金融网络及传染对金融稳定的影响

巴曙松，左 伟，朱元倩

(1.中国科学技术大学管理学院，安徽 合肥 230027;2.国务院发展研究中心 金融研究所，北京 100010;3.中国银行业监督管理委员会 研究局，北京 100140)

随着全球化的趋势越来越明显，许多金融机构通过相互持有资产、资产价值相互关联等关系连接在一起，构成了大大小小的金融网络。许多经济金融学家开始利用生态系统、物理系统和社交系统等领域发展成熟的网络理论知识以及数学、工程学等研究工具，通过金融网络研究金融学和经济学中的一系列问题。其中研究较多的是关于金融机构破产导致的多米诺骨牌传染效应。早在1997年东南亚金融危机爆发之后，就有学者开始利用金融网络研究危机的传导机制。而随着网络理论、网络动态学以及图论等知识在其他领域的不断发展完善，人们有了更加多样化和深入化的工具对金融网络进行分析和学习。而近年来，CDS、CDO等许多金融衍生工具的引入使得整个金融系统变得更为复杂，全球化的发展进程也加剧了金融传染的发生;再加上2008年美国次贷危机引发的国际金融危机以及后续的欧债危机的陆续爆发，人们对于金融传染的危害性、研究金融网络的必要性有了更进一步的认识。所有这些因素，都使得金融网络的研究上了一个新的台阶。

近年来，利用网络研究金融传染的路径主要包括如下两种:一是微观层面的路径，利用风险管理、复杂网络和网络动态学等领域的理论知识，结合金融传染的发生机制、市场参与者的决策行为等，得出最优的金融网络应具有哪些重要微观特征，从而为金融体系及其结构的顶层设计给出设计蓝图;二是宏观层面的路径，研究金融网络的宏观拓扑结构，结合图论知识判断其属于哪一类网络宏观结构，在传染过程中起到怎么样的作用，从而对当前金融体系中的风险传染路径及其影响进行预测和估计。除了运用网络研究金融市场的传染问题之外，还有学者利用网络研究资产组合以提取相关性等重要信息，或者利用网络解决与之相关的一些难题，如最优化问题、动态均衡理论等。本文将对运用金融网络度量金融传染，并基于金融网络的相关理论解决金融稳定的研究进行回顾，从金融网络的角度给出提高金融体系稳定性的建议。

一、金融网络的概念及相关指标

所谓复杂网络，是指将一个系统内部的各个元素作为节点，节点之间通过边、并在一定的规则之下连接在一起所形成的网络。在现代金融系统中，银行以及对冲基金等金融机构作为节点，金融机构之间通过信用拆借、资产负债等关系作为边而相互连接所形成的价值网络，就叫做金融网络。与传统网络相类似，金融网络主要由节点和边构成。所不同的是，一方面，金融网络节点数通常很多，往往构成较为复杂的网络关系图;而另一方面，每条边度量的是两个相连节点之间的资产负债关系，边有时还具有方向性，一条从起始节点指向终了节点的带有箭头的边，通常意味着起始节点对终了节点存在负债关系。

1.金融网络的结构特征

金融网络的结构特征，主要反映了网络中各节点之间的连接方式以及节点在网络中的位置关系。金融网络的结构特征通常有群体结构(Community Structure)和层次结构(Hierarchy Structure)两种。群体结构是指由于各个节点连接的紧密程度不同，在金融网络中往往会形成几个不同的群体，群体内部的连接较为密集，而群体相互间的连接则相对要稀疏得多。类似现实的人际关系中，人们按照兴趣、职业和年龄等方面的不同而分为不同的群体。而层次结构则是指不同金融机构之间由于规模大小、信用拆借能力等不尽相同，因此在金融市场中所处地位不同，并呈现分层的结构特征。

