简介：TENET-CODE是一份围绕尾部事件驱动神经网络（TENET）的经典实现代码，面向金融风险管理、量化投资与机器学习方向的研究者和实践者，帮助其理解极端风险事件的建模思路与落地方式。资源包共53个文件，约2.37MB，以R脚本、CSV数据、TXT说明、Markdown文档和PNG图表为主，另含少量Excel表格与R数据文件，覆盖数据预处理、模型训练、参数调优与结果可视化等环节。代码涉及尾部事件识别、神经网络结构、损失函数与优化器选择、金融时间序列特征工程、训练验证集划分及AUC-ROC等评估指标，并包含VaR、CoVaR、连通性网络与系统性重要金融机构等实战模块。已有1250人学习下载，适合希望深入掌握TENET模型实现细节、提升金融市场极端风险预测能力的读者参考。

1. 拆开 TENET-CODE：一份把尾部风险做成网络的 R 代码包

金融风控里有个老问题：正常波动谁都能建模，真正要命的是尾部。2008 年那种级别的回撤、单日暴跌、机构间风险同时爆表，传统线性模型基本抓不住。TENET 这套东西的思路，是把尾部事件当成一等公民，用网络结构去刻画机构之间的极端风险传导。我拿到 TENET-CODE.zip 的第一反应是：这不是一份跑个 demo 就完事的玩具，而是一套完整的 R 工程，从数据清洗、SIM 单指数模型、线性与非线性网络、VaR/CoVaR 一路铺到总联动指标和分组网络。它适合谁？做金融风险量化、想复现系统性风险网络、或者手头有收益率面板数据想找一套能改能跑的框架的人。不适合只想调个包看结论的人，因为这份代码里大量逻辑需要你自己接数据、调参数、看中间输出。

2. TENET 的建模逻辑：为什么用网络而不是回归

2.1 从单指数模型到总联动：TENET 到底在算什么

先把概念理清楚，不然后面看代码会迷。TENET 全称 Tail Event Driven Neural Network，尾部事件驱动神经网络。它的核心不是预测某只股票明天涨跌，而是回答一个更结构化的问题：当某家机构或某个板块进入尾部状态时，风险通过什么路径、以多大强度传到别人身上。

传统做法是跑分位数回归算 CoVaR，一家一家算，算完拼成矩阵。问题是金融机构之间的联动往往是非线性的，市场恐慌时相关性会突然跳升，线性回归在这种时刻会系统性低估风险。TENET 用神经网络去拟合这种非线性映射，再把拟合出来的连接强度整理成网络。

代码包里几个文件名其实已经把模块划分说清楚了：

这套结构是层层递进的：先 SIM 降维，再估网络，再算联动，最后落到 SIFIs 识别。你如果只想要一个总联动数字，跑到 TENET_total_connectedness 就够了；要做监管视角的机构排序，就得把 in/out individual 和 SIFIs 都跑通。

2.2 环境与数据准备：R 版本、依赖和输入格式

这份代码是 R 写的，历史文件 .Rapp.history、.Rhistory 说明作者是在 RStudio 里长期迭代的。我一般会先确认三件事：R 版本、依赖包、数据格式。

R 版本建议 4.x，太老的 3.x 在神经网络相关包上容易出兼容问题。依赖方面，代码里涉及神经网络训练、分位数计算、矩阵运算，常见需要的是 quantreg、nnet 或 neuralnet、以及基础的 zoo/xts 处理时间序列。具体包名以你解压后脚本里的 library() 调用为准，不要凭记忆装。

数据输入看文件名就知道大概：BS_CFin_20170202_Weekly_Fina.xls 是资产负债表类的财务数据，GICS_Fin_Maco_weekly_Return2008_2016.csv 是 GICS 金融板块加宏观的周度收益率，时间跨度 2008 到 2016。也就是说这套代码默认吃的是周频面板数据，行是时间，列是机构或因子。

# 读取周度收益率面板，第一列通常是日期 ret <- read.csv("GICS_Fin_Maco_weekly_Return2008_2016.csv", header = TRUE, stringsAsFactors = FALSE) # 日期列转成 Date，方便后续按时间切片 ret$Date <- as.Date(ret$Date) # 检查缺失：金融面板里停牌、退市会留 NA colSums(is.na(ret)) # 收益率列去掉日期列，转成矩阵喂给后续模型 ret_mat <- as.matrix(ret[, -1])

