本文介绍了由集智俱乐部发起的“金融复杂性”主题读书会，旨在探讨金融复杂系统的理论基础、量化识别方法、生成演化机制及风险治理路径。读书会将由多位专家学者主讲，涵盖金融复杂性研究的历史、方法论、前沿热点及应用，帮助参与者深入理解金融系统的复杂性和不确定性，提升金融体系的稳健性与韧性。

📚 金融复杂性研究的历史发展：从20世纪90年代圣塔菲研究所的复杂适应系统框架，到21世纪牛津物理学家Neil F. Johnson将股票、外汇、衍生品等市场整体性行为定义为“金融复杂性”，并推动宏观审慎监管纳入复杂性工具，展现了该领域从概念探索到跨学科研究的演进过程。

🔍 金融复杂性的量化识别：文章详细介绍了金融系统风险的测度方法，从早期单一变量的代理指标，到基于横截面信息差异性的测度、基于各类媒体信息的关键词度量，以及大数据环境下的误差测度，再到以VaR、ES、CoVaR、MES、SRISK为代表的系统性风险指标，体现了风险度量方法的不断演进和跨学科融合。

🌐 金融复杂性的网络分析：文章探讨了金融系统中的网络结构及其对风险传播的影响，以全球主权债务风险网络为例，分析了主权债务风险的传染机制、演化规律与防控策略，并介绍了高维向量自回归(HD-VAR)、分位数连通性分析、非线性平滑转换向量自回归(STVAR)等研究方法。

🌀 金融系统的结构性突变：文章指出金融市场频繁发生结构性突变，传统计量经济模型难以捕捉其复杂动力学机制，因此需要引入非线性动力学方法，以更有效地检测金融系统中的结构性突变点，并对相关研究综述和方法进行了介绍。

🏢 金融市场生态：文章介绍了J. Doyne Farmer的“市场生态理论”，将金融市场视为一个由多样化交易策略相互竞争和共存所构成的复杂适应系统，认为市场效率、价格波动等宏观特征是微观主体行为集体互动的产物，为理解金融市场中的创新扩散、策略演化、系统性风险和突发性崩溃提供了新的分析框架。

2025-07-15 21:59 北京

2025年8月4日起，每周一晚共探金融复杂性

读书会背景

金融复杂性是复杂科学在金融系统中的落地和深化。20世纪90年代，圣塔菲研究所以“复杂适应系统”为核心框架，采用大量异质主体交互的动态网络进行经济研究。W. Brian Arthur 等人在人工股票市场实验中发现，资产价格波动可以由交易者间的自适应学习与反馈循环进行有效模拟，实现了首次将金融市场纳入复杂性科学的视域。

进入21世纪后，牛津物理学家Neil F. Johnson在专著《Financial Market Complexity》（2003）中正式将股票、外汇、衍生品等市场整体性行为定义为“金融复杂性”，并给出了波动集聚、肥尾分布、极端事件频现等统计事实的复杂系统解释，标志着金融复杂性成为金融学中的独立研究领域。金融复杂性的研究也从“能否复制统计事实”发展到“刻画系统性风险”，从Philip Z. Maymin设计极简模型，用128位元胞自动机规则复现收益率尖峰与波动集聚等统计事实，到Haldane & May将银行同业拆借网络比作生态系统，揭示网络连通度与银行系统脆弱性的内在关联，推动宏观审慎监管纳入复杂性工具。近年来BIS、IMF及多国央行将复杂网络压力测试、相变预警指标等纳入系统性风险监测与治理，对跨市场传染、闪电崩盘与气候冲击的传播路径进行情景分析。

金融复杂性已从早期的概念探索演进为涵盖理论建模、数据度量与政策实践的跨学科研究前沿。其核心洞见在于：金融系统的宏观行为是众多异质主体在非线性网络中交互的涌现结果，无法被线性、均衡假设完全和准确刻画。理解并管理这种涌现，需要使用基于复杂性理论、网络理论和信息论的工具，来补充现有经典的经济建模方法，增进对金融系统的复杂性和不确定性的理解，改善风险管理并支持更为稳健的决策。

读书会介绍

在气候风险升级、中美贸易摩擦反复与俄乌冲突持续等多重不确定性交织下，全球金融体系呈现前所未有的高度复杂性，为系统探讨金融复杂系统的理论基础、量化识别方法、生成演化机理及风险治理路径，集智俱乐部联合北京师范大学李红刚教授、爱尔兰都柏林圣三一学院Brain Lucey教授、中国地质大学（北京）黄书培副教授、首都师范大学王泽讲师、北京林业大学幸小云副教授与北京化工大学王欣雅副教授，共同发起“金融复杂性”主题读书会，来深入探索金融复杂系统的有效建模方法与管理策略，助力在高不确定性时代提升金融体系的稳健性与韧性。

读书会框架

发起人团队

李红刚，北京师范大学系统科学学院教授，文理学院系统科学系（珠海校区）主任，金融工程研究中心主任，教育部新世纪优秀人才支持计划入选者。拥有北京师范大学系统科学博士学位，长期从事复杂系统理论及其在经济金融领域的应用研究，特别专注于经济金融系统复杂性、多主体计算金融、金融风险管理以及公共管理与社会治理等方向，积极推动系统科学与金融工程、经济学及社会治理的跨学科融合。教学涵盖系统科学导论、运筹学、系统工程、经济学、金融学、金融工程及风险管理等多个本科和研究生课程。

Brian Lucey，爱尔兰都柏林圣三一学院 (Trinity College Dublin) 金融学教授，目前担任SSCI期刊International Review of Economics and Finance，Journal of Economic Surveys主编，曾任SSCI期刊International Review of Financial Analysis，Finance Research Letters主编，INFINITI国际会议发起人及主席。Lucey教授的研究领域主要包括国际金融、资本结构、商品市场、投资行为等，在Journal of Banking and Finance、Journal of Corporate Finance, British Accounting Review等国际学术权威期刊上发表了200多篇高质量学术论文。在加入都柏林圣三一学院之前，Lucey教授曾担任爱尔兰中央银行经济学家和爱尔兰健康与儿童部的分析师，具有丰富的行业研究经历。

