Systemic Risk Contagion

Systemic Risk Contagion MCP Server

ApifyForgeで表示 | Apify Storeで使用

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します：

{
  "mcpServers": {
    "systemic-risk-contagion-mcp": {
      "url": "https://ryanclinton--systemic-risk-contagion-mcp.apify.actor/mcp"
    }
  }
}

---

金融ネットワークのシステミックリスク伝播分析を、AI エージェントが直接接続する MCP サーバーとして提供します。このサーバーは、企業登記、SEC 提出書類、FDIC 銀行データ、マクロ経済指標、市場価格、暗号資産、制裁リストにまたがる16 のデータソースを連携させ、4 層の多重金融ネットワークを構築して厳密な定量分析を実行します。グローバルおよび国内のシステム上重要な銀行（G-SIB および D-SIB）を特定し、連鎖的な破綻をシミュレーションし、ストレスの集積を検出して、完全な金融安定性レポートを生成します。すべて、自然言語による単一のクエリで実行できます。

このサーバーは、公開されている4つの数学的フレームワークを実装しています：DebtRank（Battiston et al. 2012）、Eisenberg-Noe 清算ベクトル（2001）、多変量 Hawkes 自己励起過程、超隣接テンソルのスペクトル分解です。各クエリで16の Apify アクターが並列実行され、層間結合テンソルを含む多重ネットワークを構築して、選択されたアルゴリズムを適用します。Claude Desktop、Cursor、Windsurf、または MCP 対応クライアントから使用できます。

⬇️ アクセスできるデータ

データ項目	ソース	ネットワークでの活用例
📋 企業登記およびグローバルな所有権連鎖	OpenCorporates（最大60件）	所有層のエッジ
🔗 親子階層を含む法人識別子（LEI）	GLEIF LEI（最大40件）	所有層、子会社の債券
📄 SEC 10-K、10-Q、8-K の年次・四半期提出書類	EDGAR Filings（最大60件）	金融エクスポージャー層
🏛 規制当局への提出書類、SEC の執行措置と分析	SEC EDGAR Analyzer（最大40件）	金融エクスポージャー層
👤 Form 4 の役員によるインサイダー株式取引	SEC Insider Trading（最大40件）	政治層のシグナル
🏦 米国銀行の財務状態とコールレポート	FDIC Bank Search（最大60件）	銀行ノード、銀行間エッジ
📈 株価、気配値、市場データ	Finnhub Stock Data（最大40件）	市場相関層
📊 連邦準備制度のマクロ経済指標系列	FRED Economic Data（最大40件）	指標ノード、マクロ環境
👷 雇用、インフレ、賃金統計	BLS Economic Data（最大30件）	マクロストレスのシグナル
🌍 IMF 世界経済見通しデータ	IMF Economic Data（最大30件）	ソブリンノード
🌐 世界銀行の開発・ガバナンス指標	World Bank Indicators（最大30件）	国境を越えたエクスポージャー
🪙 暗号資産の価格と時価総額	CoinGecko Crypto Data（最大30件）	暗号資産層のノード
💱 外国為替レートと FX の連動	Exchange Rate Tracker（最大20件）	市場相関層
🏛 議会議員の株式取引開示（STOCK Act）	Congress Stock Tracker（最大30件）	政治的ショック層
🚫 OFAC 制裁対象および資産凍結対象の個人・法人	OFAC Sanctions Search（最大40件）	制裁層のエッジ
⚠️ 消費者金融苦情の傾向	CFPB Complaints（最大40件）	個人向け市場のストレスのシグナル

❓ なぜ Systemic Risk Contagion MCP Server を使うのですか？

システミックリスクモデルを手作業で構築するには、Bloomberg Terminal（月額ではなく年額 $24,000）の購読、ネットワークコードを作成するクオンツアナリストの採用、そして中央銀行が何年もかけて集めるエクスポージャーデータのライセンス取得が必要です。それでも、ほとんどの実務担当者が使用するデータレイヤーは単一のもの、つまり信用エクスポージャーだけです。そのため、2008 年の連鎖的な危機を引き起こした、レイヤーをまたぐ増幅ダイナミクスを見落としています。

このサーバーは、一般公開されている 16 のデータソースすべてを集約し、所有権、金融エクスポージャー、市場相関、サプライチェーン、制裁、政治の各レイヤーを含む 6 層の多重ネットワークを構築して、学術的なシステミックリスク研究で使用されているアルゴリズムを正確に適用します。ツール呼び出し 1 回あたり $0.045 です。

プラットフォームのメリット：

• 常時待機 — サーバーは Apify のスタンバイモードで常時稼働し、コールドスタートによる遅延なく、MCP リクエストに数秒で応答します
• API アクセス — /mcp エンドポイントを使用して、Claude Desktop、Cursor、Windsurf、Cline、または任意の HTTP クライアントから接続できます
• 支出管理 — セッションごとに最大支出額を設定できるため、エージェントが予算を超過するのを防げます
• 定期分析 — Apify Scheduler を使用して安定性の監視を定期実行し、時間経過に伴うレジームの変化を追跡できます
• Webhook — 分岐比またはスペクトル半径が定義済みのしきい値を超えたときに、後続のアラートをトリガーできます