2.刻画金融网络的三大指标

用来刻画金融网络特征的描述性指标主要包括以下三个:平均最短路径长度、聚类系数和节点的度。其中平均最短路径长度刻画了金融网络节点相互连接的紧密程度，平均最短路径长度越小，则节点之间连接紧密程度越高。两个节点间的最短路径，是指将这两个节点相连接的各条路径中，包含边数最小的那条路径。假设金融网络中有两个节点i、j(i、j=1，2…n;其中n为网络中的节点总数)，则这两个节点之间的距离dij为连接这两个节点的最短路径所包含的边的数目。而金融网络的平均最短路径长度L则定义为网络中任意两个节点之间距离的平均值，假设该银行网络中有n个节点，我们有:

聚类系数刻画了金融网络的结构特征，聚类系数越大，则金融网络越倾向于群体结构特征，层次结构越不明显。聚类系数可分为节点的聚类系数以及网络的聚类系数。假设金融网络中的一个节点i有ki条边和其他节点相连，在这ki个节点之间最多可能有 [ki(ki－1)/2]条边相互连接，我们定义节点i的聚类系数Ci为这ki个节点之间实际存在的边数Ei和最多可能边数 [ki(ki－1)/2]之比，即:

对所有节点i的聚类系数Ci取均值即可得到整个金融网络的聚类系数C。

节点的度刻画的是该节点的重要性，一个节点的度越大，就意味着该节点与其他节点的连接越多，该节点越重要。与某个节点i相连接的其他节点的数目称为节点i的度ki，金融网络中所有节点的度的平均值被称为金融网络的平均度。而节点的度分布P(k)(k取自然数)则是指金融网络中度为k的节点占所有节点数的比例，即随机选取一个节点，该节点的度为k的概率。

3.金融网络的宏观拓扑结构

在现代图论理论中，网络的宏观拓扑结构通常包括如下四种:规则网络、随机网络、小世界网络以及无标度(Scale－Free)网络。其中规则网络和随机网络是两种网络理论研究中较为极端的特例，而现实的金融网络多具有小世界网络和无标度网络的特征。金融网络结构比较如图1所示。

图1 金融网络结构的比较

规则网络是学者们假设的最简单的网络模型，其每个节点都具有相同的度k。20世纪50年代末Erdos和Rényi提出的随机网络模型，其每个节点都以相同的连接概率p与其他节点连接。虽然规则网络和随机网络具有容易模拟并进行相关分析的特征，但其并不能很好地刻画现实世界的网络结构。实证结果表明，大多数的真实网络具有较小的平均最短路径长度和较大的聚类系数，据此Watts和Strogatz于1998年提出了小世界网络模型[1]。

小世界网络模型介于规则网络和随机网络之间，通过将规则网络中的每条边以一个给定的概率p连接到一个新节点上构造而成，其最显著的特点就是同时具有较小的平均最短路径长度和较大的聚类系数。尽管小世界网络能很好地刻画真实网络的平均最短路径长度及聚类系数的特点，但是其节点的度分布仍然服从泊松分布。实证结果表明，大多数真实网络的节点度分布用幂律分布进行描述更为准确。Barabási和Albert把这种度分布服从幂律分布的复杂网络称为无标度网络，并提出了著名的BA模型以解释无标度网络的形成机制[2]。

四类网络模型的三大指标具有不同的特点，其中小世界网络的随机性介于规则网络和随机网络之间，但具有聚类系数较大、路径较小的特点，这些不同的结构特征也决定了它们在金融危机爆发时完全不同的传染路径。从表1可以看出，在现实金融网络通常表现出的小世界网络中，危机传染的速度远比随机网络更快，而在无标度网络中，其中中心节点(在金融网络中通常体现为大而不倒机构)对于金融网络的风险传染更是起到了非常重要的作用。

表1 金融网络结构的指标及传染性比较

二、金融传染的概念及其度量

随着金融全球化进程加快和金融体系的愈加复杂，金融传染的危害性也日益增加。与此同时，网络理论的研究方法和研究工具都得到了很大的发展，其在生态学、物理学和社会学中的应用也日趋成熟。因此，经济学家借鉴了网络理论在其他领域的研究思路和方法，希望运用金融网络研究如何防止金融传染的发生。金融危机的传染机制决定了危机爆发时其在金融体系间的传导方式和速度，不同构造的金融网络在传导危机时所起的作用也会不一样。一般以资产损失大小作为衡量金融传染的危害程度的标准。