黄书培，中国地质大学（北京）副教授、博士生导师，研究兴趣：复杂系统风险管理、非线性动力学、能源与气候金融、博弈论。自2020年起担任4个国际期刊副主编和多个客座编辑，任SSCI期刊International Review of Financial Analysis副主编、SSCI期刊International Review of Economics & Finance副主编、Scopus期刊Journal of Climate Finance副主编、ESCI期刊Frontiers in Sustainable Cities副主编；在SSCI/SCI/ESCI期刊Entropy、Frontiers in Physics、Sustainable Futures、International Review of Financial Analysis等组织特刊，担任客座编辑。主持国家自然科学基金青年项目、教育部人文社科基金项目等10余项，作为项目主干参加国家自然科学基金重大项目、科技部重点研发计划、北京市社科重点决策项目、北京市自然科学基金青年/面上项目、北京市高等教育学会课题、教育部供需对接就业育人项目等30余项。在Economics Letters、Journal of International Money and Finance、International Review of Financial Analysis、Energy Economics、International Review of Economics & Finance、Finance Research Letters、Applied Energy、Energy Policy、Renewable & Sustainable Energy Reviews、Energy、中国管理科学、资源科学等国内外期刊发表论文50余篇。多项研究成果获得党和国家最高领导人、省部级领导批示，国家部委感谢信；在中央广播电台担任政策解读嘉宾，服务社会。

王泽，首都师范大学讲师，管理科学与工程博士，系统科学博士后，硕士研究生导师，北京市总体国家安全观研究中心特聘研究员，北京师范大学政府管理研究院特聘研究员。致力于从系统科学和网络科学的角度研究系统性风险的量化、预警和恢复等问题。主持国家自然科学基金青年项目，北京市社会科学基金规划项目，中国博士后科学基金面上项目各1项，参与国自然重点项目等国家级与省部级项目十余项。累计发表科研论文40余篇（SCI/SSCI论文35篇），Google学术引用800余次，H指数16，i10指数20。担任SCI期刊Frontiers in Physics客座编辑，兼任十余个国内外期刊匿名审稿人，研究成果多次在国内、国际重要学术会议上汇报。

幸小云，北京林业大学副教授，系统分析与集成博士，硕士研究生导师。主要研究领域为气候金融、宏观金融、金融风险等。近五年在《Applied Energy》《Energy》《Research in International Business and Finance》等SCI/SSCI收录期刊发表论文二十余篇。担任《Financial Innovation》《Energy Economics》《Ecological Economics》等国际期刊匿名审稿人。

王欣雅，北京化工大学副教授，硕士生导师，研究领域主要涉及金融市场、能源与气候金融、金融风险等。目前已在《Journal of International Money and Finance》、《Energy Economics》、《International Review of Financial Analysis》、《Journal of Commodity Markets》等期刊发表论文20余篇，其中以第一/通讯作者身份发表论文18篇；主持国家自然科学基金青年项目和中国博士后科学基金面上项目各1项；担任经济金融领域SSCI期刊《International Review of Economics & Finance》副主编、交叉领域SCI期刊《Entropy》客座主编、中文核心期刊《西部论坛》、ESCI期刊《Resources, Environment and Sustainability》青年编委、以及十余个国内外期刊审稿人。

报名参与读书会

运行模式

从2025年8月4日开始，每周一晚 19:00-21:00，持续时间预计10周左右，按读书会框架设计，每周进行线上会议，与主讲人等社区成员当面交流，会后可以获得视频回放持续学习。

报名方式

第一步：微信扫码填写报名信息。

扫码报名（可开发票）

第二步：填写信息后，付费报名。如需用支付宝支付，请在PC端进入读书会页面报名支付：

https://pattern.swarma.org/study_group/66?from=wechat

第三步：添加运营负责人微信，拉入对应主题的读书会社区（微信群）。

PS：为确保专业性和讨论的聚焦，本读书会谢绝脱离读书会主题和复杂科学问题本身的空泛的哲学和思辨式讨论；如果出现讨论内容不符合要求、经提醒无效者，会被移除群聊并对未参与部分退费。

加入社区后可以获得的资源：

完整权限，包括线上问答、录播回看、资料共享、社群交流、信息同步、共创任务获取积分等。

参与共创任务获取积分，共建学术社区：

读书会采用共学共研机制，成员通过内容共创获积分（字幕修改、读书会笔记、论文速递、公众号文章、集智百科、论文解读等共创任务），积分符合条件即可退费。

PS：具体参与方式可以加入读书会后查看对应的共创任务列表，领取任务，与运营负责人沟通详情，上述规则的最终解释权归集智俱乐部所有。

读书会阅读材料

阅读材料较长，为了更好的阅读体验，建议您前往集智斑图沉浸式阅读，并可收藏感兴趣的论文。

https://pattern.swarma.org/article/367

读书会阅读清单

模块一：金融复杂性理论基础与金融系统表征特征

1、金融系统的复杂性

金融系统，包括金融市场以及更大范畴包括金融机构、其他自然和社会因素的扩展金融系统，可以看作一个演化的复杂系统。如何研究这个典型的复杂系统是一个重要的课题。需要我们从各个角度去增进认知，包括了解复杂金融系统的典型特征；探讨涌现这些复杂现象背后的基本微观机制，特别是自组织机制；金融复杂性研究的历史渊源（如自组织理论、非线性经济动力学、复杂适应系统理论、网络科学等）以及主要范式；未来值得关注的研究方向和问题。

推荐阅读：

布莱恩•阿瑟，复杂经济学，浙江人民出版社，2018.