MCP ツール

ツール	価格	説明
build_systemic_network	$0.045	16 のデータソースすべてから、レイヤー間結合テンソルを備えた 6 層の多重金融ネットワークを構築します
compute_debtrank	$0.045	DebtRank（Battiston et al. 2012）：各エンティティの経済的価値の合計のうち、その経営難によって影響を受ける割合に基づいて順位付けします
simulate_cascade_failure	$0.045	Eisenberg-Noe（2001）の Fictitious Default Algorithm による不動点清算を実行し、ラウンドごとのデフォルト伝播をシミュレートします
identify_critical_nodes	$0.045	スープラ隣接行列のスペクトル解析により、システム上重要なエンティティを特定し、劣臨界・臨界・超臨界のレジームを判定します
detect_stress_clustering	$0.045	多変量 Hawkes 自己励起過程を使用して、ストレスイベントが集中し、臨界分岐比に近づいているかを検出します
model_sanctions_shock	$0.045	LGD 60% の BFS ストレス伝播により、制裁によるネットワーク分断の直接的・間接的なシステミック影響を推定します
compute_contagion_channels	$0.045	スープラ隣接テンソルの分解により、レイヤーをまたぐ主要な伝播経路と増幅比を特定します
generate_stability_report	$0.045	包括的な安定性レポートを生成します。すべてのアルゴリズムを組み合わせ、しきい値に基づくアラートと実行可能な推奨事項を提示します

システミックリスク伝播分析のユースケース

G-SIB および D-SIB の特定

プルーデンス規制当局、金融安定理事会、大手銀行のリスク管理者は、システム上の重要性を定量化する必要があります。「US banking sector」のようなセクター、または「JPMorgan Chase counterparty network」のような特定の機関を対象に compute_debtrank を実行し、各エンティティの DebtRank スコア、つまり個別の経営難によって影響を受ける経済的価値の合計に占める割合に基づいて順位付けします。出力では、しきい値分析に基づいて各エンティティを G-SIB、D-SIB、またはシステム上重要でないエンティティに分類するため、独自の二者間エクスポージャーデータがなくても、厳密な順位付けが可能です。

ストレステストと破綻処理計画

破綻処理の計画担当者やリスク担当者は、初期ショックがどのように増幅するかを把握する必要があります。simulate_cascade_failure を実行すると、Eisenberg-Noe の清算支払フレームワークを適用できます。各ノードは債務と利用可能な資産のうち小さい方を支払い、不足額は債権者へ伝播し、アルゴリズムは不動点となる清算ベクトルに到達するまで反復します。出力にはラウンドごとのデフォルト、累積損失、カスケードの深さ、収束までの反復回数が表示されます。規制上のストレステスト文書にそのまま必要な形式です。

臨界性レジームの評価

中央銀行の研究者やマクロプルーデンス監督当局は、現在のシステム構成が劣臨界、臨界、超臨界のいずれのレジームにあるかを把握する必要があります。identify_critical_nodes は、NL × NL の超隣接行列（層内ブロックと層間結合テンソル）を構築し、べき乗法で最大固有値を計算して、レジームを分類します。超臨界とは、層をまたぐカスケードが減衰せず増幅する状態であり、規制介入が必要であることを示すシグナルです。

時系列のストレスイベント監視

早期警戒指標を追跡するリスク監視チームは、detect_stress_clustering を使用して、多変量ホークス過程の EM 推定を実行します。重要な出力は分岐比（alpha/beta のスペクトル半径）です。値が 1 に近づくと、システムが自己励起状態に向かっていることを示します。この状態では、各ストレスイベントがさらなるイベントを引き起こします。これにより、デフォルトが発生する前に不安定化を捉える先行指標が得られます。

制裁コンプライアンスのストレステスト

制裁対象となる可能性のある法域や事業体へのエクスポージャーを持つ銀行のコンプライアンス担当者は、新たな制裁が課される前に伝染を推定するため、model_sanctions_shock を使用します。このモデルは制裁対象事業体のネットワーク接続を切断し、デフォルト時損失率を 60％と仮定して BFS でストレスを伝播させ、いずれかのノードの損失が自己資本の 10％を超えると、さらなる伝播を引き起こします。出力には、事業体ごとの直接的・間接的な影響と伝播の深さが含まれます。

層間の伝染経路のマッピング

定量分析の研究者やシステミックリスクを研究する学者は、伝染の深刻度だけでなく、そのメカニズムを理解するために compute_contagion_channels を使用します。超隣接テンソル分解により、最も増幅をもたらす層間経路を特定できます。たとえば、所有権から金融エクスポージャーへの結合と、市場相関からサプライチェーンへの結合のどちらが、主要な伝播経路かを判別できます。層間増幅比は、単一層モデルの予測と比べて、マルチプレックス伝染がどれほど深刻になるかを示します。

この MCP サーバーへの接続方法

ステップ 1：Apify API トークンを取得する

apify.com で登録し、Settings > Integrations > API token でトークンを確認します。Apify Free プランには、毎月 5 ドル分のクレジットが含まれています。

ステップ 2：MCP クライアントに追加する

Claude Desktop — claude_desktop_config.json に追加します。

{
  "mcpServers": {
    "systemic-risk-contagion": {
      "url": "https://systemic-risk-contagion-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor / Windsurf / Cline — MCP サーバー設定パネルに同じ URL を追加します。エンドポイントは https://systemic-risk-contagion-mcp.apify.actor/mcp です。

