Systemic Risk Contagion

系统性风险传染 MCP 服务

在 ApifyForge 上查看 | 在 Apify Store 上使用

---

快速开始

添加到你的 MCP 客户端（Claude Desktop、Cursor、Windsurf）：

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

---

为金融网络提供系统性风险传染分析，并通过 MCP 服务交付，供 AI Agent 直接连接。此服务整合了 16 个数据源，涵盖企业注册信息、SEC 文件、FDIC 银行数据、宏观经济指标、市场价格、加密货币和制裁名单，以构建 4 层多重金融网络并开展严谨的定量分析。它可以识别全球和国内系统重要性银行（G-SIB 和 D-SIB）、模拟级联故障、检测压力聚集，并生成完整的金融稳定报告——只需一次自然语言查询即可完成。

此服务实现了四种已发表的数学框架：DebtRank（Battiston 等人，2012 年）、Eisenberg-Noe 清算向量（2001 年）、多元 Hawkes 自激过程，以及超邻接张量谱分解。每次查询都会触发 16 个 Apify Actor 并行运行，组装带有层间耦合张量的多重网络，并应用所选算法。可通过 Claude Desktop、Cursor、Windsurf 或任何兼容 MCP 的客户端使用。

⬇️ 可以访问哪些数据？

数据点	来源	网络中的示例用途
📋 企业注册信息和全球所有权链	OpenCorporates（最多 60 条结果）	所有权层边
🔗 带有母子层级关系的法人实体识别编码	GLEIF LEI（最多 40 条结果）	所有权层、子公司债券
📄 SEC 10-K、10-Q 和 8-K 年度／季度文件	EDGAR Filings（最多 60 条结果）	金融敞口层
🏛 监管文件、SEC 执法信息和分析	SEC EDGAR Analyzer（最多 40 条结果）	金融敞口层
👤 Form 4 高管内幕人士股票交易	SEC Insider Trading（最多 40 条结果）	政治层信号
🏦 美国银行财务状况和银行报告	FDIC Bank Search（最多 60 条结果）	银行节点、银行间边
📈 股票价格、报价和市场数据	Finnhub Stock Data（最多 40 条结果）	市场相关性层
📊 美联储宏观经济指标序列	FRED Economic Data（最多 40 条结果）	指标节点、宏观背景
👷 就业、通胀和工资统计数据	BLS Economic Data（最多 30 条结果）	宏观压力信号
🌍 IMF《世界经济展望》数据	IMF Economic Data（最多 30 条结果）	主权节点
🌐 世界银行发展和治理指标	World Bank Indicators（最多 30 条结果）	跨境敞口
🪙 加密货币价格和市值	CoinGecko Crypto Data（最多 30 条结果）	加密货币层节点
💱 外汇汇率和汇率联动性	Exchange Rate Tracker（最多 20 条结果）	市场相关性层
🏛 国会议员股票交易披露（STOCK Act）	Congress Stock Tracker（最多 30 条结果）	政治冲击层
🚫 OFAC 制裁名单和被封锁的个人／实体	OFAC Sanctions Search（最多 40 条结果）	制裁层边
⚠️ 消费者金融投诉模式	CFPB Complaints（最多 40 条结果）	零售压力信号

❓ 为什么使用 Systemic Risk Contagion MCP Server？

手动构建系统性风险模型，需要订阅 Bloomberg Terminal（每年 $24,000）、聘请量化分析师编写网络代码，并获取各国央行耗时多年才整理完成的敞口数据许可。即便如此，大多数从业者也只使用单一数据层——仅分析信用敞口，忽略了导致 2008 年连锁崩溃的跨层放大动态。

此服务整合了全部 16 个公开数据源，构建包含所有权、金融敞口、市场相关性、供应链、制裁和政治层的 6 层多重网络，并应用学术系统性风险研究中使用的精确算法。每次工具调用仅需 $0.045。