Hiroki Sayama, Introduction to the modeling and analysis of complex systems, Open SUNY Textbooks, Milne Library, 2015.

Andrew W. Lo, Ruixun Zhang, The adaptive markets hypothesis: An evolutionary approach to understanding financial system dynamics，Oxford University Press，2024.

Robert L. Axtell，J. Doyne Farmer，Agent-Based Modeling in Economics and Finance: Past, Present, and Future，Journal of Economic Literature, 2025, 63(1).

Rama Cont. Empirical properties of asset returns: stylized facts and statistical issues. Quantitative Finance. 2001(1).

David Colander, Hans Föllmer, Armin Haas, Michael Goldberg, Katarina Juselius, Alan Kirman, Thomas Lux, and Brigitte Sloth. The Financial Crisis and the Systemic Failure of Academic Economics. Kiel Working Papers. 2009(6).

Dirk Helbing, Alan Kirman. Rethinking economics using complexity theory. Real-World Economics Review. 2013(64).

Battiston, Stefano, et al. "Complexity theory and financial regulation." Science 351.6275 (2016): 818-819.

2、金融系统的表征与测度

金融系统风险来源：系统中的不确定性测度

金融系统风险的核心源头之一是普遍存在的不确定性，这种不确定性既内生于金融市场的非有效性、非遍历性与复杂层级结构中，也源于政策变动、地缘冲突等外生冲击。它们借助金融机构间的信贷关联、跨市场资金流动及金融工具嵌套形成的复杂网络扩散，在金融摩擦的 “放大器效应”、投资者情绪的从众传导等机制作用下，从局部市场的潜在波动演变为跨市场的连锁反应，且极易升级为威胁整个金融体系稳定的系统性风险。随着金融市场与宏观经济、政策环境等关联日益紧密，系统内外部交互渠道不断多元化，不确定性的测度方法持续演进，从早期单一变量的代理指标，逐步拓展至基于横截面信息差异性的测度、基于各类媒体信息的关键词度量，以及大数据环境下的误差测度。这一领域对于防范系统性风险具有重要价值，值得持续深耕探索。

推荐阅读：

Ludvigson, Sydney C., Sai Ma, and Serena Ng. "Uncertainty and business cycles: exogenous impulse or endogenous response?." American Economic Journal: Macroeconomics 13.4 (2021): 369-410.

黄卓, et al. "测量中国的金融不确定性——基于大数据的方法." 金融研究 461.11 (2018): 30-46.

Baker, Scott R., Nicholas Bloom, and Steven J. Davis. "Measuring economic policy uncertainty." The quarterly journal of economics 131.4 (2016): 1593-1636.

Jurado, Kyle, Sydney C. Ludvigson, and Serena Ng. "Measuring uncertainty." American Economic Review 105.3 (2015): 1177-1216.

Bloom, Nicholas. "The impact of uncertainty shocks." econometrica 77.3 (2009): 623-685.

金融风险测度

随着金融体系结构的日益复杂以及风险传导路径的多样化，金融风险测度方法亦不断演进。从最初聚焦于单一资产视角，逐步拓展至系统性、结构性、跨市场乃至环境风险等多重维度。尽管以VaR（Value at Risk）为代表的传统方法在实务操作中被广泛应用，但其在尾部风险识别、次可加性及风险度量函数凸性等方面存在固有局限，进而推动了以预期损失（Expected Shortfall, ES）为代表的符合一致性公理的风险度量方法的发展。随后，以 CoVaR、MES 及 SRISK 为代表的一系列系统性风险指标的提出，标志着风险度量方法从静态的个体风险评估迈向了动态的系统性风险识别阶段。这些方法共同构建了一个能够刻画金融机构风险在压力情景下向系统性资本缺口演化路径的测度框架，为宏观审慎监管提供了量化支持。近年来，该领域不断融合信息论、复杂网络与环境科学等交叉学科，涌现出基于熵的小波VaR估计、EV-Copula-CoVaR溢出模型，以及应对气候冲击的CRISK指标。这些方法不仅深化了金融风险度量的理论，也为应对多源风险提供了更精确的工具。该领域仍在不断发展，值得持续关注。

主题重点关注：

金融风险测度方法的数学机理

金融风险测度方法的演化

跨学科融合与新兴金融风险测度方法的创新

推荐阅读：

（1）重要综述及书籍

Abad P, Benito S, López C. A comprehensive review of Value at Risk methodologies[J]. The Spanish Review of Financial Economics, 2014, 12(1): 15-32. 文章综述了风险价值（VaR）估计方法的研究进展，分析了从传统方法到改进方法的优缺点。

Ellis S, Sharma S, Brzeszczyński J. Systemic risk measures and regulatory challenges[J]. Journal of Financial Stability, 2022, 61: 100960. 文章对4859篇文献摘要进行了系统性综述，共评估了2000年后提出的60种系统性风险测度方法，分析了它们的实际应用和模型缺陷。

Pacelli V. Systemic Risk and Complex Networks in Modern Financial Systems[M]. Springer Nature, 2025. 本书探讨了金融系统的复杂性如何影响系统性风险，分析了系统性风险的来源、传播机制、测量方法及其对经济的影响。同时，研究了金融机构之间的相互关联和溢出效应如何加剧风险传染。书中结合经济学、物理学、数学和法学等多学科视角，探讨如何更好地理解和预测系统性风险。

（2）金融风险测度经典文章

Acerbi C, Nordio C, Sirtori C. Expected shortfall as a tool for financial risk management[J]. 2001. 文章提出了预期损失（ES），并指出与风险价值（VaR）相比，ES由于满足次可加性等性质，在金融风险管理中更符合一致性风险度量标准。

Adrian T, Brunnermeier M K. CoVaR[R]. National Bureau of Economic Research, 2011. 定义了CoVaR为金融机构在困境状态下相对于其中位数状态对金融体系风险价值（VaR）的影响变化。