ステップ 3：最初の分析を実行する

AI アシスタントに次のように依頼します。

「systemic risk MCP を使って、米国の銀行セクターの DebtRank を計算し、上位の G-SIB を特定してください。」

「Goldman Sachs のカウンターパーティネットワークでカスケード障害シミュレーションを実行し、デフォルトのラウンドを表示してください。」

「欧州の銀行セクターの完全な安定性レポートを作成してください。」

ステップ 4：結果を解釈する

各ツールは、アルゴリズムの出力、ネットワーク統計、解釈のためのシグナルを含む構造化 JSON を返します。generate_stability_report ツールには、しきい値超過を示す明示的なフラグと、文章による推奨事項が含まれます。

入力パラメーター

これは MCP サーバーです。Apify アクターの入力スキーマはなく、設定はすべて MCP クライアントを通じて行います。各ツールが受け取るパラメーターは 1 つです。

パラメーター	型	必須	説明
query	string	はい	分析対象となる金融機関、セクター、またはシステミックリスクのトピック。例：「米国の銀行セクター」、「Goldman Sachs のカウンターパーティネットワーク」、「欧州のソブリン債務」、「暗号資産取引所のシステミックリスク」

この文字列を使って、16 のデータソースすべてにクエリを実行します。クエリを具体的にするほど、対象を絞ったネットワークを構築できます。

クエリの例

セクターレベルのシステミックリスク：

"US banking sector 2024"

単一機関のカウンターパーティ分析：

"JPMorgan Chase counterparty network"

地理的なクロスボーダー伝染：

"European banking systemic risk"

特定の資産クラス：

"crypto exchange systemic risk contagion"

制裁の影響モデリング：

"Russian banking sector OFAC sanctions impact"

入力のヒント

• 具体的な組織名を指定すると、より密なネットワークが生成されます — 「Citibank」を指定すると、「banking」よりも対象を絞ったFDICとEDGARのデータを取得できます。
• セクターに関するクエリでは、マクロレベルの構造を把握できます — 「US insurance sector」を指定すると、単一の機関に関するクエリよりも、組織間の相関やサプライチェーンの階層を適切に捉えられます。
• 国境を越えた分析では、地理的な情報を加えます — 「European sovereign debt」を指定すると、IMFとWorld Bankのデータ取得が強化されます。
• 最初の探索には generate_stability_report を使います — すべてのアルゴリズムを1回の呼び出しで実行し、特定のツールを詳しく調べる前に全体像を把握できます。
• 詳細な分析では、ツールを順番に連携させます — まず build_systemic_network でネットワーク構造を把握し、次に compute_debtrank でランキングを作成してから、simulate_cascade_failure でシナリオのストレステストを行います。

⬆️ 出力例

compute_debtrank — 米国の銀行セクター：

{
  "query": "US banking sector",
  "networkSize": 147,
  "rankings": [
    {
      "entity": "FirstNational Bancorp",
      "debtRank": 0.312,
      "relativeImpact": 0.418,
      "tier": "G-SIB"
    },
    {
      "entity": "Meridian Trust Bank",
      "debtRank": 0.187,
      "relativeImpact": 0.251,
      "tier": "G-SIB"
    },
    {
      "entity": "Pinnacle Capital Group",
      "debtRank": 0.094,
      "relativeImpact": 0.127,
      "tier": "D-SIB"
    },
    {
      "entity": "Coastal Community Bank",
      "debtRank": 0.021,
      "relativeImpact": 0.028,
      "tier": "non-systemic"
    }
  ],
  "systemicLoss": 0.743,
  "averageDebtRank": 0.048,
  "gSibCount": 6
}

generate_stability_report — 欧州の銀行セクター：

{
  "query": "European banking systemic risk",
  "networkSize": 203,
  "edgeCount": 1847,
  "metrics": [
    { "metric": "network_density", "value": 0.089, "threshold": 0.05, "breached": true },
    { "metric": "average_leverage", "value": 18.4, "threshold": 15.0, "breached": true },
    { "metric": "asset_concentration_hhi", "value": 0.241, "threshold": 0.25, "breached": false },
    { "metric": "cross_border_exposure", "value": 0.63, "threshold": 0.50, "breached": true },
    { "metric": "crypto_exposure_ratio", "value": 0.031, "threshold": 0.10, "breached": false },
    { "metric": "hawkes_branching_ratio", "value": 0.71, "threshold": 0.80, "breached": false },
    { "metric": "supra_spectral_radius", "value": 1.14, "threshold": 1.00, "breached": true }
  ],
  "overallRisk": "elevated",
  "riskScore": 68,
  "debtRankSummary": {
    "systemicLoss": 0.812,
    "gSibCount": 8,
    "averageDebtRank": 0.062
  },
  "cascadeSummary": {
    "totalDefaults": 12,
    "totalLoss": 0.341,
    "cascadeDepth": 4
  },
  "hawkesSummary": {
    "branchingRatio": 0.71,
    "criticalityIndicator": "moderate — stress events clustering but below critical threshold"
  },
  "spectralSummary": {
    "spectralRadius": 1.14,
    "regime": "supercritical — cross-layer cascades amplify"
  },
  "recommendations": [
    "Spectral radius exceeds 1.0: system is in supercritical regime. Cross-layer cascade amplification is active.",
    "Network density and leverage breach thresholds simultaneously — heightened contagion probability.",
    "Cross-border exposure at 63% suggests significant foreign contagion transmission pathways.",
    "Monitor Hawkes branching ratio — currently 0.71 but trending toward critical threshold of 0.80."
  ],
  "dataSources": {
    "corporates": 58,
    "leis": 37,
    "filings": 54,
    "banks": 61,
    "stocks": 39,
    "crypto": 28,
    "sanctions": 42,
    "totalActors": 16
  }
}

