均值（方向↓）银行证券金融科技银行8.18 1.39 1.17
证券0.4710.28 2.10
金融科技0.52 1.8111.81
图4：金融科技与银行、证券部门的时变风险传染
近年来，金融科技成为银行、证券的数字化战略布局重点，业务办理线上化、部署云端化、理财智能化成为转型的重要方向，形成了竞争与合作并存的格局。

整体看，证券、银行同金融科技机构的科技应用相比，存在一定差距。

从对相关案例的分析看，在2015年股灾风险积累及爆发期，证券对金融科技部门的风险传染强度显著提升，就是因为对场外配资和融资融券业务的清理，在某种程度上引发了金融科技部门配资平台的暴雷。

3. 跨机构风险传染特征
为更加全面直观地研究机构之间的风险传染，本文基于复杂网络视角构建风险传染网络。

风险网络中，每一个机构代表一个节点，机构与机构间的尾部风险传染由节点间的有向加权连线表示，权重代表作用强度，箭头代表作用方向。

考虑时间序列，则形成时变的动态网络。

风险传染网络是以周为时点的演进式动态网络，且相邻周之间网络特征变化较小，传染连线复杂且冗余。

鉴此，本文采用PMFG 算法对风险网络进行过滤，提取关键信息，并以上述四阶段为基础，每个阶段选取一个时间节点进行风险网络的展示，分别为：风险积累前期2014年11月10日至14日，风险积累阶段2015年5月4日至8日，风险爆发阶段2015年6月15日至19日，金融市场严监管阶段2017年5月8日至12日。

从风险传染渠道看，直接渠道以直接业务联系、交易对手信用风险等为主。

例如，当银行遭遇危机时，会通过隔夜拆借、借贷、交易等通道影响到其他机构；当证券遭遇危机时，会通过融资融券、机构交易等方式影响到其他机构；而当金融科技遭遇危机时，则会通过网络信贷、同类技术漏洞等影响其他机构。

间接渠道可能由价格效应、流动性螺旋等引起。

B1
C1
A1
B2
C2
A2
B3C3A3B4C4A4B5C5A5B6
C6
A6
B7
C7
A7
B8
C8
A8
B9
C9
A9
B10C10
A10
B11
C11
A11
B12C12
A12
B13C13A13B14
C14A14B15C15
A15
B16C16A16银行证券
金融科技B1
C1
A1
B2
C2
A2
B3C3A3B4C4A4B5C5A5B6
C6
A6
B7
C7
A7
B8
C8
A8
B9
C9
A9
B10C10
A10
B11
C11
A11
B12C12
A12
B13C13A13B14
C14A14B15
C15
A15
B16C16
A16银行
证券
金融科技（a ）风险积累前期
（b ）风险积累阶段
B1
C1
A1
B2
C2
A2
B3C3A3B4C4A4B5C5A5B6
C6
A6
B7
C7
A7
B8
C8
A8
B9
C9
A9
B10C10
A10
B11
C11
A11
B12C12
A12
B13C13A13B14
C14A14B15C15
A15
B16C16A16银行证券
金融科技B1
C1
A1
B2
C2
A2
B3C3A3B4C4A4B5C5A5B6
C6
A6
B7
C7
A7
B8
C8
A8
B9
C9
A9
B10C10
A10
B11
C11
A11
B12C12
A12
B13C13A13B14
C14A14B15C15
A15
B16C16
A16银行
证券
金融科技（c ）风险爆发阶段（d ）市场严监管阶段
图5：不同阶段风险网络（已精简）
图5是经过滤后的关联网络。