Tobias A, Brunnermeier M K. CoVaR[J]. The American Economic Review, 2016, 106(7): 1705. CoVaR进一步扩展，提出了系统性风险度量指标△CoVaR，衡量金融机构在困境条件下对整个金融体系风险价值（VaR）的影响，并进一步定义了单个机构对系统性风险的贡献。

Acharya V V, Pedersen L H, Philippon T, et al. Measuring systemic risk[J]. The Review of Financial Studies, 2017, 30(1): 2-47. 提出了一个经济模型来衡量系统性风险，定义了系统性预期不足（SES），并指出SES与机构杠杆及边际预期缺口（MES）密切相关。

Brownlees C T, Engle R. Volatility, correlation and tails for systemic risk measurement[J]. Available at SSRN, 2012, 1611229. 基于ES和MES（边际预期损失）的理念，文章提出了一种基于预期资本短缺和边际预期损失（MES）的系统性风险测度方法（SRISK），通过动态模型估计金融机构在市场大幅下跌时的资本缺口。

Acharya V, Engle R, Richardson M. Capital shortfall: A new approach to ranking and regulating systemic risks[J]. American Economic Review, 2012, 102(3): 59-64. 改进SRISK测度方法，通过估计金融机构在危机中的预期资本缺口（即SRISK）来识别系统重要性金融机构（SIFIs）。

Brownlees C, Engle R F. SRISK: A conditional capital shortfall measure of systemic risk[J]. The Review of Financial Studies, 2017, 30(1): 48-79. 进一步改进系统性风险度量指标SRISK，用于衡量金融机构在严重市场下跌情况下的资本缺口，综合考虑了机构规模、杠杆率和风险水平

（3）金融风险测度方法的拓展与交叉应用

He K, Wang L, Zou Y, et al. Value at risk estimation with entropy-based wavelet analysis in exchange markets[J]. Physica A: Statistical Mechanics and its Applications, 2014, 408: 62-71. 提出了一种基于熵的小波分析方法，该方法通过多尺度分析捕捉多维市场的动态相关性，并将信息熵作为衡量市场不确定性的关键指标，从而提升VaR在多尺度环境下的可靠性。

Billio, Monica, et al. An entropy-based early warning indicator for systemic risk. Journal of International Financial Markets, Institutions and Money 45 (2016): 42-59. 文章评估了熵在金融经济学中的应用，通过对多个金融资产的历史波动率和GARCH模型估计结果的比较，验证了熵在系统性风险预警中的有效性。

Zhao Y, Xu W. Measurement of risk spillover effect based on EV-Copula method[J]. Humanities and Social Sciences Communications, 2023, 10(1): 1-10. 文章构建了 EV-Copula-CoVaR 模型，用于研究中国碳交易市场对股票市场的风险溢出效应。

Jung H, Engle R F, Berner R. CRISK: measuring the climate risk exposure of the financial system[J]. Journal of Financial Economics, 2025, 171: 104076. 本文提出 CRISK 这一衡量银行在气候压力情景下预期资本短缺的指标。该指标借鉴SRISK框架，将环境风险引入系统性金融风险测度中，为绿色金融监管提供了量化工具。

模块二：金融复杂性产生与演化机制

1、复杂网络视角 | 全球主权债务风险网络：传染机制、演化规律与防控策略

主权债务风险传染系统由各国主权节点通过贸易、金融、地缘等多维连接构成复杂网络。各国主权债务存在债务可持续（稳定态）与危机爆发（失稳态）两种典型状态，而地缘冲突、政策转向等不确定性冲击推动网络越过临界点，触发主权风险跨国跨市场的传染效应。相关研究焦点包括全球主权信用违约互换(CDS)市场、主权债务风险跨国跨市场传染以及各国在风险传播中的角色与路径。研究方法包括高维向量自回归(HD-VAR)、分位数连通性分析、非线性平滑转换向量自回归(STVAR)等。核心研究问题围绕三个层面展开：一是主权债务风险的复杂性与风险传播机理；二是网络拓扑结构的特征及其在不同经济环境下的演化规律；三是外部主权债务风险的处置经验与建议。研究发现，全球主权CDS网络高度一体化且具有地理聚类特征，风险传染呈现显著的非线性和非对称性，在极端事件期间网络连通性急剧增强。该领域为理解全球金融风险复杂性提供了重要的分析框架，并为构建系统性风险监测预警体系、优化国际债务治理机制提供了科学依据。

主题重点关注：

主权债务风险的复杂性与风险传播机理

主权债务风险网络拓扑结构的特征与动态演化规律

主权债务风险的处置经验与建议

推荐阅读：

（1）重要综述

Understanding country risk assessment: a historical review. Xiaolei Sun, Qianqian Feng & Jianping Li, Applied Economics (2021) 综述了国家风险研究的起源、概念内涵，总结出国家风险分析的两个框架：宏观经济基础知识和基于市场信息的资产定价框架的多标准决策。

Sun, Xiaolei, Yiran Shen, and Guowen Li. "Sovereign debt and sovereign risk: A systematic review and meta-analysis 综述了主权风险研究四个核心领域：主权债务定价、主权债务违约、主权债务与金融市场间的传染以及主权评级及其影响。指出未来研究可关注不同宏观经济环境下的主权债务决定因素，以及气候变化与主权风险之间的关联等重点领域。

（2）主权风险相关要素识别

Klusak, Patrycja, et al. "Rising temperatures, falling ratings: The effect of climate change on sovereign creditworthiness." Management Science 69.12 (2023): 7468-749. 构建首个气候调整主权信用评级模型，通过机器学习模拟三种变暖情景下109国评级变化.