出力フィールド

フィールド	型	説明
query	string	16 件すべてのデータソース照会に使用される入力クエリ
networkSize	number	ノード（銀行、企業、ソブリン、暗号資産、指標）の合計数
edgeCount	number	全レイヤーにおけるエッジの合計数
rankings[]	array	エンティティごとの DebtRank（compute_debtrank のみ）
rankings[].entity	string	エンティティ名
rankings[].debtRank	number	DebtRank スコア 0–1（影響を受ける経済価値全体に占める割合）
rankings[].relativeImpact	number	最大ノードを基準に正規化した相対的影響
rankings[].tier	string	「G-SIB」、「D-SIB」、または「非システム的」
systemicLoss	number	システム価値に占めるリスク総額の割合（DebtRank の集計値）
gSibCount	number	G-SIB に分類されたエンティティの数
steps[]	array	ラウンドごとの連鎖データ（simulate_cascade_failure のみ）
steps[].round	number	デフォルトの伝播ラウンド番号
steps[].defaulted	string[]	このラウンドでデフォルトしたエンティティ名
steps[].cumulativeLoss	number	このラウンドまでのシステム損失の累計
steps[].survivingNodes	number	支払い能力を維持しているノード数
totalDefaults	number	全ラウンドでデフォルトしたエンティティの合計数
cascadeDepth	number	連鎖が終了するまでのラウンド数
clearingVector	number[]	Eisenberg-Noe の不動点清算支払いベクトル
convergenceIterations	number	仮想デフォルトアルゴリズムの収束回数
criticalNodes[]	array	システム上重要なエンティティ（identify_critical_nodes のみ）
criticalNodes[].eigenvectorCentrality	number	固有ベクトル中心性スコア
criticalNodes[].betweenness	number	多重ネットワークの各レイヤーにおける媒介中心性
criticalNodes[].spectralImportance	number	最大の上位隣接行列の固有値への寄与
criticalNodes[].removalImpact	number	ノードを除去した場合のスペクトル半径の減少
spectralRadius	number	上位隣接行列の最大固有値
systemicCriticalityRegime	string	「劣臨界」、「臨界」、または「超臨界」
algebraicConnectivity	number	フィードラー値。値が小さいほどネットワーク構造が脆弱であることを示します
clusters[]	array	ストレスクラスター（detect_stress_clustering のみ）
clusters[].hawkesIntensity	number	クラスター形成時のイベント強度
branchingRatio	number	α/β の Hawkes スペクトル半径。臨界的な不安定状態では 1 に近づきます
shocks[]	array	エンティティごとの制裁の影響（model_sanctions_shock のみ）
shocks[].directImpact	number	制裁への直接的なエクスポージャーによる損失
shocks[].indirectImpact	number	カウンターパーティへの伝播による損失
shocks[].propagationDepth	number	間接的な影響の BFS ホップ深度
channels[]	array	レイヤーをまたぐ連鎖経路（compute_contagion_channels のみ）
channels[].fromLayer	string	伝播元のネットワークレイヤー
channels[].toLayer	string	伝播先のネットワークレイヤー
channels[].strength	number	チャネルの伝播強度
crossLayerAmplification	number	多重レイヤーと単一レイヤーの連鎖深刻度の比率
dominantChannel	string	連鎖リスクが最も大きいレイヤーの組み合わせ
metrics[]	array	閾値と照合する安定性指標（generate_stability_report のみ）
metrics[].breached	boolean	指標が規制上の閾値を超えているかどうか
overallRisk	string	「低」、「中程度」、「上昇」、「高」、または「重大」
riskScore	number	複合リスクスコア 0–100
recommendations	string[]	閾値超過およびレジーム分析から導かれた、実行可能な所見

システミックリスクの連鎖分析の実行コストはいくらですか？

各ツール呼び出しの料金は $0.045 です。プラットフォームのコンピューティング料金は含まれています。呼び出しごとに16のアクターが並列で実行されるため、処理量に対するデータポイントあたりのコストは非常に低くなります。

シナリオ	ツール呼び出し数	1回あたりの料金	合計料金
クイックテスト（DebtRankを1回実行）	1	$0.045	$0.045
標準分析（4つのツール）	4	$0.045	$0.18
8つのツールをすべて使うスイート（すべてのアルゴリズム）	8	$0.045	$0.36
週次モニタリング（安定性レポート x4）	4	$0.045	$0.18
エンタープライズ（月100回の実行）	100	$0.045	$4.50

ApifyのFreeプランには月額$5分のクレジットが含まれており、毎月111回のツール呼び出しを無料で利用できます。

これを、年間$24,000のBloomberg Terminalや、エンジニアリングに$50,000以上を費やす専用のクオンツインフラストラクチャの構築と比較してください。このサーバーなら、月額$10～20の予算で包括的な継続モニタリングを実施できます。

Apifyの支出管理機能を使って、MCPセッションごとに最大支出額を設定できます。予算に達するとサーバーは停止してエラーを返し、エージェントのコストが際限なく増えるのを防ぎます。