1.金融传染的发生机制

目前的研究文献，主要从金融机构间的直接传染与间接传染这两种作用机制入手进行阐述。金融机构间的直接传染，主要是指一旦某个金融机构破产，与该金融机构存在直接连接关系的其他金融机构将遭遇债务违约损失，从而导致破产危机的进一步蔓延。而间接传染则包括除了直接传染之外的其他传染机制，主要由于市场信心的缺失和资产价格的螺旋下降等因素造成的。

金融机构之间通过支付系统以及各种各样的头寸(例如直接贷款、衍生产品和回购协议等)构成直接连接。较常见的直接传染机制由Kiyotaki和Moore提出，他们认为，一旦某个金融机构违约或延期支付债务，由此产生的损失超过一定限额时就会导致其债权机构破产，类似的破产一旦蔓延有可能最终引发系统性崩溃[3]。在直接传染的度量中，金融网络的结构特征至关重要，聚类系数较大、平均路径较短的网络往往产生的直接传染更迅速，关联性更强。

间接传染的形成机制则更复杂，早期的研究主要考虑投资者的恐慌情绪的蔓延。Diamond和Dybvig提出，当某个银行遭到存款者的挤兑而破产时，恐慌的情绪很可能使得挤兑蔓延到整个银行系统，从而使那些本来具有偿付能力的银行也出现破产[4]。

而近些年的研究对象主要集中于传染对于资产价格的影响。Giesecke和Weber认为，由于各个金融机构面对共同的基本面因素(如资产的价格，产品供给与需求等)，因此，如果破产的金融机构规模大到足以影响资产价格以及产品供求关系等因素时，这些因素的恶化将会使得其他机构的资产价值下降，从而使得传染蔓延[5]。Kodres和Pritsker则从投资者的角度考虑传染对资产的贬值作用。他们提出了“跨市场的投资再平衡效应”，这种效应是指一旦某个市场受到外部冲击，投资者会最优化地调整他在其他市场上的投资组合[6]。Kodres和Pritsker认为，投资者在调整投资组合的同时会把冲击转移到其他市场上，造成其他市场的资产价值下降，从而使得危机蔓延。他们发现，该种传染主要取决于市场对于资产价格的敏感程度，以及在各个市场上信息不对称的程度。

2.金融传染导致的资产损失

通常认为，金融传染是发生的概率较小、但造成的损失较为严重的事件。在衡量金融传染所带来的资产损失的研究中，部分学者对损失函数的性质进行了研究，希望能更精确地估计损失大小;也有部分学者通过实证分析直接估算传染所造成的具体损失大小。

Elsinger等主要研究了损失函数的统计特征，通过对奥地利银行系统的实证分析发现，该体系传染的概率较小但影响较大，只有6%的破产事件是由于传染效应造成的，因此损失函数的一个重要的统计特征是它服从薄尾分布[7]。而它的另一个统计特征则是服从正态分布，研究发现，经济基本因素的波动大小决定了损失的均值，波动越大则损失越大;而公司之间连接的紧密程度决定了损失在均值附近的波动程度，连接越紧则损失波动越大[5]。在Elsinger和Giesecke的研究基础上，Eisenberg和Noe给出了一种能够衡量金融传染损失大小的算法，该算法给出了某个给定金融机构对于其他机构的风险暴露，一旦该金融机构出现违约，我们可以通过该算法得到其他机构遭受的损失[8]。

估计金融传染所造成的损失还有其他一些途径。Upper和Worms运用最大熵方法得到了非常细化的估测数据并实证分析了德国银行系统，发现单一银行的破产最高能造成银行系统总资产15%的损失[9]。也有学者对这一损失程度提出异议，Angelini等并没有利用最大熵方法进行数据估计，而是模拟一家银行破产时对整个系统带来的冲击。他们对意大利银行间市场网络的实证分析发现:由于金融传染所造成的资产损失只有每日货币流动量的3%。这个结果显示传染的影响偏小，Angelini等认为这是由于意大利银行系统的资金流动量较小以及银行网络的结构性差异所造成的[10]。

