股票市场作为金融系统的重要组成部分,其运行动态受到国家和人民的密切关注。而要研究股票市场,就不得不重视系统性风险的负面影响。近年来,诱发金融风险的因素增多、国内外金融环境复杂多变,这就为我国系统性风险的防控任务带来了巨大挑战。在系统性风险的防范过程中,我们需要明确系统性风险是如何在股票市场上传播的,并在此前提下搭建出合理高效的现代化金融监管框架,如此方能缜密预见各种复杂情形和意外状况,充分估计各种困难和挑战,最大限度地降低系统性金融风险发生的可能性。通过精读国内外关于系统性金融风险的优秀著作,可以发现复杂网络分析方法的应用已经较为普遍和成熟,即将金融市场抽象为一个网络模型,分析网络结构特征并辅以统计和金融知识,研究系统性风险相关内容。在此前提下,本文利用最大信息系数来衡量股票收益率之间的非线性相关性,并通过阈值法构造出2008年金融危机、2015年股灾、2018年中美贸易战三个时期的复杂网络,分析股票网络拓扑特征的变化,并借助Newman快速算法对股票网络社区进行识别,结合股票节点的分布状况,明确系统性风险在不同时期的传导特征。除了第二章的复杂网络可视化绘制、网络拓扑特征的指标计算是使用Ucinet和Pajek来完成的以外,其他分析步骤及结果均是借助R和Python实现的。通过对数据进行多层次的分析,得出以下结论:（1）相较于Pearson相关系数,最大信息系数可以有效地提取股票收益率之间的非线性相关性,且接近于正态分布,是更优越的相关性度量指标。（2）使用阈值法来构建股票收益率网络,可以剔除相关性较弱的网络连边,充分过滤掉干扰信息,简化后续分析流程。（3）网络拓扑特征指标表明股票节点之间的整体联系非常紧密,具有明显的小世界性质,风险传播速度非常快。而且各个时期都存在风险传播力较突出的系统重要性股票,这些股票大多属于相近行业。（4）同属于一个子行业或者行业大类的股票节点倾向于聚集在一起,形成一个小群体即网络社区。社区内部连接更密集,不良风险极有可能是先在社区内部进行传播,然后传染给其他社区并蔓延至整个网络,从而形成系统性风险。