Systemic Risk Contagion MCPの仕組み

フェーズ1：16のソースからデータを並列収集

各ツール呼び出しは、Promise.all()を介して16のApifyアクターを起動します。すべて同時に実行され、個別に120秒のタイムアウトが設定されています。アクターはドメイン別にグループ化されています。企業登録（OpenCorporates、GLEIF）、金融規制当局（EDGAR、SEC、FDIC、CFPB）、市場データ（Finnhub、CoinGecko、Exchange Rates、Congress Stock）、マクロ経済指標（FRED、BLS、IMF、World Bank）、制裁（OFAC）です。失敗したアクターは空の配列を返し、呼び出し全体を失敗させるのではなく、ネットワーク構築から適切に除外されます。

フェーズ2：多層ネットワークの構築

buildMultiplexNetwork()は16のデータストリームを取り込み、8種類のエンティティ（銀行、保険会社、ファンド、企業、ソブリン、取引所、暗号資産、指標）を表す型付きのFinancialNodeオブジェクトを構築します。FDICの銀行記録は、assets、liabilities、equity、leverageの各フィールドを持つ銀行ノードになります。OpenCorporatesの記録は、セクターと管轄区域を持つ企業ノードになります。IMFの記録はソブリンノードになります。FREDの系列は指標ノードになります（ネットワークのサイズを抑えるため、最大20件に制限）。

次に、この関数は4つのN×N隣接行列を構築します。ownership（GLEIFの親子LEI関係と企業登録構造に基づく）、financial_exposure（SECの提出書類に含まれるエクスポージャーデータとFDICの銀行間指標に基づく）、market_correlation（株式リターンの連動、暗号資産価格、為替の連動に基づく）、supply_chain（セクターの同時出現から推定）です。3次の層間結合テンソルC[l1][l2][i]は、各ノードの接続が層の組み合わせをまたいでどのように相関するかを捉えます。これが、多層ネットワークで増幅が発生する仕組みです。

フェーズ 3：アルゴリズムの実行

DebtRank（computeDebtRank）：各ノードに個別に、ストレスレベル 1.0 のショックを与えます。ストレスは、金融エクスポージャーレイヤーの重み行列 W[i][j] = exposure[i][j] / equity[j] を介して反復的に伝播します。各反復では、h[j] = min(1, h[j] + Σ_i W[i][j] * h[i]) とし、どのノードのストレスも 0.001 を超えて変化しなくなった時点で停止します。ノード k の DebtRank は Σ_j (h_j^final - h_j^initial) をシステム全体の資本で正規化した値です。DebtRank が 0.10 を超えるノードは G-SIB、0.05 を超えるノードは D-SIB に分類されます。

Eisenberg-Noe の清算（simulateCascadeFailure）：模擬デフォルトアルゴリズムで不動点となる清算ベクトルを計算します。各反復では、p[i] = min(p_bar[i], assets[i] + Σ_j (L[j][i]/p_bar[j]) * p[j]) と設定します。ここで、p_bar[i] は債務総額、L は負債行列です。収束するまで反復します（通常は 20 回未満）。その後、カスケードシミュレーションでは初期ショック（エクスポージャーが最も大きいノードの資産を 20％減少）を適用し、BFS のラウンドでデフォルトを伝播させます。

スーパー隣接行列のスペクトル解析（identifyCriticalNodes）：対角ブロックにレイヤー内の行列、非対角ブロックにレイヤー間の結合行列を配置した NL×NL のスーパー隣接行列を構築します。べき乗法で最大固有値を計算します。これが 1.0 を超える場合、システムは超臨界であり、摂動は減衰せずに増大します。固有ベクトル中心性により、超臨界状態に最も寄与するノードを特定します。

多変量 Hawkes EM（detectStressClustering）：10 回の EM 反復を通じて、λ_i(t) = μ_i + Σ_j α_ij Σ_{t_k<t} β*exp(-β*(t-t_k)) を推定します。E ステップではイベントの責任度を計算し、M ステップでは μ、α、β を更新します。分枝比 ρ = spectral_radius(α/β) は、重要な臨界度指標です。ストレス履歴に相関のあるノードは、しきい値ベースの隣接関係を用いてクラスターにグループ化されます。

スーパー隣接テンソル分解（computeContagionChannels）：レイヤーの順序付きペアをすべて伝染チャネルとして評価します。チャネルの強度は、レイヤー間結合の大きさと各レイヤーのスペクトル半径の積に比例します。CP テンソルランクは、レイヤー間の伝播構造全体を表現するのに必要な最小ランク 1 成分の数を推定し、伝染経路の複雑さを示します。

最良の結果を得るためのヒント

1. 個別のツールを詳しく調べる前に、まず generate_stability_report を実行してください。1 回の $0.045 の呼び出しですべてのアルゴリズムが実行され、レジーム分類、DebtRank の概要、カスケードの深さ、Hawkes の分岐比、文章による推奨事項など、全体像を把握できます。これにより、次にどのツールを実行すべきかがわかります。

2. エクスポージャーのマッピングには機関名を、システム構造にはセクター用語を使用してください。「Bank of America interbank lending」では、より密度の高い financial_exposure レイヤーが生成されます。「US commercial banking sector」では、ノード数が多い、より広範な market_correlation レイヤーが生成されるため、セクターレベルの重要度分析に適しています。