事实上，对于金融危机的预测离不开金融传染及其导致资产损失的估计，然而无论是上述何种研究都离不开对金融网络的构建和金融传染的假设与模拟。因此，对于金融网络结构的认识和传染性的度量就显得异常重要。

三、金融网络的最优微观特征

目前，学者们在对金融网络的研究中，一方面从理论入手，研究什么样的微观特征的金融网络具有较高的稳定性;另一方面则从实际入手，研究现实中的金融网络具有什么样的微观特征和宏观结构，从而结合理论研究的成果对现实金融网络的稳定性实现判断。

关于金融网络最优微观结构的研究，主要是运用风险管理、复杂网络和网络动态学等领域的知识，并结合金融传染发生的机制、市场参与者的博弈决策行为等，定性或者定量地得出最优的金融网络应具有哪些重要的微观特征。该领域的早期研究主要考虑的是外部冲击的发生机制，并且研究主体多为银行系统;而随着复杂网络理论知识在统计物理学、生态学和社会学等学科应用的日趋成熟，许多学者开始借助于复杂网络来研究，研究主体也逐渐扩大到其他金融系统。近年来，对于金融网络的研究热情逐渐高涨，网络动态学、统计学等作为研究工具均从不同的角度对最优金融网络的微观结构进行了深入的分析，得到了相同或相似的研究成果。

1.基于外部冲击发生机制的研究方法

由于外部冲击主要通过金融机构之间的连接而传导风险，因此，基于外部冲击的发生机制进行的研究多关注的是银行系统内各银行间的连接方式以及连接的紧密程度。Allen和Gale于2000年发表的文章是该方面研究的基石。他们基于Diamond和Dybvig所建立的D－D模型[4]，假设(完全信息条件下)流动性冲击来自存款者取款时间的不确定性，通过一个包括四个银行的模型证明了传染的蔓延主要取决于银行间的连接类型。当网络是完全连接的(如图2所示)，即每个银行都与其他银行连接在一起，使得某个银行的负债几乎完全均匀地分布在其他银行时，冲击的效果会被很好的淡化。然而，当网络是不完全连接的(如图3所示)，即每个银行只和一部分银行有负债关系，系统会变得较脆弱[11]。从图2可见，Allen和Gale提出的“完全连接”的网络正是拥有四个节点的规则网络。

图2 完全连接的网络

图3 不完全连接的网络

完全连接网络的提出，很好地解决了“怎样的连接方式最优”这个问题;而“怎样的连接紧密程度最优”，则由Freixas等率先给出答案，他们的研究同样基于外部冲击的发生机制。

Freixas等的研究模型与Allen和Gale相似，但是他们假设流动性冲击并不来自于存款者取款时间的不确定性，而是来自于存款者取款地点的不确定性。他们认为高度连接的银行间市场，虽然降低了持有流动性资产的成本，但同时也产生了低效率和不稳定性:虽然银行间市场提供的流动性保险可以帮助银行抵消债务，但是这种系统稳定性是以这个资不抵债的银行继续运营为代价，这破坏了市场法则，最终系统很有可能因承受了过多的不良债务而崩溃[12]。因此，过高的连接程度损害了系统的稳定性，最优金融网络需要适当偏大的最短路径长度。

同样是在D－D模型的基础上，Brusco和Castiglionesi建立一个包括四个银行的模型，他们的研究支持了Freixas等的结论:银行间更紧密的连接会增加传染的风险，这是因为银行间互助系统所提供的后盾支持可能会使得某些银行做出更鲁莽的投资，从而增大系统风险;并且，如果连接过于紧密的话，某家银行的破产会导致传染的范围变广[13]。

2.基于复杂网络的研究方法

复杂网络理论在2000年左右逐渐成熟，其应用领域也从物理学、信息学逐渐扩大到生态学、社会学等多个学科。通过复杂网络理论对金融网络结构进行分析，尽管不能做出对金融机构行为的动态分析，但是它可以反映出金融网络的构建过程，并能与现实世界的网络相匹配，具有非常重要的现实指导作用。该领域具有代表性的是Gai和Kapadia于2010年所做出的研究工作。