图中，正方形代表银行，三角形代表金融科技，圆形代表证券；连线的粗细深浅代表风险传染的强度，箭头代表传染方向。

观察发现，风险积累和爆发阶段的跨部门风险传染更为紧密，金融危机的到来会增加部门间的尾部相依性；而在风险积累前期及市场严监管等平稳阶段，银行部门的网络相对稀疏。

为更准确地表现特征，本文对连线进行了统计。

表6的统计数值表明：（1）风险积累阶段跨部门风险传染效应上升。

跨部门连线占比是跨部门的连线个数占所有连线个数的比重，该数值从风险积累前期的18.12%上升至积累阶段的23.19%；跨部门权重占比是跨部门的连线权重占所有连线权重和的比重，该数值从风险积累前期的14.88%上升至积累阶段的18.75%。

（2）金融科技是跨部门风险传染的关键主体。

跨部门连线/权重中，金融科技占比远高于66.7%。

（3）风险来临时，金融科技部门风险传染由内向外偏移。

金融科技与其他部门产生的风险传染占金融科技所有风险传染的比例，由风险积累前期的25.26%升至积累与爆发阶段的39.40%和30.46%。

表6：内外部连接统计表
阶段风险积累前期风险积累阶段风险爆发阶段市场严监管跨部门连线占比18.12%23.19%18.12%19.81%
跨部门权重占比14.88%18.75%15.96%14.26%
跨部门连线中金融科技占比72.00%78.13%80.00%76.19%
跨部门权重中金融科技占比90.73%88.00%88.87%77.08%
金融科技部门内部权重占比74.74%60.60%69.54%75.48%
金融科技部门外部权重占比25.26%39.40%30.46%24.52%
本文以2015年7月13日至17日所在周为例，针对单一风险网络展开分析，将机构分为三类来衡量不同机构的风险传染差异：（1）风险输出者。

该类机构的风险输出强度显著高于输入强度，以向其他机构进行尾部风险传染为主，是监管当局的重点关注对象，例如C11、A5。

（2）风险接收者。

该类机构的风险输入强度显著高于风险输出强度，以接收其他机构的尾部风险传染为主，处于弱势方，在风险传染演化为系统性金融危机时，监管当局可辅助风险规避并进行定向支援，例如B1、A4等。

（3）双向传导者。

该类机构在市场上相对活跃，既传递风险又接收风险，增加了风险网络的复杂性，例如A8等。

图6为所有机构的风险传染数值，横轴代表风险输出强度，纵轴代表风险输入强度。

可发现，风险源为少量节点，大部分机构是风险接收者。

3.02.52.01.51.00.50.00.0
0.5 1.0
1.5
2.0 2.5
3.0
输入值输出值
图6：机构风险传染散点图
（三）风险预警：关键路径识别
数据驱动可促进监管的精准化与智能化。

基于本文的实证结果，提出风险关联路径识别机制，以辅助监管当局进行机构行为监管，且“太关联而不能倒”的思想符合风险管理理论。

具体识别机制为：在经阈值法过滤后的风险溢出网络中，若两家机构产生关联的次数连续超过八周，则进行风险路径监测。

识别风险溢出关键路径的作用在于，一方面，监管层可在微观层面上缩小监察范围，聚焦于对部分重点动向的监测；另一方面，也可引起机构主体对自身业务风险的重视与规避。

阈值计算方法为：设定阈值为T ，N 代表机构个数，Q 代表风险传染强度排名前N 名的强度集合。

（11）
为保持分析的一致性，本文仍以2015年7月13日至17日所在周为例，分析关键风险路径。

该阶段跨越了风险积累与爆发期（见表7）。

表7：2015年7月13日—17日风险传染关键路径
输出者接收者风险传染强度
所属细分行业B6B70.4107国有银行B6B150.4160国有银行B15B60.3313国有银行B11B120.4632地方股份制银行C16C40.4082中型券商A5A20.4998互联网保险A9
A8
0.4506
投资管理
通过观察可知：（1）主营业务、市值相近的机构，易产生较强的风险溢出效应。

例如B6与B15，同业拆借、贴现等资金往来，以及信贷、存款业务均受宏观市场的一致性影响。

（2）。