平台优势：

• 始终待命 — 服务通过 Apify 的待机模式持续运行，无需冷启动延迟，可在几秒内响应 MCP 请求
• API 访问 — 使用 /mcp 端点，即可从 Claude Desktop、Cursor、Windsurf、Cline 或任何 HTTP 客户端连接
• 支出控制 — 为每个会话设置最高支出，防止失控的 Agent 超出预算
• 定期分析 — 使用 Apify Scheduler 运行周期性稳定性监控，并跟踪随时间发生的状态变化
• Webhook — 当分支比或谱半径超过设定阈值时，触发下游警报

MCP 工具

工具	价格	描述
build_systemic_network	$0.045	从全部 16 个数据源构建包含层间耦合张量的 6 层多重金融网络
compute_debtrank	$0.045	DebtRank（Battiston 等人，2012）：根据某实体的困境会影响的经济总价值占比为各实体排名
simulate_cascade_failure	$0.045	Eisenberg-Noe（2001）不动点清算，采用 Fictitious Default Algorithm：模拟逐轮违约传播
identify_critical_nodes	$0.045	超邻接矩阵谱分析：识别对系统至关重要的实体，并确定系统处于次临界、临界还是超临界状态
detect_stress_clustering	$0.045	多变量 Hawkes 自激过程：检测压力事件是否正在聚集，以及分支比是否接近临界值
model_sanctions_shock	$0.045	使用 60% LGD 进行 BFS 压力传播：估算制裁导致网络断连造成的直接和间接系统性影响
compute_contagion_channels	$0.045	超邻接张量分解：识别主要跨层传导路径及放大比率
generate_stability_report	$0.045	综合稳定性报告：汇总所有算法、基于阈值的警报和可执行建议

系统性风险传染分析的应用场景

G-SIB 和 D-SIB 识别

审慎监管机构、金融稳定委员会和大型银行的风险管理人员需要量化系统重要性。针对“美国银行业”之类的行业，或“JPMorgan Chase 交易对手网络”之类的特定机构运行 compute_debtrank，即可根据 DebtRank 分数为各实体排名——该分数表示其个体困境影响的经济总价值占比。输出会根据阈值分析，将各实体划分为 G-SIB、D-SIB 或非系统性实体，无需专有的双边敞口数据即可获得严谨的排名。

压力测试和处置规划

处置规划人员和风险管理人员需要了解初始冲击会如何放大。运行 simulate_cascade_failure，即可应用 Eisenberg-Noe 清算支付框架：每个节点支付其债务与可用资产中的较小值，短缺会传导至债权人，算法则迭代计算，直至得到不动点清算向量。输出会显示每轮的违约情况、累计损失、级联深度和收敛迭代次数，格式与监管压力测试文档的要求完全一致。

临界状态评估

中央银行研究人员和宏观审慎监管人员需要了解当前系统配置处于亚临界、临界还是超临界状态。identify_critical_nodes 构建 NL x NL 超邻接矩阵（包括层内区块和层间耦合张量），通过幂迭代计算其最大特征值，并对状态进行分类。超临界意味着跨层级联会放大而非减弱，这是需要监管干预的信号。

时变压力事件监测

追踪预警指标的风险监测团队使用 detect_stress_clustering 运行多变量 Hawkes 过程的 EM 估计。分支比（alpha/beta 的谱半径）是关键输出：数值接近 1 表示系统正变得具有自激性，即每个压力事件都会触发更多事件。这可在违约实际发生前提供不稳定性领先指标。

制裁合规压力测试

对可能受到制裁的司法管辖区或实体有敞口的银行合规人员，使用 model_sanctions_shock 在实施新制裁前估算传染效应。该模型会切断受制裁实体的网络连接，假设违约损失率为 60%，通过 BFS 传播压力，并在任何节点的损失超过其权益的 10% 时触发进一步传播。输出包括各实体的直接与间接影响，以及传播深度。

跨层传染渠道映射

定量研究人员和系统性风险领域的学者使用 compute_contagion_channels 了解传染机制，而不仅是其严重程度。超邻接张量分解可识别放大效应最大的层间路径，例如所有权与金融敞口之间的耦合，或市场相关性与供应链之间的耦合，哪一种是主要传导渠道。跨层放大比率显示，多层网络传染比任何单层模型的预测严重多少。