Gai和Kapadia[14]借鉴Strogatz以及Newman研究复杂网络的数学方法，通过模拟金融网络的形成过程而建立了一个能分析传染效应、并适用于现实世界中不同类型金融网络的模型。他们的分析结果与Brusco和Castiglionesi以及Freixas等得出的结果一样，即最短路径长度应适当偏长。他们认为，连接程度和风险分担程度越高，传染的概率越低;但一旦发生传染，影响范围将更广，从而极大地损害系统稳定性。在设计最优网络结构时，对连接程度和风险分担程度的选择，实质上是对传染概率及影响范围的一个权衡取舍。

3.基于网络动态学的研究方法

网络动态学，主要通过分析行为人的决策心理并建立动态模型，研究由于时间、空间及环境等动态变化所造成的行为人的决策变化及网络结构的演变过程。复杂网络理论的研究缺陷主要在于无法模拟出金融网络的动态变化，而面对复杂的金融市场变化，金融机构的动态决策行为对于金融传染过程显然是至关重要的。因此，一些学者开始运用网络动态学的研究成果，对金融机构的这些动态变化加以研究，并用图像表示出外部冲击以及传染蔓延的动态过程，通过分析复杂的决策行为来了解网络的形成机制和过程，从而设计出最优网络结构。

Goyal和Vega－Redondo是较早运用网络动态学对金融网络进行研究的学者[15]。他们在2004年发表的文章支持了Allen和Gale以及Freixas等的研究结论。他们认为，两方建立债务关系的过程就是一个博弈以达到最优均衡的过程，而整个关系网络的建立正是许多债务关系的动态建立过程;两方建立债务关系，就是在风险及收益之间选取一个最优纳什均衡点的动态博弈。根据这个网络构建模型，Goyal和Vega-Redondo在考察了不同的连接方式、连接费用以及不同的相互作用模式对风险传染起到的作用之后，得出结论:“完全连接”模式(即规则网络)与较长的最小路径长度可以有效地减小金融风险的传染。

4.基于运筹法的最优微观结构判断

定量分析的研究目前相对偏少，研究方法也多为运用运筹学方法解决最优化问题，Leitner在2005年给出的“每个小群体的最优节点数量”在这方面具有重要的代表意义。Leitner建立了一个不仅能相互传染、也能相互救助的金融网络，流动性较好的银行会因为担心受到传染而救助流动性不足的银行。该模型说明银行间的相互连接对于减少破产危机的发生具有重要意义，因为它们允许银行间相互救助;然而整个网络也可能因为过度连接而在某些情况下(如当流动性限制在一小部分银行中时)出现传染蔓延并最终崩溃。基于对网络连接带来的好处(允许银行相互救助)以及坏处(危机可能蔓延)的取舍，Leitner运用运筹学知识，通过求解一个带有约束的规划问题给出了最优金融网络的规模——每个小群体内的最优节点数量为5[16]。

5.其他研究方法

还有学者通过统计学和传染病学等其他理论工具，对金融网络的最优微观特征的研究做出了贡献。Gai等利用传染病学以及统计物理学的知识，与其他学者再次对金融网络的最优微观特征问题进行了研究。在仍然坚持“最优网络结构具有适当偏长的最小路径长度特征”的同时，Gai等又得出了“复杂度较低也是最优网络结构的重要特点”的结论[17]。Iori等利用统计学方法研究单个银行的风险与整个银行间市场相互作用的动态过程发现，较低的聚类系数可以有效提升金融网络的稳定性[18]。这与Simon在1962年所著的“The Architecture of Complexity”中的观点相吻合:在复杂系统中，只有最简单的层次结构才是最优的。Iori认为，银行间拆借虽然降低了单个银行的破产概率，但也增加了整个系统崩溃的机会。当银行间网络的聚类系数较高，即系统内的银行都是同种类型时，系统崩溃发生的可能性比较大;而当聚类系数较低，即银行的类型不相同时，崩溃发生的可能性就会降低。较低的聚类系数可以有效提升金融网络的稳定性[18]。也有学者把金融网络与其他网络系统(如生态网络系统)进行类比。Haldane和May所做的这方面研究支持了Gai等的关于“最优网络结构的复杂度较低”的结论。在经过对生态系统的食物链以及金融网络的对比分析之后，他们认为金融系统和生态系统一样，复杂程度越高，整个网络的稳定性就越差[19]。

