本研究由来自中国多所高校及英国约克大学的研究团队完成，主要作者包括上海大学的王建佳（Jianjia Wang，第一作者）与郭兴成（Xingchen Guo，第一作者），以及上海大学的李维民（Weimin Li）、伍星（Xing Wu），厦门大学的张智宏（Zhihong Zhang，通讯作者），和英国约克大学的Edwin R. Hancock。该研究成果于2021年6月22日正式在线发表于期刊《Pattern Recognition》第120卷上，文章标题为“Statistical mechanical analysis for unweighted and weighted stock market networks”（《无权重与权重股票市场网络的统计力学分析》）。
研究的学术背景聚焦于金融市场的复杂系统分析领域。金融市场是一个随时间演化的复杂系统，其中包含银行、公司、机构等多种金融实体，它们通过交易互动并响应外部的经济与政治事件。传统的交易数据难以精准解释或预测在市场受到重大事件冲击时的行为。近年来，将统计力学和热力学思想应用于金融研究的“经济物理学”（Econophysics）方兴未艾。复杂网络理论为分析这些金融实体间的相互关系提供了有力的框架，通常将实体视为节点，将其间相关性或互动关系视为边。然而，现有文献多集中于分析二元连接（无权重）网络的演化，而对能够更细致刻画关系强度的权重网络进行系统的统计力学分析的研究相对较少。本研究旨在填补这一空白，通过提出一种新颖的热力学类比，从一个统一的统计力学视角，同时分析时间演化的无权重和权重市场网络，旨在更深入地刻画网络结构的动态特性，并识别由经济政治事件引发的金融危机的关键时期。
研究的详细工作流程包含理论框架构建与实验验证两大核心部分。理论框架是研究的核心创新所在，其构建过程包含以下几个关键步骤：
首先，建立网络的热力学基本类比。研究将金融网络视为一个热力学系统。在这个类比中，网络的边被类比为热力学系统中的粒子。每条边可以处于不同的“能量状态”，其能量值由边的权重决定。对于无权重网络，边的权重为二元值（0或1，分别对应“不存在”和“存在”）。网络的结构（即边连接模式）由系统所处的“温度”和边权重分布共同决定，粒子（边）在不同能级上的占据概率遵循玻尔兹曼（Boltzmann）分布。
其次，推导网络“温度”的定义。研究者从一个固定节点数的网络出发，将每条边的连接视为独立的伯努利试验。通过计算网络在给定边数下的构型熵（正比于可能边连接组合数的对数），并利用热力学关系 dU = T dS（内能变化等于温度乘以熵变），推导出网络温度 T 的明确表达式：1/T = (k_B/w) * ln(|V|^2/|E| - 1)，其中 k_B 为玻尔兹曼常数，w 为边的单位权重，|V| 为节点数，|E| 为边数。这个定义建立了网络平均节点度与温度之间的定量关系，为整个热力学分析奠定了基础。
第三，构建无权重网络的统计力学模型。研究将具有固定节点数和边数的无权重网络集合视为一个正则系综（Canonical Ensemble）。每条边的二元状态（0或1）被视为一个“微观状态”。基于此，计算了整个网络系统的配分函数（Partition Function） Z = (1 + e^{-βw})^|E|，其中 β = 1/(k_B T)。从这个配分函数出发，系统地推导了描述网络宏观状态的热力学量：平均内能 U、熵 S、自由能 F 和热容 C。这些量提供了从宏观热力学角度描述网络结构特性的新指标。
第四，扩展至权重网络的统计力学分析。对于权重网络，边的权重不再局限于0和1，而是连续或离散的分布。研究者引入态密度（Density of States, DOS） 函数 d(w) 来描述权重（能量）的分布。网络的配分函数相应地扩展为积分形式 Z_w = ∫ e^{-βw} d(w) dw。研究特别分析了两种典型的权重分布情形：指数分布 d(w) ∝ e^{αw} 和幂律分布 d(w) ∝ w^γ。针对每一种分布，都推导了其对应的配分函数、平均内能、熵和热容的解析表达式。
第五，分析网络权重涨落。在正则系综框架下，研究者推导了网络边权重的均方根涨落，发现其与热容 C 直接相关：〈δw〉² = k_B T² C。对于包含大量边的网络，相对涨落很小，这意味着在热力学极限下，网络权重高度集中在平均值附近。权重分布的概率密度在最优值（即平均权重）附近近似服从高斯分布。
在实验验证部分，研究团队将上述理论应用于现实世界的时间演化股票市场数据，具体流程如下：