如何连接此 MCP 服务

第 1 步：获取 Apify API 令牌

在 apify.com 注册，并前往 Settings > Integrations > API token 查找令牌。Apify Free 套餐每月包含 $5 额度。

第 2 步：添加到 MCP 客户端

Claude Desktop — 添加到 claude_desktop_config.json：

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

Cursor / Windsurf / Cline — 在 MCP 服务设置面板中添加相同的 URL。端点为 https://systemic-risk-contagion-mcp.apify.actor/mcp。

第 3 步：运行首次分析

向 AI 助手提问：

“使用系统性风险 MCP 计算美国银行业的 DebtRank，并找出排名前列的 G-SIB。”

“对 Goldman Sachs 的交易对手网络运行级联故障模拟，并显示违约轮次。”

“为欧洲银行业生成完整的稳定性报告。”

第 4 步：解读结果

每个工具都会返回结构化 JSON，其中包含算法输出、网络统计数据和解读信号。generate_stability_report 工具会明确标记是否超出阈值，并提供书面建议。

输入参数

这是一个 MCP 服务。它没有 Apify actor 输入架构 — 配置完全通过 MCP 客户端完成。每个工具接受一个参数：

参数	类型	必填	说明
query	string	是	要分析的金融实体、行业或系统性风险主题。示例：“美国银行业”“Goldman Sachs 交易对手网络”“欧洲主权债务”“加密货币交易所系统性风险”

所有 16 个数据源都会使用此字符串进行查询。查询越具体，构建的网络就越有针对性。

查询示例

行业层面的系统性风险：

"US banking sector 2024"

单家机构的交易对手分析：

"JPMorgan Chase counterparty network"

地理区域跨境传染：

"European banking systemic risk"

特定资产类别：

"crypto exchange systemic risk contagion"

制裁影响建模：

"Russian banking sector OFAC sanctions impact"

输入提示

• 具体实体名称可生成更密集的网络 — 与「banking」相比，「Citibank」能获取更有针对性的 FDIC 和 EDGAR 数据。
• 行业查询可揭示宏观层面的结构 — 与针对单一机构的查询相比，「US insurance sector」能更好地捕捉跨实体关联和供应链层级。
• 跨境分析时添加地理背景 — 「European sovereign debt」会触发更深入的 IMF 和 World Bank 数据检索。
• 初步探索时使用 generate_stability_report — 它会在一次调用中运行所有算法，让你先全面了解情况，再深入使用特定工具。
• 按顺序串联工具进行深入分析 — 先使用 build_systemic_network 了解网络结构，再使用 compute_debtrank 进行排名，最后使用 simulate_cascade_failure 进行情景压力测试。