3. 分岐比の推移を時系列で追跡してください。Hawkes の分岐比は、最も感度の高い早期警戒指標です。detect_stress_clustering を毎週実行するようにスケジュールし、比率が 0.70（上昇）または 0.85（重大な警戒ゾーン）を超えたときにアラートを出してください。

4. スペクトル半径は絶対値ではなく、1.0 と比較して解釈してください。スペクトル半径が 1.05 のほうが 0.95 より危険なのは、差が大きいからではなく、1.0 が劣臨界の減衰と超臨界の増幅との間の相転移点だからです。

5. コンプライアンスのストレステストでは、制裁関連ツールとカスケード関連ツールを組み合わせてください。まず model_sanctions_shock を実行して、間接的な影響を最も広く伝播させるエンティティを特定します。次に、それらのエンティティを初期ショック源として simulate_cascade_failure を実行し、最悪のカスケードシナリオをモデル化してください。

6. エージェントによるコスト超過を防ぐため、Apify の支出上限を設定してください。ループ内で動作する AI エージェントが、8 つのツールすべてを複数回呼び出す可能性があります。探索的分析ではセッションの支出上限を $2–5 に、包括的なモニタリングのワークフローでは $10–20 に設定してください。

7. identify_critical_nodes の出力を compute_debtrank と照合してください。DebtRank の高いエンティティは、経営難に陥ったときに大きな損失を引き起こします。スペクトル重要度の高いエンティティは、構造上のボトルネックです。両方のリストに含まれるエンティティは、システミックリスクへの懸念が最も高い対象です。

他の Apify MCP サーバーと組み合わせる

Actor	組み合わせ方
Sovereign Debt Contagion MCP	このサーバーと並行してソブリン債務の伝染分析を実行し、ソブリンから銀行への伝播チャネルまでネットワークの対象範囲を広げます
Sanctions Network Analysis MCP	このサーバーの model_sanctions_shock の出力を制裁ネットワーク分析の入力として使用し、制裁回避ルートをより詳しくマッピングします
SEC EDGAR Filing Analyzer	特定の機関について対象を絞った 10-K／10-Q のエクスポージャーデータを取得し、正確な二者間の数値で financial_exposure レイヤーを充実させます
FDIC Bank Search	特定の銀行のコールレポートデータを照会し、ネットワーク内の FDIC 由来ノードを検証、充実させます
OFAC Sanctions Search	model_sanctions_shock によってフラグが付けられたエンティティを最新の OFAC リストと照合し、コンプライアンス文書を作成します
Company Deep Research	compute_debtrank で特定された G-SIB に関する詳細なインテリジェンスレポートを作成し、定性的な背景情報を補います
Investment Alternative Data MCP	システミックリスクのレジーム分類と代替投資シグナルを組み合わせ、リスク調整後のポートフォリオ判断に役立てます

制限事項

• 非公開の相対的エクスポージャーデータはありません。 financial_exposure レイヤーは、公開されている SEC 提出書類、FDIC のコールレポート、EDGAR データから構築されています。銀行の貸借対照表に記載されている実際の相対的なデリバティブおよびレポのエクスポージャーデータは公開されていません。結果は正確なエクスポージャー測定ではなく、シナリオ分析として扱ってください。
• ネットワークの構築はクエリに依存します。 16 のアクターすべてが、検索に指定したクエリ文字列を使用します。特定の機関を指定したクエリでは、より密度の高い、焦点の絞られたネットワークが生成されます。曖昧なクエリでは、分析の信頼度が低い、より疎なネットワークが生成されます。
• 16 アクターの並列実行には 60～120 秒かかります。 各ツール呼び出しでは、アクターごとに 120 秒のタイムアウトを設定し、16 のデータソースすべてからの応答を待ちます。全体の実行時間は、最も遅いアクターによって決まります。ツール呼び出しごとに 2～3 分を見込んでください。
• Hawkes 過程の推定には、十分なイベント履歴が必要です。 EM 推定で信頼できる分岐比を算出するには、ネットワーク内に十分な数のストレスイベントが必要です。ネットワークが非常に疎な場合（ノード数が 20 未満）、Hawkes パラメーターの信頼度は低くなります。
• 暗号資産のエクスポージャーは、CoinGecko の公開データに限られます。 DeFi プロトコル間の相互接続やオンチェーンのエクスポージャーデータは取得されません。暗号資産レイヤーに反映されるのは市場価格の連動のみであり、スマートコントラクトのカウンターパーティリスクは含まれません。
• 政治的ショックレイヤーは、STOCK Act に基づく開示情報を利用します。 議会議員の取引データは、セクターの政治リスクに関する方向性を示す情報となりますが、その手法は必然的に推論に基づきます。セクター内の大きな取引量は、規制リスクや政策リスクと相関します。
• OFAC の制裁データには、現在のリストが反映されています。 過去の制裁対象（その後リストから削除された事業体）のエクスポージャーは取得されません。過去の分析には、アーカイブされた OFAC データを補助的に使用してください。
• このサーバーは投資助言を提供しません。 すべての出力は、公開データに基づく定量的なリスクモデルの結果です。金融助言、規制上の指針、または公式のシステミックリスク評価を構成するものではありません。