Fulop, Andras, and Zalan Kocsis. "News indices on country fundamentals." Journal of Banking & Finance 154 (2023): 106951 基于文本分析方法构建七类国家基础面新闻指数，比主流词典法更准确捕捉宏观意外事件，并提升和主权信用利差变化的可解释方差.

Deng, Minjie, and Chang Liu. "Sovereign risk and intangible investment." Journal of International Economics 152 (2024): 104009. 量化主权风险通过银行渠道导致企业减少无形资产投资并转向有形资产投资的行为.

Augustin, Patrick, et al. "How sovereign is sovereign credit risk? Global prices, local quantities." Journal of Monetary Economics 131 (2022): 92-111. 分析主权违约保险合同的影响因素，发现保险的价格波动以共同风险为主；数量的波动主要由国家特定因素解释。

Della Corte, Pasquale, et al. "Exchange rates and sovereign risk." Management Science 68.8 (2022): 5591-5617. 揭示主权风险是驱动汇率动态及货币风险溢价的根本性因素，构建了新的主权风险定价因子。

Bae, Joon Woo, and Redouane Elkamhi. "Global equity correlation in international markets." Management Science 67.11 (2021): 7262-7289. 实证揭示全球股票相关性在主权风险定价中的核心作用

Monfort, Alain, et al. "Affine modeling of credit risk, pricing of credit events, and contagion." Management Science 67.6 (2021): 3674-3693. 提出了一种离散时间的仿射信用风险模型，能够同时处理系统性风险、传染效应和信用事件定价，并应用于欧元区主权信用风险的定价分析。

周诚君、洪灿辉、汪浩.“构建主权债务重组的‘上海模式’”《管理世界》，第6期，2021年，第87-98页 在我国成为全球最大的官方债权人的背景下，指出全球主权债务违约风险的严峻，总结国际主流的债务重组模式和经验，提出构建主权债务违约解决机制的“上海模式”。

冯凯、王钊、李荣林. “中国对外援助与‘全球南方’主权债务变化：理论分析与经验证据”《世界经济》，第2期，2025年，第3-43页 基于政府负债行为理性假设，建立外部援助影响受援国主权债务变化的理论模型，实证析中国援助对受援国主权债务变化的影响与机制。

黄梅波、张宇宁、胡文瀚. “中国对非债权的风险及国际主权债务治理体系的构建”《国际金融研究》，第2期，2025年，第3-15页 分析非洲国家债务可持续性，总结主权债务重组及减免的中国实践经验，提出构建负责任的国际主权债务治理机制。

李雅茜、杨子晖、戴志颖. “区制转换下主权债务风险的非对称传染研究”《系统工程理论与实践》，第45卷，第5期，2025年5月，第1528-1552页 采用非线性平滑转换向量自回归模型分析16 个国家 (地区) 的主权债务风险传染关系，捕捉债务风险溢出效应的时变特征。

（3）主权风险网络构建

Bostanci, Gorkem, and Kamil Yilmaz. "How connected is the global sovereign credit risk network?." Journal of Banking & Finance 113 (2020): 105761. 将Elastic Net与Diebold-Yilmaz连通性框架结合，构建全球主权信用风险网络，动态追踪网络结构。

Le, Chau, David Dickinson, and Anh Le. "Sovereign risk spillovers: A network approach." Journal of Financial Stability 60 (2022): 101006. 运用高维VAR构建全球主权CDS风险溢出网络，揭示了区域经济特征和经济政策不确定性对网络连接强度的影响。

Greenwood-Nimmo, Matthew, Viet Hoang Nguyen, and Yongcheol Shin. "What is mine is yours: Sovereign risk transmission during the European debt crisis." Journal of Financial Stability 65 (2023): 101103. 结合核密度估计量化主权风险网络中双边溢出分布的动态特征.

Ando, Tomohiro, Matthew Greenwood-Nimmo, and Yongcheol Shin. "Quantile connectedness: modeling tail behavior in the topology of financial networks." Management Science 68.4 (2022): 2401-2431. 提出结合分位数回归与因子结构的向量自回归方法（QFVAR），揭示主权与金融部门在极端冲击下双向风险溢出的非对称增强效应

2、动力系统视角 | 金融系统结构性突变

随着全球金融体系演化，金融市场呈现出复杂性、非线性及不稳定性特征。近年来，金融市场频繁发生结构性突变，且这些突变具有突发性、不可逆性和复杂性特点。传统计量经济模型常因依赖于概率假设，难以捕捉金融系统突变的复杂动力学机制。因此，亟需引入非线性动力学方法，以更有效地检测金融系统中的结构性突变点。尽管非线性动力学方法在生态、气候等自然系统中的结构性突变点检测上已取得了显著进展，但在经济系统特别是金融系统中的应用仍面临诸多挑战。现有研究在金融动态系统中的突变点检测仍存在一定局限性，亟需在理论和方法上进行进一步创新，以应对金融市场中复杂的非线性变化和潜在的系统性风险。

主题重点关注：

金融系统结构性突变的相关研究综述

非线性金融系统的相关研究综述

基于非线性动力学方法检测金融系统结构性突变

推荐阅读：

Hommes C H. Financial markets as nonlinear adaptive evolutionary systems[J]. Quantitative Finance, 2001, 1(1): 149. 文章提出金融市场应视为非线性自适应进化系统，强调代理行为和市场动态的非线性相互作用对市场价格波动和系统稳定性的影响。

Hommes C H, Manzan S. Testing for nonlinear structure and chaos in economic time series[J]. Tinbergen Institute Discussion Papers, 2006 (2006-030): 1. 文章对经济时间序列中的非线性结构和混沌检测方法进行了评论，特别分析了噪声和外部扰动对混沌检测结果的影响，并进行了新的模拟验证。

Scheffer M, Bascompte J, Brock W A, et al. Early-warning signals for critical transitions[J]. Nature, 2009, 461(7260): 53-59. 文章提出了在临近临界点时，系统表现出早期预警信号，如方差增大、相关性变化等，旨在通过这些信号预测生态系统、经济系统等复杂系统的突变。