⬆️ 输出示例

compute_debtrank — 美国银行业：

{
  "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 — 欧洲银行业：

{
  "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
  }
}

输出字段

字段	类型	描述
query	string	用于查询全部 16 个数据源的输入查询
networkSize	number	节点总数（银行、企业、主权实体、加密资产、指标）
edgeCount	number	所有层中的边总数
rankings[]	array	各实体的 DebtRank（仅限 compute_debtrank）
rankings[].entity	string	实体名称
rankings[].debtRank	number	DebtRank 分数，范围为 0–1（受影响的经济总价值占比）
rankings[].relativeImpact	number	按最大节点归一化的相对影响
rankings[].tier	string	"G-SIB"、"D-SIB" 或 "non-systemic"
systemicLoss	number	面临风险的系统价值总占比（DebtRank 汇总值）
gSibCount	number	被归类为 G-SIB 的实体数量
steps[]	array	每轮级联数据（仅限 simulate_cascade_failure）
steps[].round	number	违约传播轮次编号
steps[].defaulted	string[]	本轮违约的实体名称
steps[].cumulativeLoss	number	截至本轮的系统累计损失
steps[].survivingNodes	number	仍具偿付能力的节点数量
totalDefaults	number	所有轮次中违约的实体总数
cascadeDepth	number	级联终止前的轮次数
clearingVector	number[]	Eisenberg-Noe 不动点清算支付向量
convergenceIterations	number	虚拟违约算法的收敛次数
criticalNodes[]	array	系统关键实体（仅限 identify_critical_nodes）
criticalNodes[].eigenvectorCentrality	number	特征向量中心性分数
criticalNodes[].betweenness	number	跨多层网络的中介中心性
criticalNodes[].spectralImportance	number	对最大超邻接特征值的贡献
criticalNodes[].removalImpact	number	移除节点后谱半径的降幅
spectralRadius	number	超邻接矩阵的最大特征值
systemicCriticalityRegime	string	"subcritical"、"critical" 或 "supercritical"
algebraicConnectivity	number	Fiedler 值——值越低，网络结构越脆弱
clusters[]	array	压力集群（仅限 detect_stress_clustering）
clusters[].hawkesIntensity	number	集群形成时的事件强度
branchingRatio	number	alpha/beta 的 Hawkes 谱半径——接近 1 时表示临界不稳定
shocks[]	array	各实体的制裁影响（仅限 model_sanctions_shock）
shocks[].directImpact	number	直接制裁敞口造成的损失
shocks[].indirectImpact	number	通过交易对手传播造成的损失
shocks[].propagationDepth	number	间接影响的 BFS 跳数深度
channels[]	array	跨层传染路径（仅限 compute_contagion_channels）
channels[].fromLayer	string	源网络层
channels[].toLayer	string	目标网络层
channels[].strength	number	通道传递强度
crossLayerAmplification	number	多层网络与单层网络传染严重程度之比
dominantChannel	string	承载最多传染风险的层对
metrics[]	array	经阈值检验的稳定性指标（仅限 generate_stability_report）
metrics[].breached	boolean	指标是否超过其监管阈值
overallRisk	string	"low"、"moderate"、"elevated"、"high" 或 "critical"
riskScore	number	综合风险分数，范围为 0–100
recommendations	string[]	根据阈值超限和风险状态分析得出的可执行建议

运行系统性风险传染分析需要多少费用？

每次工具调用费用为 $0.045。平台计算费用已包含在内。每次调用时，16 个参与方都会并行运行，因此相对于处理的数据量，每个数据点的成本极低。

场景	工具调用次数	每次调用费用	总费用
快速测试（运行一次 DebtRank）	1	$0.045	$0.045
标准分析（4 个工具）	4	$0.045	$0.18
完整的 8 工具套件（所有算法）	8	$0.045	$0.36
每周监控（稳定性报告 x4）	4	$0.045	$0.18
企业级（每月运行 100 次）	100	$0.045	$4.50

Apify 免费套餐每月包含 $5 额度，足以让你每月免费调用 111 次工具。

相比之下，Bloomberg Terminal 每年费用为 $24,000，专用量化基础设施的工程投入则需 $50,000 以上。使用此服务，每月 $10–20 的预算即可满足全面的持续监控需求。

你可以使用 Apify 的支出控制，为每个 MCP 会话设置最高支出限额。达到预算后，服务会停止并返回错误，以防止 Agent 费用失控。

系统性风险传染 MCP 的工作原理

阶段 1：并行采集 16 个来源的数据

每次工具调用都会通过 Promise.all() 触发 16 个 Apify actor，并同时运行，每个 actor 都设有 120 秒的独立超时。actor 按领域分组：企业注册机构（OpenCorporates、GLEIF）、金融监管机构（EDGAR、SEC、FDIC、CFPB）、市场数据（Finnhub、CoinGecko、Exchange Rates、Congress Stock）、宏观经济指标（FRED、BLS、IMF、World Bank）和制裁名单（OFAC）。运行失败的 actor 会返回空数组，并被安全地排除在网络构建之外，而不会导致整个调用失败。

阶段 2：构建多层网络

buildMultiplexNetwork() 会接收全部 16 个数据流，并为 8 种实体类型构建类型化的 FinancialNode 对象：银行、保险公司、基金、企业、主权实体、交易所、加密货币和指标。FDIC 银行记录会转换为银行节点，包含 assets、liabilities、equity 和 leverage 字段。OpenCorporates 记录会转换为包含行业和司法管辖区信息的企业节点。IMF 记录会转换为主权实体节点。FRED 序列会转换为指标节点（最多 20 个，以控制网络规模）。