这段逻辑很直白：读进来、转日期、查缺失、转矩阵。参数上唯一要留意的是日期格式，如果你的日期是 2016/1/3 这种，as.Date 要补 format 参数，否则会整列变 NA，后面全崩。缺失值不要无脑填 0，金融收益率填 0 等于人为制造一个“无波动”的假观测，常见做法是前向填充或直接剔除该机构。

提示：先拿一小段数据跑通全流程，再上全样本。这套代码模块多，全样本第一次跑很容易在某个中间步骤卡住，定位成本高。

3. 跑通核心链路：从 SIM 到 VaR/CoVaR 的操作步骤

3.1 单指数模型 SIM：降维与因子提取

SIM 这一步的作用是把每家机构的收益率拆成市场因子加个体残差。为什么要拆？因为直接拿原始收益率估网络，市场共同波动会淹没机构间的真实传导，你会得到一个人人相连的稠密网络，没有信息量。

# 对每家机构跑单指数模型：r_i = alpha + beta * r_market + e_i sim_fit <- function(stock_ret, market_ret) { fit <- lm(stock_ret ~ market_ret) # 普通最小二乘 list(alpha = coef(fit)[1], beta = coef(fit)[2], resid = residuals(fit)) # 残差留作网络输入 } # 对面板每一列循环，收集残差矩阵 resid_mat <- sapply(seq_len(ncol(ret_mat) - 1), function(j) { sim_fit(ret_mat[, j], ret_mat[, "Market"])$resid })

逻辑说明：lm 拟合市场因子，beta 是系统性暴露，resid 是个体特质部分。参数上，市场因子那一列必须明确指定，代码里假设它叫 Market，你换数据要改列名。残差矩阵才是后面网络估计的真正输入。这一步的坑在于 beta 的稳定性，如果某机构 beta 在样本期内剧烈变化，单一 beta 会失真，常见做法是滚动窗口估 beta，但这份代码默认是全样本，你要自己判断是否够用。

3.2 VaR 与 CoVaR：尾部阈值的设定

VaR 是单机构在给定置信水平下的最大损失，CoVaR 是“当某机构处于危机状态时，另一机构的 VaR”。TENET 的尾部驱动就体现在这里：它不建模整个分布，只关注超过阈值的部分。

# 计算单机构 VaR，置信水平 0.95，即 5% 分位 library(quantreg) var_fun <- function(x, tau = 0.05) { quantile(x, probs = tau, na.rm = TRUE) # 经验分位数 } # 对残差矩阵每列算 VaR var_vec <- apply(resid_mat, 2, var_fun, tau = 0.05) # 标记尾部状态：低于 VaR 的观测记为 1 tail_flag <- sweep(resid_mat, 2, var_vec, FUN = "<")

参数说明：tau 是尾部概率，0.05 对应 95% 置信。这个值直接决定你抓多少极端样本，设太小（如 0.01）样本不够，神经网络训不动；设太大（如 0.10）尾部就不“尾”了。我一般先用 0.05 跑，看尾部样本量再调。tail_flag 是逻辑矩阵，后续网络估计会用它做条件。注意 quantile 默认算法在样本少时和不同插值方式有差异，跨机构比较时保持同一算法。

3.3 网络估计与总联动：把连接强度拼成矩阵

到这一步才是 TENET 的主体。用神经网络拟合“一家机构尾部状态”对“另一家机构收益”的影响，把拟合出的连接强度整理成邻接矩阵，再算总联动。

library(nnet) # 以机构 j 的尾部状态为输入，预测机构 i 的收益 tenet_link <- function(target_ret, tail_input) { dat <- data.frame(y = target_ret, x = as.numeric(tail_input)) fit <- nnet(y ~ x, data = dat, size = 3, # 隐藏层 3 个节点 linout = TRUE, decay = 0.01, # 回归输出 + 权重衰减 maxit = 500, trace = FALSE) predict(fit, newdata = dat) # 返回拟合值 } # 双重循环构建连接矩阵（机构数多时建议并行） n <- ncol(resid_mat) adj <- matrix(0, n, n) for (i in 1:n) { for (j in 1:n) { if (i != j) { pred <- tenet_link(resid_mat[, i], tail_flag[, j]) adj[i, j] <- cor(resid_mat[, i], pred, use = "complete.obs") } } }