Scheffer M, Carpenter S R, Lenton T M, et al. Anticipating critical transitions[J]. science, 2012, 338(6105): 344-348. 文章通过动态模型和数据分析来预测关键转折点的发生，强调了识别和避免系统崩溃的潜力。

Farmer J D. Economics needs to treat the economy as a complex system[C]//Paper for the INET conference ‘rethinking economics and politics. 2012, 14. 文章主张经济学应将经济视为复杂系统，强调需要更加真实的行为模型来捕捉经济中个体和机构之间的相互作用，以推动经济学理论的进步。

Hommes C. Behavioral rationality and heterogeneous expectations in complex economic systems[M]. Cambridge University Press, 2013. 本书系统阐述了在复杂经济系统中行为理性和异质性预期的理论框架，分析了不同经济代理人预期形成机制对金融市场波动和宏观经济波动的影响，并结合理论和实验进行分析。

Hommes C. Carl’s nonlinear cobweb[J]. Journal of Economic Dynamics and Control, 2018, 91: 7-20. 文章回顾了基于非线性动力学的网状模型，探讨了异质性预期和适应性学习对价格波动和市场行为的影响，并结合实验数据分析这些理论的实际适用性。

Ma C, Tu Y. Group fused Lasso for large factor models with multiple structural breaks[J]. Journal of Econometrics, 2023, 233(1): 132-154. 文章提出了一种基于组融合Lasso的估计方法，用于大因子模型中多个结构性断裂的识别，具有一致性和高效性，能够在同时进行变量选择和断裂点检测的同时，保证模型的稳健性和解释性。

Ferey A, Lockwood B B, Taubinsky D. Sufficient statistics for nonlinear tax systems with general across-income heterogeneity[J]. American Economic Review, 2024, 114(10): 3206-3249. 文章通过推导适用于收入异质性的非线性税制的充足统计量公式，探讨了最优非线性税制设计的实证实施，并通过美国经济模型进行了校准分析。

Dennis R. Using a hyperbolic cross to solve non-linear macroeconomic models[J]. Journal of Economic Dynamics and Control, 2024, 163: 104860. 文章提出了一种基于双曲交叉的稀疏网格方法，利用该方法求解非线性宏观经济模型，展示了与传统Smolyak方法相比，在高维空间中的计算效率和准确性优势。

Axtell R L, Farmer J D. Agent-based modeling in economics and finance: Past, present, and future[J]. Journal of Economic Literature, 2025, 63(1): 197-287. 文章回顾了基于代理的建模（ABM）方法在经济学和金融学中的应用，评估了ABM在放宽传统经济模型假设并为更现实的经济和金融系统建模提供理论支持方面的潜力。

3、复杂适应系统视角 | 金融市场生态

J. Doyne Farmer 的“市场生态理论”是将金融市场视为一个由多样化交易策略相互竞争和共存所构成的复杂适应系统。该理论借鉴生态学中的“物种共存”概念，认为不同类型的交易者（如基本面交易者、技术分析者、套利者等）如同生态系统中的不同物种，在市场中相互作用、适应和演化。Farmer 强调市场并非总是趋于均衡状态，而是动态演化的结果，市场效率、价格波动等宏观特征是微观主体行为集体互动的产物。这一理论挑战了传统金融中“代表性理性人”的假设，主张采用基于主体的建模方式，强调非线性反馈、路径依赖和有限理性等因素在市场形成中的关键作用。市场生态理论为理解金融市场中的创新扩散、策略演化、系统性风险和突发性崩溃提供了新的分析框架，也为政策制定者监管复杂市场系统提供了理论依据。

推荐阅读：

Scholl, M. P., Calinescu, A., & Farmer, J. D. (2021). How market ecology explains market malfunction. Proceedings of the National Academy of Sciences of the United States of America, 118(26), Article e2015574118.

Jackson, A., & Ladley, D. (2016). Market ecologies: The effect of information on the interaction and profitability of technical trading strategies. International Review of Financial Analysis, 47, 270-280.

Lo, A. W. (2004). The adaptive markets hypothesis. The Journal of Portfolio Management, 30(5), 15-29.

Farmer, J. D. (2002). Market force, ecology and evolution. Industrial and Corporate Change, 11(5), 895-953.

Farmer, J. D., & Lo, A. W. (1999). Frontiers of finance: Evolution and efficient markets. Proceedings of the National Academy of Sciences, 96(18), 9991-9992.

模块三：金融复杂性研究新范式

1、系统观下的宏观金融

上一次的金融危机让人们认识到现代宏观经济与金融体系密不可分，宏观金融学因此应运而生。宏观金融学以货币作为核心视角去理解经济和金融系统的运行机制，并对宏观经济和金融政策给出建议。它从资产负债表出发，对不同金融机构进行刻画，以存量动力学，流量动力学和市场动力学分析其经济主体的行为及其交互作用的主要特征，以及从微观到宏观的逻辑链条。以此为基础分析经济增长、经济周期等重要宏观经济问题，特别是金融系统内生的不稳定性。

推荐阅读：

银行体系运行与银行挤兑

Diamond, D.W., Dybvig, P.H., 1983. Bank runs, deposit insurance, and liquidity. Journal of political economy 91, 401–419.

Shleifer, A., Vishny, R.W., 2010. Unstable banking. Journal of financial economics 97, 306–318.

Werner, R.A., 2014. Can banks individually create money out of nothing?—the theories and the empirical evidence. International Review of Financial Analysis 36, 1–19.

Li, B., Wang, Y., 2020. Money creation within the macroeconomy: An integrated model of banking. International Review of Financial Analysis 71, 101547.

Pozsar, Z., Adrian, T., Ashcraft, A., Boesky, H., 2010. Shadow banking. New York 458, 3–9.