尽管所用的研究方法各不相同，但是目前所得到的关于最优金融网络的微观特征的结论非常相似。总的来说，具有“完全连接”、较低的复杂程度、适当偏长的平均最短路径长度以及较小的聚类系数是最优网络结构的几个主要特征。Nier等对金融网络的特征做了较为完整的界定。他们利用网络理论知识，认为银行体系网络结构的关键参数一共有四个:银行的资本化水平，网络的连接程度，银行间的借贷规模，银行系统的集中程度。他们通过建立银行网络系统并加以模拟的方法得出结论:资本化水平越高、借贷规模越低、集中程度越低，则银行系统的稳定性越高;而连接程度则与稳定性呈非线性关系，当连接程度超过阈值之后，连接程度越高，稳定性越低[20]。

四、金融网络的最优宏观结构

基于描述金融网络的三大基本指标，上文总结了前人对于较为稳定的金融网络应该具有的指标特征。基于这些基本的指标，整个金融网络将会呈现一定的宏观结构，如前文指出的小世界网络和无标度网络。这些基于多个基本指标共同呈现出的复杂的拓扑结构，构建出了金融网络的整个宏观拓扑结构，结合图论知识不仅能判断某一现实生活中的网络属于哪一类网络宏观结构，同时能够对其在传染过程中所起到的作用做出一定的判断。

Watts和Strogatz与Barabási和Albert相继于1998、1999年提出了“小世界网络”模型以及“无标度网络”模型，这标志着复杂网络理论的逐渐成熟。许多学者开始以这两个模型为衡量标准，通过实证结合统计分析等方法来研究现实中的金融网络所具有的宏观结构特征，并结合复杂网络理论探讨如何设计宏观网络结构才能更有效地防止金融传染。目前大多数研究都表明，金融网络兼具小世界网络以及无标度网络的某些特征，这些特征显著地影响着危机的传染过程。

金融网络最典型的宏观拓扑结构特征之一，就是平均最短路径长度较短，这正是小世界网络所独有的典型特征，这已经被包括Soramaki等和Boss等许多学者所证实。Soramaki等利用复杂网络方法分析了美国商业银行的银行间支付系统网络的拓扑结构以及与网络稳定性相关的性质，发现该银行间网络具有较小的平均路径长度[21]。Boss等对奥地利银行间市场进行实证研究后也认为，奥地利银行间网络的平均路径长度较小。Boss等还得出了另外一个结论:银行间网络的聚类系数较小。他们认为，因为银行之间保持连接需要一定的费用，所以当两个较小的银行都与一家较大的银行存在价值关系时，这两家小银行之间没有互相连接的动力[22]。

金融网络还体现了无标度网络的两个重要特征:节点度分布服从幂律分布以及中心节点的存在。Soramaki等的研究证实，美国商业银行的银行间支付网络的节点度分布服从幂律分布，同时该银行间网络还包括一些节点度数很高的“中心型”(Hub)银行[21]。Iori等则运用复杂网络的统计分析方法，对意大利银行的隔夜拆借市场的网络结构进行了分析，发现节点的度分布服从一个比随机网络更为厚尾的分布[18]。这也意味着，存在数量很少的几家较大的银行，与非常多的小额贷款者保持债务关系，这些规模较大、节点度较高的银行就是典型的中心节点。更进一步地，Boss等不仅证明了奥地利银行间的节点度分布服从幂律分布，他们还精确地计算出该银行间网络分段服从的幂指数分别为0.62 和 2.01[22]。