インテグレーション

• Apify API — Python、JavaScript、または任意の HTTP クライアントからシステミックリスク分析をプログラムで実行し、自動監視パイプラインを構築できます
• Webhooks — 安定性レポートのリスクスコアが設定したしきい値を超えたとき、Slack、PagerDuty、またはカスタムエンドポイントにアラートを送信できます
• Apify Scheduler — 安定性レポートを毎週または毎日実行するようスケジュールし、Hawkes 分岐比とスペクトル半径の推移を追跡できます
• LangChain / LlamaIndex — MCP プロトコルを使用して、エージェント型の金融分析ワークフローにシステミックリスクツールを組み込めます
• Claude Desktop — MCP サーバー URL を介して直接接続し、対話形式のシステミックリスクに関する質疑応答やシナリオ分析を行えます

トラブルシューティング

ツールが空、または非常に小規模なネットワーク（ノードが10個未満）を返します。 通常、これはクエリ文字列が主要なデータソースのレコードと一致しなかったことを意味します。より一般的なクエリを試してください。特定のティッカーではなく「米国の銀行業」とするか、クエリに「セクター」を追加してください。出力のdataSourcesオブジェクトを確認し、どのアクターが結果を0件返したかを確認してください。

カスケードシミュレーションでデフォルトが0件になります。 Eisenberg-Noeカスケードが伝播するには、レバレッジが無視できないノード（負債 > 自己資本）が必要です。ネットワークの大半が銀行ノードを含まない指標ノードやソブリンノードで構成されている場合、デフォルトは発生しません。FDICの銀行データを取得するクエリを使ってください。クエリ文字列に「bank」または「banking」を含めると、FDICアクターの結果が得られます。

Hawkesの分岐比が正確に0.0または1.0になります。 これらの端の値は、縮退したEM収束を示しています。これは、ネットワークのノードが5個未満の場合や、すべてのノードが同じ種類の場合に発生します。EMアルゴリズムが意味のあるalpha/betaパラメーターを推定するには、ネットワークに十分な多様性が必要です。クエリの範囲を広げてください。

超隣接行列のスペクトル解析で、本来は高リスクであるはずのクエリが「亜臨界」と報告されます。 スペクトル半径はネットワーク密度に依存します。取得されるノードが少ない場合や接続が疎な場合、対象セクターの実際のリスク水準にかかわらず、スペクトル半径は低くなります。まずbuild_systemic_networkを実行し、レジーム分類を解釈する前にedgeCountが50以上であることを確認してください。

支出上限に達したというエラーが発生します。 Apifyアカウントの支出上限に達すると、サーバーは{"error": true, "message": "Spending limit reached for [event]"}を返します。Apify Console > Billing > Spend Limitsで上限を引き上げるか、各ツールを個別に呼び出す代わりに、generate_stability_reportツール（1回の呼び出しで全アルゴリズムを実行）を使用してください。

責任ある利用

• このサーバーがアクセスするのは、公開されている政府データベース、規制関連の届出、オープンな市場データのみです。
• 基盤となる16のデータソースはすべて公開情報です。SEC EDGAR、FDICのコールレポート、OFAC、CFPB、FRED、BLS、IMF、世界銀行、オープンな市場データAPIが含まれます。
• 出力は定量的なリスクモデルの結果であり、研究、リスク管理、規制分析のみを目的としています。
• 出力を投資助言、取引シグナル、または公式な規制上の判断として使用しないでください。
• ウェブスクレイピングの合法性に関するガイダンスは、Apifyのガイドをご覧ください。

❓ よくある質問

このMCPは、1回のツール呼び出しでいくつのデータソースにクエリしますか？ すべてのツール呼び出しで、並列実行により16のデータソースすべてに同時にクエリします。データソースは5つのカテゴリーに分かれています。企業登記（OpenCorporates、GLEIF）、金融規制機関（EDGAR、SEC、FDIC、CFPB）、市場データ（Finnhub、CoinGecko、Exchange Rates、Congress Stock）、マクロ経済指標（FRED、BLS、IMF、World Bank）、制裁（OFAC）です。16のアクターすべてが、それぞれ120秒のタイムアウトで実行されます。

システミックリスクの伝染分析は、技術的にはどのように機能しますか？ サーバーは、層間結合テンソルを持つ6層の多重ネットワーク（ownership、financial_exposure、market_correlation、supply_chain、sanctions、political）を構築します。次に、公表済みのアルゴリズムを適用します。システム重要度の順位付けにはDebtRank、カスケードシミュレーションにはEisenberg-Noeのクリアリング、危機的レジームの検出には超隣接行列のスペクトル解析、時間的なストレスのクラスタリングには多変量Hawkes EMを使用します。各アルゴリズムは同じネットワークで動作するため、アルゴリズム間で一貫した比較ができます。 DebtRank とは何ですか。また、単純なネットワーク中心性とはどう違いますか？ DebtRank（Battiston ら、2012 年）は、ある主体の経営困難が負債額で重み付けされたつながりを通じて波及した場合に、経済的価値全体のうち影響を受ける割合を測定します。媒介中心性とは異なり、ネットワークのトポロジーだけでなく、金融エクスポージャーの規模も考慮します。DebtRank が 0.30 の主体は、直接および間接の取引相手経路を通じて、システム全体の株主資本の 30% がその主体の経営困難にさらされることを意味します。

Eisenberg-Noe の清算ベクトルとは何ですか？ Eisenberg-Noe（2001）モデルは、一部の機関がすべての債務を履行できない場合に、各機関が行う支払いを計算します。各機関は min(total_obligations, available_assets) を支払います。Fictitious Default Algorithm は、反復処理によって不動点となる清算ベクトルを求め、通常は 5～20 回で収束します。これは、中央銀行のストレステストで使用される標準的なフレームワークです。