数据获取与网络构建：研究选取了美国标准普尔500指数（S&P 500）中在2010年1月至2020年6月共2619个交易日内持续交易的415家公司的股票数据。每条股票对应网络中的一个节点。为了构建随时间演化的网络序列，研究者使用一个滑动时间窗口。在每个时间窗口内，计算任意两只股票i和j的收盘价对数收益率时间序列之间的最大互相关系数，以此作为两节点间连接边的权重 w_{ij}(t)。这样就得到了一个带权重的完全图。
生成无权重网络：为了从权重矩阵得到拓扑结构（无权重邻接矩阵），研究者假设互相关系数矩阵的元素服从一个特定的多元正态分布模型。通过设定一个阈值 ξ（该阈值与网络的期望平均度相关），将权重高于该阈值的边保留（值为1），否则舍弃（值为0）。这个基于高斯逆误差函数的阈值设定方法，能够生成具有特定连接密度的网络。通过逐日滑动窗口，最终生成了一个包含2619个时间点的、节点数固定为415、边结构随时间变化的动态股票市场网络序列。
计算热力学量并进行分析：
关键事件识别与可视化：研究者将热力学量的显著波动与过去十年间发生的主要经济、政治事件（如2010年闪电崩盘、2011年日本海啸、欧债危机、英国脱欧、中美贸易战、2020年新冠疫情等）的发生时间进行关联分析。此外，还选取了特定危机时期（如中美贸易战），可视化网络结构在熵值变化前后的差异，直观展示网络拓扑如何响应市场冲击。
研究的主要结果具体而丰富：
无权重网络的热力学表征成功识别金融危机时期：图1和图2清晰地展示了熵、能量、热容等热力学量随时间演化的曲线。研究发现，热力学熵（S）对网络结构变化最为敏感。在几乎所有标注的重大金融事件发生时，熵的时间序列都出现了尖锐的峰值或剧烈的波动，其信号比传统标普500指数更为鲜明和提前。例如，在2010年“闪电崩盘”期间，熵值出现急剧下降的波谷，反映了市场极端恐慌时交易关联模式的突变。内能和热容也显示出类似的异常模式，但波动幅度相对熵较小。温度T则相对稳定，这与理论预期一致，因为温度主要与网络的平均连接密度相关。
热力学量的一阶差分能更清晰指示变化点：如图3所示，熵和能量的一阶差分时间序列能够更尖锐地定位结构发生剧变的时点，为识别危机的起始和转折点提供了更精确的工具。
网络结构可视化佐证了热力学指标的可靠性：以中美贸易战期间为例，图4展示了熵值波动前后的网络结构。在危机爆发前，熵值低，网络呈现出较紧密的社区结构；危机期间，熵值飙升，网络连接变得稀疏、随机；危机缓解后，熵值回落，网络结构重新趋于凝聚。这直观地证明了熵值变化与市场参与者关联模式瓦解与重建过程的对应关系。
权重网络的统计力学分析揭示了市场微观特性：
阈值敏感性评估验证了方法的鲁棒性：研究者测试了不同阈值（对应不同的网络连接密度）对生成网络的影响。如图9所示，虽然阈值不同会导致生成的网络边数不同，但总权重和热力学量所揭示的总体趋势和关键事件点保持一致，说明方法是稳健的。
本研究的结论是，从统计力学视角出发，为分析时变金融网络提供了一套新颖且强大的理论框架和计算工具。该研究成功地将无权重和权重网络统一在热力学类比下，推导出的热力学量（尤其是熵）能够高效、灵敏地检测出股票市场网络结构在金融危机时期的显著变异。这不仅深化了我们对金融市场作为复杂系统其内部结构动态演化规律的理解，也为实际金融风险监测提供了潜在的、基于网络结构的早期预警指标。相比于传统的市场指数或简单的网络拓扑指标（如平均度），热力学表征能捕捉到更微妙、更本质的结构性变化。
本研究的亮点在于：第一，提出了一个物理图像清晰、数学推导严谨的新类比：首次明确地将网络边类比为粒子，并基于边构型的统计特性推导出网络温度，这比以往基于图谱的推导更直观、更具物理启发性。第二，构建了统一的分析框架：从最简单的无权重二元网络出发，通过引入正则系综和配分函数，自然推广到复杂的权重网络，形成了完整的方法论体系。第三，发现了热力学熵作为金融网络“结构紊乱度”指示器的卓越性能：在实证中证明了熵对危机事件极高的敏感性，是本研究最重要的应用发现。第四，深入的实证分析：不仅验证了理论，还通过权重分布拟合、参数空间轨迹分析等方法，揭示了不同危机下市场微观结构的差异性，提升了研究的深度和洞察力。
此外，研究还对2008年全球金融危机与2020年新冠危机的网络熵模式进行了对比，发现前者熵值持续波动，后者熵值剧烈单峰变化，这反映了两种危机在持续时间、影响模式上的本质不同，进一步展示了热力学分析方法在区分危机类型方面的潜力。研究也讨论了网络构建中阈值选择的影响，体现了方法的严谨性。这项研究为图模式识别、复杂网络科学和经济物理学提供了一个交叉创新的典范，具有重要的理论价值与应用前景。