金融网络的这些宏观特征对于分析金融系统的传染性是非常重要的。Albert等在2000年的研究表明，当中心节点受到冲击时，无标度网络将会变得特别脆弱，且很容易造成传染蔓延。尽管小世界网络在单个小型金融机构破产时有很强的稳定性，但是，一旦少数节点度数较高，也就是负债规模较大的(中心节点)银行破产时，银行系统受到的冲击将会很大。

金融系统的这种风险特点也与损失函数服从薄尾分布的特性相吻合，当发生危机的是一般的小型金融机构时，金融系统拥有较强的自我修复能力;但是一旦关键的大型金融机构(中心节点)发生流动性危机时，金融系统将会变得非常脆弱，从而极有可能造成金融传染的蔓延以及严重的资产损失。

五、金融网络研究中亟待解决的难题

金融网络中存在数量众多的节点以及纷繁复杂的连接关系，这使得要构造一个完整的金融网络就需要大量的数据，然而，金融机构之间较为可靠的借贷关系数据是很难获得的。目前应对这个难题通常有两种方法:一是只研究信息完全的那一部分金融网络。这种方法的缺点在于“以偏概全”，把局部网络所具有的特征当做整个金融网络的特征。例如，Furfine只采用联邦储备市场的数据(该市场仅占整个银行间市场的10%—20%)，造成最后所得结果与其他学者的研究结论存在差异，低估了金融传染的危害性[23]。二是用某些合理的假设和方法去估计数据。目前大部分文献使用最大熵估计方法，但最大熵估计方法的缺陷主要在于，在满足特定的约束之下它假设金融机构之间的借贷是均匀分布的，这显然与事实不太相符。Mistrulli分别用最大熵方法和基于完全数据的方法对同一市场做了分析，研究发现，最大熵估计方法可能会高估传染的扩散范围，从而造成对传染损失的错误估计[24]。这两位学者的研究表明，两种方法都存在一定的缺陷。如果能将这两种方法有机地结合，或者运用创新的研究工具解决金融网络数据获取难题，我们将能构造更为真实、更为完善的金融网络。

另一个难题则是如何将宏微观的研究方法相结合。微观方法能清晰直观地解释网络的连接方式以及传染的传导过程，但是其对于网络宏观结构的假设过于简单，也无法在整体上把握金融传染特征;而宏观方法虽然能较好地解释金融网络的拓扑性质，但很难对金融机构的决策行为做出分析，也很难把握金融网络的动态变化。

若能将宏微观分析方法相结合，则可以对金融网络的形成过程、传染特点等都得到更为清晰、更为全面的认识。Schweitzer等认为，这需要从五个方面做出更大的突破:大数据量的分析，即分析金融网络中每一节点的动态发展过程，这对编程计算能力提出了更高的要求;把研究扩展到更广的时间和空间上，动态分析整个冲击以及传染过程在时间、空间上的变化，即我们需要进一步发展网络动态学;更精确地界定网络结构，并引入一些全新的概念，例如描述性指标的复合指标(如网络的k－核结构、支配力等)，还有银行网络的Motif结构等，以使得对金融网络的描述更加细致;修改某些外生假定以得到更加贴近现实的模型，例如取消对资金流动范围的限制并允许金融传染在全球范围内发生;借助于系统工程学的稳定性研究，通过建立反馈机制考察金融网络的稳定性[25]。

综上，从金融网络的宏微观结构特征来看，最优金融网络具有完全连接、较低的复杂程度、适当偏长的最小路径长度以及较小的聚类系数等几个主要的微观特征。而现实中的金融网络通常具有小世界网络以及无标度网络的典型特点。要想防止金融传染，我们应该设计一个具有“完全连接”、较低的复杂程度、适当偏长的平均最短路径长度以及较小的聚类系数等微观特征的金融网络，同时必须提高对金融网络中中心节点的监测和救助。

[1]Watts，D.J.，Strogatz，S.H.Collective Dynamics of“Small－World”Networks[J].Nature，1998，393(6684):440－442.

[2]Barabási，A.L.，Albert，R.Emergence of Scaling in Random Networks[J].Science，1999，286(5439):508－512.