スープラ隣接行列のスペクトル半径が臨界値を超えるとは、どういう意味ですか？ スープラ隣接行列は、同じレイヤー内のつながりとレイヤー間のつながりを同時に捉えます。その最大固有値によって、摂動が増幅するか（スペクトル半径 > 1.0、超臨界）、減衰するか（< 1.0、亜臨界）が決まります。システムが超臨界の場合、あるレイヤーで発生した初期ショックが、ほかのレイヤーに伝わるにつれて増幅します。たとえば、市場相関のショックが所有レイヤーの経営困難を引き起こし、それが金融エクスポージャーを通じてさらに増幅する場合があります。これは、単一レイヤーモデルでは捉えられない、多重ネットワークの増幅効果です。

カスケードシミュレーションの精度はどの程度ですか？ DebtRank と Eisenberg-Noe のフレームワークは、公開済みモデルを数学的に厳密に実装したものです。精度は、公開エクスポージャーデータの網羅性に左右されます。SEC 提出書類、FDIC のコールレポート、GLEIF の LEI レコードにより、米国と EU の金融機関は十分にカバーされていますが、非公開の二者間デリバティブおよびレポ取引のエクスポージャーは入手できません。結果は、損失の正確な予測値ではなく、相対的なリスク順位やシナリオ別のストレステストとして解釈するのが最適です。

Hawkes 分岐比とは何ですか。また、どのような場合に注意すべきですか？ Hawkes 過程における分岐比 ρ = spectral_radius(α/β) は、自己励起の強度を測定します。分岐比が 0 の場合、ストレス事象は互いに独立しています。1 に近づくと、過程は臨界に近づきます。つまり、ストレス事象が追加の事象を引き起こし、自己強化的な不安定性が生じます。0.70 を超える値は監視が必要です。0.85 を超える値はシステム全体への懸念の高まりを示し、1.0 に近づく値は臨界に近い状態を示します。

Bloomberg やほかの専門的な金融データ端末とはどう違いますか？ Bloomberg Terminal は、個別機関の生データと基本的な分析機能を提供します。このサーバーは、システム全体の伝染アルゴリズム、つまり、どの端末も標準機能として提供していないネットワークレベルの分析を実装しています。また、16 の情報源からデータを自動的に統合しますが、Bloomberg では複数の情報源からデータを手動で集める必要があります。費用にも大きな差があります。Bloomberg Terminal の費用は年間約 24,000 ドルですが、このサーバーは分析 1 回あたり 0.045 ドルです。

この MCP を、ソブリン債務や国境を越えた伝染の分析に使用できますか？ このサーバーは IMF と World Bank のデータをネットワークに含めており、ソブリンノードと国境を越えたエクスポージャーのシグナルを作成します。債券スプレッド分析やソブリン CDS データを用いた、ソブリンの財政ストレス専用のモデリングには、銀行とソブリンのフィードバックループを明示的にモデル化する Sovereign Debt Contagion MCP とこのサーバーを併用してください。 システミックリスク分析に、一般公開されている金融データを使用することは合法ですか？ 16 のデータソースはすべて、政府の公開データベースと公開市場データです。SEC EDGAR、FDIC のコールレポート、OFAC の制裁リスト、FRED、BLS、IMF、World Bank のデータは、いずれも法令で公開が義務付けられている情報、または無料で利用できる公式データセットです。リスク分析に使用することは合法です。詳しくは、ウェブスクレイピングの合法性に関する Apify のガイドをご覧ください。

システミックリスクの継続的なモニタリングをスケジュールできますか？ はい。Apify Scheduler を使って、対象のセクターまたは機関について、generate_stability_report を毎週または毎日実行するよう設定できます。Apify Webhooks と組み合わせると、overallRisk のカテゴリーが変わったとき、または Hawkes 分岐比がしきい値を超えたときにアラートを送信できます。これにより、カスタムのインフラストラクチャーを構築せずに、自動化された早期警戒モニタリングのワークフローを作成できます。

一般的なシステミックリスク分析には、どのくらい時間がかかりますか？ 各ツール呼び出しでは、16 個のアクターを並列で実行した後、スコアリングアルゴリズムを実行します。通常、全体の実行時間は 60〜120 秒で、16 個のアクターのうち最も遅いものに左右されます。どのツールを呼び出しても 16 個のアクターがすべて並列で実行されるため、generate_stability_report ツールの処理時間は個別のツールと比べて大幅に長くなることはありません。

改善にご協力ください

問題が発生した場合は、Apify アカウントで実行共有を有効にすると、問題のデバッグを迅速化できます。

1. アカウント設定 > プライバシーに移動します
2. 実行内容を公開 Actor の作成者と共有するを有効にします

これにより、問題が発生した際に実行の詳細を確認できるため、より迅速に問題を修正できます。データはアクターの開発者のみが閲覧でき、一般公開されることはありません。

サポート

バグを見つけた場合や機能をリクエストしたい場合は、このアクターのページにあるIssues タブからイシューを作成してください。プライベートデプロイ、カスタムデータソースの統合、独自のコンテージョンモデル設定など、カスタムソリューションやエンタープライズ統合については、Apify プラットフォームからお問い合わせください。