Brunnermeier, M.K., Sannikov, Y., 2016. The I theory of money. Technical Report. National Bureau of Economic Research.

Baron, M., Verner, E., Xiong, W., 2021. Banking crises without panics. The Quarterly Journal of Economics 136, 51–113.

债务与宏观经济

Fisher, I., 1933. The debt-deflation theory of great depressions. Econometrica: Journal of the Econometric Society, 337–357.

Xing, X., Xiong, W., Guo, J., Wang, Y., 2021. The role of debt in aggregate demand. Finance Research Letters 39, 101653.

Mian, A., Straub, L., Suff, A., 2021. Indebted demand. The Quarterly Journal of Economics 136, 2243–2307.

Reinhart, C.M., Reinhart, V.R., Rogoff, K.S., 2012. Public debt overhangs: advanced-economy episodes since 1800. Journal of Economic Perspectives 26, 69–86.

经典著作

Fisher, I., 1932. Booms and Depressions, Adelphi Company New York.

Minsky, H.P., Kaufman, H., 2008. Stabilizing an unstable economy. volume 1. McGraw-Hill New York.

Aliber, R.Z., Kindleberger, C.P., Solow, R.M., 2015. Manias, panics, and crashes: A history of financial crises. Springer.

King, M., 2016. The end of alchemy: money, banking, and the future of the global economy. WW Norton & Company.

Turner, A., 2017. Between debt and the devil, in: Between Debt and the Devil. Princeton University Press.

泡沫、信贷周期、杠杆周期与系统性风险

Kiyotaki, N., Moore, J., 1997. Credit cycles. Journal of political economy 105, 211–248.

Geanakoplos, J., 2010. The leverage cycle. NBER macroeconomics annual 24, 1–66.

Jordà, Ò., Schularick, M., Taylor, A.M., 2015. Leveraged bubbles. Journal of Monetary Economics 76, S1–S20.

Brunnermeier, M.K., Oehmke, M., 2013a. Bubbles, financial crises, and systemic risk. Handbook of the Economics of Finance 2, 1221–1288.

方法论

Acemoglu, D., Ozdaglar, A., Tahbaz-Salehi, A., 2015. Systemic risk and stability in financial networks. American Economic Review 105, 564–608.

Caiani, A., Godin, A., Caverzasi, E., Gallegati, M., Kinsella, S., Stiglitz, J.E., 2016. Agent based-stock flow consistent macroeconomics: Towards a benchmark model. Journal of Economic Dynamics and Control 69, 375–408.

Romeil S. Sandhu, Tryphon T. Georgiou, and Allen R. Tannenbaum, 2016. Ricci curvature: An economic indicator for market fragility and systemic risk. Science Advances. 2, e1501495.

S.K. Stavroglou, A.A. Pantelous, H.E. Stanley, & K.M. Zuev, 2019. Hidden interactions in financial markets, Proceedings of the National Academy of Sciences of the United States of America. 116 (22): 10646-10651.

Marco Bardoscia, Stefano Battiston, Fabio Caccioli & Guido Caldarelli, 2017. Pathways towards instability in financial networks. Nature Communications. 8, 14416.

Tiziano Squartini, Guido Caldarelli, Giulio Cimini, Andrea Gabrielli, Diego Garlaschelli, 2018. Reconstruction methods for networks: The case of economic and financial systems. Physics Reports. 757, 1-47.

Ze Wang, Xiangyun Gao, Shupei Huang, Qingru Sun, Zhihua Chen, Renwu Tang, Zengru Di, 2022. Measuring systemic risk contribution of global stock markets: A dynamic tail risk network approach. International Review of Financial Analysis. 84, 102361.

József Mezei, Peter Sarlin, 2018. RiskRank: Measuring interconnected risk. Economic Modelling. 68, 41-50.

María Rodríguez-Moreno, Juan Ignacio Peña, 2013. Systemic risk measures: The simpler the better?. Journal of Banking & Finance. 6(37): 1817-1831.

Wolfgang Karl Härdle, Weining Wang, Lining Yu, 2016. TENET: Tail-Event driven NETwork risk. Journal of Econometrics. 2(192): 499-513.

2、金融与气候系统的耦合

在全球气候治理与金融体系深度互构的背景下，气候-金融系统已形成具有复杂适应系统特征的耦合体系。最新研究揭示，气候物理冲击通过供应链传导、资产重定价及风险偏好突变三维渠道产生金融传染；而金融系统的风险定价偏差、期限错配及网络关联性又反作用于气候系统的演进路径。这种双向反馈机制催生了“气候金融复杂性”新研究范式——需要融合气候物理模型、金融网络分析和复杂系统理论，以破解气候风险在金融系统中的非线性传导、阈值效应及级联放大机制。理解这种耦合机制，对衡量气候风险、设计审慎监管及推动低碳转型具有关键意义。

推荐阅读：

Yang R, Caporin M, Jiménez-Martin J A. Measuring climate transition risk spillovers[J]. Review of Finance, 2024, 28(2): 447-481.

Bartram S M, Hou K, Kim S. Real effects of climate policy: Financial constraints and spillovers[J]. Journal of Financial Economics, 2022, 143(2): 668-696.

Xie Q, Gong R, Yin L, et al. Does extreme climate exacerbate the risk spillover in green finance markets? evidence from a multi-horizon investment perspective[J]. Journal of International Money and Finance, 2025, 151: 103262.

Pankratz N M C, Schiller C M. Climate change and adaptation in global supply-chain networks[J]. The Review of Financial Studies, 2024, 37(6): 1729-1777.

Feng A, Li H, Wang Y. We are All in the Same Boat: Cross-Border Spillovers of Climate Shocks through International Trade and Supply Chains[J]. Economic Journal, 2025, 135(669): 1433-1466.