随后，该函数会构建四个 N×N 邻接矩阵：ownership（基于 GLEIF 的母子公司 LEI 关系和企业注册结构）、financial_exposure（基于 SEC 文件中的敞口数据和 FDIC 银行间指标）、market_correlation（基于股票收益率的共同变动、加密货币价格和外汇共同变动）以及 supply_chain（根据行业共同出现情况推断）。三阶层间耦合张量 C[l1][l2][i] 会捕捉每个节点的连接在各层对之间的相关性，这是多层网络放大效应的作用机制。

阶段 3：算法执行

DebtRank（computeDebtRank）：分别将每个节点的冲击设为压力水平 1.0。压力通过金融敞口层权重矩阵 W[i][j] = exposure[i][j] / equity[j] 迭代传播。每次迭代：h[j] = min(1, h[j] + Σ_i W[i][j] * h[i])，直到没有节点的压力变化超过 0.001。节点 k 的 DebtRank = Σ_j (h_j^final - h_j^initial)，并按系统总股本归一化。DebtRank > 0.10 的节点被归类为 G-SIB；> 0.05 的节点被归类为 D-SIB。

Eisenberg-Noe 清算（simulateCascadeFailure）：虚拟违约算法计算不动点清算向量。每次迭代将 p[i] = min(p_bar[i], assets[i] + Σ_j (L[j][i]/p_bar[j]) * p[j])，其中 p_bar[i] 是总债务，L 是负债矩阵。算法迭代至收敛（通常少于 20 次迭代）。随后，级联模拟施加初始冲击（对敞口最高的节点造成 20% 的资产损失），并以 BFS 轮次传播违约。

超邻接谱分析（identifyCriticalNodes）：构建 NL×NL 超邻接矩阵，对角线上为层内区块，非对角线上为层间耦合矩阵。幂迭代计算最大特征值。如果该值超过 1.0，系统即处于超临界状态——扰动会增长，而非衰减。特征向量中心性可识别最容易导致系统进入超临界状态的节点。

多变量 Hawkes EM（detectStressClustering）：通过 10 次 EM 迭代估计 λ_i(t) = μ_i + Σ_j α_ij Σ_{t_k<t} β*exp(-β*(t-t_k))。E 步计算事件责任度；M 步更新 μ、α 和 β。分支比为 ρ = spectral_radius(α/β)，是关键的临界性指标。具有相关压力历史的节点通过基于阈值的邻接关系分组成簇。

超邻接张量分解（computeContagionChannels）：将所有有序层对视为传染通道。通道强度与层间耦合幅度以及各层谱半径的乘积成正比。CP 张量秩估计表示完整跨层传播结构所需的最少秩 1 分量数量，可衡量传染路径的复杂度。

最佳效果提示

1. 在深入使用单个工具之前，先运行 generate_stability_report。它会在一次 $0.045 的调用中运行所有算法，并全面呈现分析结果——包括风险状态分类、DebtRank 摘要、级联深度、Hawkes 分支比率和书面建议——让你知道接下来该运行哪些具体工具。

2. 在映射敞口时使用机构名称，在分析系统结构时使用行业术语。使用“Bank of America interbank lending”会生成更密集的 financial_exposure 层；使用“US commercial banking sector”则会生成节点更多、范围更广的 market_correlation 层，更适合行业层面的关键性分析。

3. 持续追踪分支比率随时间的变化趋势。Hawkes 分支比率是最灵敏的早期预警指标。安排每周运行 detect_stress_clustering，并在比率高于 0.70（风险升高）或 0.85（严重预警区）时发出警报。

4. 解读谱半径时，应将其与 1.0 比较，而不是孤立地看绝对值。谱半径为 1.05 比 0.95 更危险，并不是因为两者差距很大，而是因为 1.0 是亚临界阻尼与超临界放大之间的相变点。