[3]Kiyotaki，N.，Moore，J.Balance－Sheet Contagion[J].The American Economic Review，2002，92(2):46－50.

[4]Diamond，D.W.，Dybvig，P.H.Bank Runs，Deposit Insurance and Liquidity[J].Journal of Political Economy，1983，91(3):401－419.

[5]Giesecke，K.，Weber，S.Cyclical Correlations，Credit Contagion，and Portfolio Losses[J].Journal of Banking and Finance，2004，28(12):3009－3036.

[6]Kodres，L.E.，Pritsker，M.A.Rational Expectations Model of Financial Contagion[J].The Journal of Finance，2002，57(2):769－799.

[7]Elsinger，H.，Lehar，A.，Summer，H.Risk Assessment for Banking Systems[J].Management Science，2006，52(9):1301－1314.

[8]Eisenberg，L.，Noe，T.Systemic Risk in Financial Systems[J].Management Science，2001，47(2):236－249.

[9]Upper，C.，Worms，A.Estimating Bilateral Exposures in the German Interbank Market:Is there a Danger of Contagion[J].European Economic Review，2004，48(4):827－849.

[10]Angelini，P.，Maresca，G.，Russo，D.Systemic Risk in the Netting System[J].Journal of Banking ＆ Finance，1996，20(5):853－868.

[11]Allen，F.，Gale，D.Financial Contagion[J].Journal of Political Economy，2000，108(1):1－33.

[12]Freixas，X.，Parigi，B.，Rochet，J.C.Systemic Risk，Interbank Relations and Liquidity Provision by the Central Bank[J].Journal of Money，Credit and Banking，2000，32(3):611－638.

[13]Brusco，S.，Castiglionesi，F.Liquidity Coinsurance，Moral Hazard and Financial Contagion[J].Journal of Finance，2007，62(5):2275－2302.

[14]Gai，P.，Kapadia，S.Contagion in Financial Networks[J].Proceedings of the Royal Society A，2010，466(2120):2401－2423.

[15]Goyal，S.，Vega－Redondo，F.Network Formation and Social Coordination[J].Games and Economic Behavior，2005，50(2):178－207.

[16]Leitner，Y.Financial Networks:Contagion，Commitment，and Private Sector Bailouts[J].The Journal of Finance，2005，60(6):2925－2953.

[17]Gai，P.，Haldane，A.，Kapadia，S.Complexity，Concentration and Contagion[J].Journal of Monetary Economics，2011，58(5):453－470.

[18]Iori，G.，Jafarey，S.，Padilla，F.G.Systemic Risk on the Interbank Market[J].Journal of Economic Behavior＆ Organization，2006，61(4):525－542.

[19]Haldane，A.G.，May，R.M.Systemic Risk in Banking Ecosystems[J].Nature，2011，469(7330):351－355.

[20]Nier，E.，Yang，J.，Yorulmazer，T.，Alentorn，A.Network Models and Financial Stability[J].Journal of Economic Dynamics＆ Control，2007，31(6):2033－2060.

[21]Soramaki，K.，Bech，M.L.，Arnold，J.，Glass，R.J.，Beyeler，W.E.The Topology of Interbank Payment Flows[J].Physica A，2007，379(1):317－333.

[22]Boss，M.，Elsinger，H.，Summer，M.，Thurner，S.Network Topology of the Interbank Market[J].Quantitative Finance，2004，4(6):677－684.

[23]Furfine，C.H.Interbank Exposures:Quantifying the Risk of Contagion[J].Journal of Money，Credit and Banking，2003，35(1):111－128.

[24]Mistrulli，P.Assessing Financial Contagion in the Interbank Market:Maximum Entropy versus Observed Interbank Lending Patterns[J].Journal of Banking ＆ Finance，2005，35(5):1114－1127.

[25]Schweitzer，F.，Fagiolo，G.，Sornette，D.，Vega－Redondo，F.，Vespignani，A.，White，D.R.Economic Networks:The New Challenges[J].Science，2009，325(5939):422－425.