Hansen L P. Uncertainty spillovers for markets and policy[J]. Annual Review of Economics, 2021, 13(1): 371-396.

Chabot M, Bertrand J L. Climate risks and financial stability: Evidence from the European financial system[J]. Journal of Financial Stability, 2023, 69: 101190.

陈国进,徐晓芳,赵向琴.自然灾害冲击在生产-融资网络关联中的传导效应研究[J].系统工程理论与实践,2025,1-19.

杨子晖,陈雨恬,温雪莲,等.气候金融风险的冲击影响、风险感知与政策应对[J].中国工业经济,2025,(04):5-22.

3、基于金融网络的系统性风险治理策略

系统性风险（systemic risk）是指整个系统出现功能失效的风险。广义的系统性风险可存在于任何复杂系统之中。系统性金融风险是由个体金融机构的风险通过复杂的关联在系统内蔓延并放大，最终对整个金融体系的稳定性构成威胁的风险。系统性金融风险的本质在于金融机构的投资决策存在外部性，这使得整个系统可能遭受远远超出个体金融机构损失之和的重大危机。系统性金融风险主要有风险传染（risk contagion）和多重均衡（multiple equilibria）两种形成机制。风险传染机制是指某家金融机构的违约、资产抛售或流动性枯竭通过金融关联影响其他金融机构，引发连锁反应。多重均衡机制则是指投资者或市场主体基于悲观预期做出反应，从而引发“自我实现的预言”，即便初始冲击较小，也可能使系统陷入全面流动性危机或信用冻结。在上述两类机制中，银行均是系统性风险的重要载体。特别是银行之间通过同业拆借、交叉持股、抵押融资等方式形成的网络结构，不仅构成了风险传染的通道，也可能使个体风险向系统性风险发生演化。同时，网络结构的复杂性与不透明性也使得在恐慌中更容易触发多重均衡机制，引发系统性风险。因此，从网络视角出发研究金融机构的关联特征与风险传染规律，已成为系统性风险的重要研究方向。

主题重点关注：

系统性金融风险的形成机制

系统性金融风险的救助策略

“生产-银行”双层网络模型

推荐阅读：

重要综述及书籍

Sargent T J, Stachurski J. Economic networks: theory and computation[A/OL]. arXiv, 2022. 这本书详细介绍了复杂网络理论在经济学和金融学中的应用。

Jackson M O, Pernoud A. Systemic risk in financial networks: a survey[J]. Annual Review of Economics, 2021, 13(1): 171-202. 该文章全面地综述了金融网络与系统性风险，区分了风险传染和多重均衡两种系统性风险的形成机制，介绍了网络结构对于金融风险的影响，并梳理了干预与救助策略。

Elliott M, Golub B. Networks and economic fragility[J]. Annual Review of Economics, 2022, 14(1): 665-696. 该文章综述了网络结构对经济或金融系统脆弱性的影响。

金融网络经典文章

Battiston S, Puliga M, Kaushik R, et al. DebtRank: Too central to fail? Financial networks, the FED and systemic risk[J]. Scientific Reports, 2012, 2(1): 541. 提出了测算系统性金融风险的指标DebtRank。

Bardoscia M, Battiston S, Caccioli F, et al. DebtRank: A microscopic foundation for shock propagation[J]. PLoS One, 2015, 10(6): e0130406. 完善了DebtRank的微观基础，即DebtRank的不稳定性动态理论。

Eisenberg L, Noe T H. Systemic risk in financial systems[J]. Management Science, 2001, 47(2): 236-249. 经典的违约级联模型，刻画了同业拆借网络中的线性风险传染过程。

Elliott M, Golub B, Jackson M O. Financial networks and contagion[J]. American Economic Review, 2014, 104(10): 3115-3153. 带有失败成本的非线性违约级联模型，刻画了交叉持股网络中的非线性风险传染过程。

Acemoglu D, Ozdaglar A, Siderius J, et al. Systemic credit freezes in financial lending networks[J]. Mathematics and Financial Economics, 2021, 15(1): 185-232. 研究了对未来违约的预期如何导致“信用冻结”。

Jackson M O, Pernoud A. Credit Freezes, Equilibrium Multiplicity, and Optimal Bailouts in Financial Networks[J]. The Review of Financial Studies, 2024, 37(7): 2017-2062. 证明了最优救助问题是NP难问题，研究并对比了各种不同的干预与救助策略。

Klages-Mundt A, Minca A. Optimal intervention in economic networks using influence maximization methods[J]. European Journal of Operational Research, 2022, 300(3): 1136-1148. 提出可以将救助策略视为“逆向的违约级联过程”，在网络中寻找最小干预路径以阻断风险传导。

“生产-银行”双层网络模型

Wang H, Huang S. Risk contagion in production-bank bilayer networks[J]. Economics Letters, 2025, 248: 112211. 提出了“生产-银行”双层网络模型，研究了产业层面的冲击如何转化成系统性金融风险。

关于集智俱乐部读书会和举办方 

集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 50 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、高阶网络等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如：2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》，2020年的开始因果科学读书会孕育了全国最大的因果科学社区等。

主办方：集智俱乐部

协办方：集智学园

集智俱乐部成立于 2003 年，是一个从事学术研究、享受科学乐趣的探索者的团体，也是国内最早的研究人工智能、复杂系统的科学社区。它倡导以平等开放的态度、科学实证的精神，进行跨学科的研究与交流，力图搭建一个中国的 “ 没有围墙的研究所 ”。集智科学研究中心（民间非营利企业）是集智俱乐部的运营主体，其使命为：营造跨学科探索小生境，催化复杂性科学新理论。

集智学园成立于2016年，是集智俱乐部孕育的创业团队。集智学园致力于传播复杂性科学、人工智能等前沿知识和新兴技术，促进、推动复杂科学领域的知识探索与生态构建。

点击“阅读原文”，报名读书会 

阅读原文

跳转微信打开