5. 结合制裁工具和级联工具进行合规压力测试。先运行 model_sanctions_shock，找出传播间接影响最大的实体；然后以这些实体为初始冲击源运行 simulate_cascade_failure，模拟最坏情况下的级联情景。

6. 设置 Apify 支出上限，防止 Agent 成本超支。循环运行的 AI Agent 可能会多次调用全部 8 个工具。对于探索性分析，可将会话支出上限设为 $2–5；对于全面监控工作流，可设为 $10–20。

7. 将 identify_critical_nodes 的输出与 compute_debtrank 交叉比对。高 DebtRank 实体在陷入困境时会造成巨大损失；谱重要性高的实体则是结构性瓶颈。两个列表中都出现的实体，是优先级最高的系统性风险对象。

与其他 Apify MCP 服务结合使用

Actor	组合使用方式
Sovereign Debt Contagion MCP	同时运行主权传染分析，将网络覆盖范围扩展到主权实体向银行传导的渠道
Sanctions Network Analysis MCP	将此服务的 model_sanctions_shock 输出作为制裁网络分析的输入，以更深入地绘制规避路线
SEC EDGAR Filing Analyzer	提取特定机构的定向 10-K/10-Q 敞口数据，用准确的双边数据丰富 financial_exposure 层
FDIC Bank Search	查询特定银行的监管申报数据，以验证并丰富网络中来源于 FDIC 的节点
OFAC Sanctions Search	将 model_sanctions_shock 标记的实体与最新 OFAC 名单交叉比对，用于合规文档
Company Deep Research	为 compute_debtrank 识别出的 G-SIB 生成详细情报报告，提供定性背景
Investment Alternative Data MCP	将系统性风险状态分类与另类投资信号结合，用于风险调整后的投资组合决策

局限性

• 没有私有双边敞口数据。 financial_exposure 层由公开的 SEC 文件、FDIC 电话报告和 EDGAR 数据构建。银行资产负债表上持有的实际双边衍生品和回购敞口数据并未公开。结果应视为情景分析，而非精确的敞口测量。
• 网络构建取决于查询内容。 16 个参与方都会使用你的查询字符串进行搜索。查询特定机构时，网络会更密集、更聚焦。查询内容模糊时，网络会更稀疏，分析可信度也会降低。
• 16 个参与方并行执行需要 60–120 秒。 每次工具调用都要等待全部 16 个数据源返回结果，每个参与方的超时时间为 120 秒。总耗时取决于响应最慢的参与方。每次工具调用请预留 2–3 分钟。
• Hawkes 过程估算需要足够的事件历史。 EM 估算需要网络中有足够多的压力事件，才能得出可靠的分支比估算值。网络非常稀疏（节点少于 20 个）时，Hawkes 参数的可信度会较低。
• 加密货币敞口仅限于 CoinGecko 公开数据。 未纳入 DeFi 协议互联关系和链上敞口数据。加密货币层仅反映市场价格的联动，不反映智能合约交易对手风险。
• 政治冲击层依赖 STOCK Act 披露信息。 国会交易数据可为行业政治风险提供方向性信号，但该方法必然基于推断：某行业交易量显著，通常与监管或政策风险相关。
• OFAC 制裁数据反映当前名单。 不包含历史制裁敞口（即后来已从名单中移除的实体）。进行历史分析时，请补充使用 OFAC 归档数据。
• 该服务不提供投资建议。 所有输出都是基于公开数据得出的定量风险模型结果，不构成财务建议、监管指导或官方系统性风险评估。

集成

• Apify API — 通过 Python、JavaScript 或任意 HTTP 客户端以编程方式触发系统性风险分析，用于自动化监控流程
• Webhooks — 当稳定性报告中的风险评分超过设定阈值时，向 Slack、PagerDuty 或自定义端点发送警报
• Apify Scheduler — 安排每周或每日运行稳定性报告，持续跟踪 Hawkes 分支比和谱半径的变化趋势
• LangChain / LlamaIndex — 使用 MCP 协议将系统性风险工具嵌入 Agent 工作流中的金融分析流程
• Claude Desktop — 通过 MCP 服务 URL 直接连接，进行交互式系统性风险问答和情景分析