逻辑说明：size 是隐藏层节点数，3 是个保守起点，节点越多拟合能力越强但越容易过拟合；decay 是权重衰减，控制复杂度；linout=TRUE 表示输出连续值而不是分类。adj[i,j] 表示 j 的尾部状态对 i 的解释强度，用相关系数衡量。这个双重循环是性能瓶颈，机构上百时纯循环会很慢，常见做法是并行化或先做变量筛选。总联动就是把 adj 矩阵按行按列加总，代码包里 TENET_total_connectedness 干的就是这件事。

注意：神经网络有随机初始化，同一份数据两次跑结果不会完全一样。要可复现，训练前 set.seed 固定种子，并在论文或报告里写明种子。

4. 避坑与排查：这份代码最容易翻车的五个地方

4.1 现象：跑完 adj 矩阵全是接近 1 的高相关

原因：没有做 SIM 降维，直接拿原始收益率估网络，市场共同因子让所有机构看起来高度联动。解决：确认你喂给网络的是 SIM 残差而不是原始收益，检查 resid_mat 是否真的去掉了市场因子。

4.2 现象：nnet 报错或输出全是常数

原因：输入没有标准化，或者尾部标记全 0/全 1 导致输入无变异。解决：对残差做 scale 标准化，检查 tail_flag 每列的均值，接近 0 或 1 的列直接剔除，说明该机构样本期内没有尾部事件。

4.3 现象：VaR 算出来是正数，尾部标记反了

原因：收益率量纲或符号约定不一致，有的数据用百分比有的用小数。解决：统一量纲，确认 VaR 是负的分位数，tail_flag 用“小于 VaR”而不是“大于”。这个坑很隐蔽，标记反了后面全反。

4.4 现象：总联动指数逐年上升，看起来“风险越来越大”

原因：样本期覆盖 2008 到 2016，前期危机期联动本来就高，后期平稳期低，如果窗口没对齐会误读趋势。解决：明确你的滚动窗口长度，对比不同窗口下的联动曲线，不要拿单条曲线下结论。

4.5 现象：SIFIs 排序每次跑都不一样

原因：神经网络随机性加样本敏感性，排名靠后的机构本来就不稳定。解决：多次训练取平均连接矩阵，或者只关注排名前列且跨次稳定的机构，别把第 15 名和第 16 名的差异当信号。

5. 进阶用法：把 TENET 输出接到你自己的风控流程里

跑通全链路只是起点，真正有价值的是把输出用起来。我一般会做三件事。

第一，把总联动指数做成时间序列，和已知的风险事件对齐，看它是不是在事件前就有抬升。这一步不需要改代码，把 TENET_total_connectedness 的输出按时间存下来画图即可。如果联动指数在几次市场剧烈波动前都提前抬头，这套东西对你的场景就有预警价值。

第二，用 in/out 连接度做机构分层。TENET_total_in_out_individual 给的是每家机构的“发出风险”和“接收风险”强度。发出高、接收低的机构是风险源头，接收高、发出低的是风险承接方。监管视角关注前者，交易对手管理关注后者。你可以按这两个维度画散点，把机构分到四个象限，比单一排名信息量大得多。

第三，分组网络做板块级传导。TENET_group_network 和 TENET_total_in_out_groups 把机构聚合到组，适合看银行、保险、券商之间的风险流向。聚合规则要你自己定，常见是按 GICS 子行业或按资产规模分组。分组后节点少，网络图可读性高，适合放进汇报材料。

验证方法上，我习惯做两件事：一是把 TENET 的联动结果和简单相关系数矩阵对比，如果两者完全一致，说明你的非线性部分没起作用，参数可能没调对；二是留一段样本外数据，看尾部时期的联动估计是否比线性方法更贴近实际。这两步能帮你判断这套代码在你的数据上到底有没有增量。

从那以后我每次拿到这类网络型风险代码，都强制先跑一遍线性版本做基准，再上非线性，不然根本说不清提升来自模型还是来自数据。希望帮到你。

本文还有配套的精品资源，点击获取