故障排除

工具返回空网络或网络规模很小（少于 10 个节点）。 这通常意味着查询字符串与主要数据源中的记录不匹配。请尝试更通用的查询，例如使用“US banking”代替特定股票代码，或在查询中添加“sector”。检查输出中的 dataSources 对象，查看哪些 Actor 返回了零条结果。

级联模拟显示零个违约。 Eisenberg-Noe 级联模型需要包含具有显著杠杆率（负债 > 权益）的节点，级联才能传播。如果网络主要由指标节点和主权节点组成，没有银行节点，就不会发生违约。请使用能检索 FDIC 银行数据的查询——在查询字符串中加入“bank”或“banking”，以触发 FDIC Actor 返回结果。

Hawkes 分支比恰好为 0.0 或 1.0。 这些边界值表示 EM 收敛退化，通常发生在网络节点少于 5 个或所有节点类型相同时。EM 算法需要足够多样的网络，才能估算出有意义的 alpha/beta 参数。请扩大查询范围。

Supra-adjacency 谱分析对本应具有高风险的查询报告“subcritical”。 谱半径取决于网络密度。检索到的节点较少或连接稀疏时，无论相关行业的实际风险水平如何，谱半径都会较低。在解读状态分类之前，请先运行 build_systemic_network，并检查 edgeCount 是否至少为 50。

达到支出限额错误。 当你的 Apify 账户达到支出限额时，服务会返回 {"error": true, "message": "Spending limit reached for [event]"}。请在 Apify Console > Billing > Spend Limits 中提高限额，或使用 generate_stability_report 工具（一次调用即可运行所有算法），而不是逐个调用各个工具。

负责任地使用

• 此服务仅访问公开的政府数据库、监管文件和开放市场数据。
• 所有 16 个底层数据源均为公开数据：SEC EDGAR、FDIC call reports、OFAC、CFPB、FRED、BLS、IMF、World Bank 和开放市场数据 API。
• 输出是定量风险模型的结果，仅供研究、风险管理和监管分析之用。
• 请勿将输出用作投资建议、交易信号或官方监管认定。
• 有关网络抓取合法性的指南，请参阅 Apify 的指南。

❓ 常见问题

此 MCP 每次工具调用会查询多少个数据源？ 每次工具调用都会通过并行执行同时查询全部 16 个数据源。这些数据源涵盖 5 个类别：企业注册信息（OpenCorporates、GLEIF）、金融监管机构（EDGAR、SEC、FDIC、CFPB）、市场数据（Finnhub、CoinGecko、Exchange Rates、Congress Stock）、宏观经济指标（FRED、BLS、IMF、World Bank）和制裁信息（OFAC）。所有 16 个 Actor 的单独超时时间均为 120 秒。

系统性风险传染分析的技术原理是什么？ 该服务会构建一个包含 6 层（ownership、financial_exposure、market_correlation、supply_chain、sanctions、political）的多层复用网络，并使用层间耦合张量。随后，它会应用已发表的算法：使用 DebtRank 对系统重要性进行排名，使用 Eisenberg-Noe 清算模型模拟级联，使用 supra-adjacency 谱分析检测临界状态，以及使用多变量 Hawkes EM 对时序压力进行聚类。所有算法都基于同一个网络运行，因此可以进行一致的跨算法比较。 什么是 DebtRank？它与简单的网络中心性有何不同？ DebtRank（Battiston et al. 2012）用于衡量某个实体陷入困境后，通过按负债加权的连接传播，可能影响的总经济价值比例。与介数中心性不同，它考虑的是金融风险敞口的规模，而不仅是网络拓扑结构。某个实体的 DebtRank 为 0.30，意味着通过直接和间接的交易对手渠道，系统总股本的 30% 面临其陷入困境的风险。

什么是 Eisenberg-Noe 清算向量？ Eisenberg-Noe（2001）模型用于计算部分机构无法履行全部义务时，各机构的付款金额。每家机构支付 min(total_obligations, available_assets)。虚拟违约算法通过迭代求得固定点清算向量，通常经过 5–20 轮即可收敛。这是央行压力测试中使用的标准框架。

超临界 supra-adjacency 谱半径意味着什么？ supra-adjacency 矩阵同时捕捉层内和跨层连接。其最大特征值决定扰动是增长（谱半径 > 1.0，超临界）还是衰减（< 1.0，亚临界）。系统处于超临界状态时，初始冲击会在传至其他层的过程中放大。例如，市场相关性冲击可能引发所有权层面的困境，随后通过金融风险敞口进一步放大。这种多层网络放大效应是单层模型所不具备的。

级联模拟的准确度如何？ DebtRank 和 Eisenberg-Noe 框架是对已发表模型的严谨数学实现。准确度取决于公开风险敞口数据的完整性：SEC 文件、FDIC 电话报告和 GLEIF LEI 记录对美国和欧盟金融机构的覆盖较好，但私人双边衍生品和回购风险敞口并未公开。结果最好用于相对风险排序和情景压力测试，而非精确预测损失。

Hawkes 分支比是什么？我应在何时提高警惕？ Hawkes 过程中的分支比 ρ = spectral_radius(α/β) 用于衡量自激强度。分支比为 0 表示压力事件彼此独立；比值接近 1 表示过程接近临界状态——每个压力事件都会引发更多事件，造成自我强化的不稳定性。数值高于 0.70 时应予以监控；高于 0.85 时表示系统性风险显著升高；接近 1.0 则表示系统接近临界状态。

这与 Bloomberg 或其他专业金融数据终端有何不同？ Bloomberg Terminal 提供原始数据和针对单家机构的基础分析。本服务专门实现系统性传染算法，提供终端无法开箱即用的网络级分析。本服务还会自动整合 16 个来源的数据，而使用 Bloomberg 则需要手动汇集多个来源的数据。成本差异也很显著：Bloomberg Terminal 每年约需 $24,000；本服务每次分析收费 $0.045。

我可以使用此 MCP 分析主权债务和跨境传染吗？ 本服务将 IMF 和 World Bank 数据纳入网络，构建主权节点并提供跨境风险敞口信号。如需专门进行主权财政压力建模，并分析债券利差和主权 CDS 数据，可将本服务与 Sovereign Debt Contagion MCP 配合使用；该服务会对银行与主权之间的反馈循环进行显式建模。 使用公开的金融数据进行系统性风险分析是否合法？ 全部 16 个数据源均为公开的政府数据库和开放市场数据。SEC EDGAR、FDIC call reports、OFAC 制裁名单、FRED、BLS、IMF 和 World Bank 数据都是依法公开披露的信息或可免费获取的官方数据集。将这些数据用于风险分析是合法的。更多详情请参阅 Apify 关于网页抓取合法性的指南。

可以安排定期进行系统性风险监测吗？ 可以。使用 Apify Scheduler，按每周或每日的频率运行 generate_stability_report，监测目标行业或机构。结合 Apify Webhooks，在 overallRisk 变更类别或 Hawkes 分支比率超过阈值时触发警报。这样无需任何自定义基础设施，即可创建自动化的早期预警监测工作流。

一次典型的系统性风险分析需要多长时间？ 每次工具调用都会并行运行 16 个 actor，然后执行评分算法。总耗时通常为 60–120 秒，具体取决于 16 个 actor 中耗时最长的一个。无论调用哪个工具，16 个 actor 都会并行运行，因此 generate_stability_report 工具不会比单个工具明显耗时更长。

帮助我们改进

如果您遇到问题，可以在 Apify 账户中启用运行共享，帮助我们更快地排查问题：

1. 前往 Account Settings > Privacy
2. 启用 与公开 Actor 的创建者共享运行记录

这样一来，出现问题时我们就能查看您的运行详情，从而更快地修复问题。您的数据仅对 actor 开发者可见，不会公开。

支持

发现错误或有功能需求？请在此 actor 页面上的 Issues 标签页中提交问题。如需定制解决方案或企业集成（包括私有部署、定制数据源集成或量身定制的传染模型配置），请通过 Apify 平台联系我们。