多维标记霍克斯过程的非参数估计
内容提要
该文综述Hawkes过程非参数估计研究，涵盖Wiener-Hopf积分方程、非参数贝叶斯、VAR自回归和Granger因果结构等方法，应用于高频交易、地震、Twitter扩散、神经脉冲及危重患者监测，并涉及LSTM点过程建模与随机激发水平扩展模型。
延伸解读
方法演进：从积分方程到贝叶斯与自回归
文章梳理了多维Hawkes过程非参数估计的多种技术路线。早期方法基于Wiener-Hopf积分方程系统直接估计核矩阵，后续研究引入非参数贝叶斯、VAR(p)自回归以及基于Granger因果结构的估计器。这些方法在估计灵活性、计算复杂度和理论保证上各有侧重，反映了该领域从确定性求解向概率建模与因果推断扩展的趋势。
跨领域应用：从金融地震到神经与医疗
所综述的方法被应用于多个现实场景：高频交易中限价单与市场单的不对称关系、地震时空统计、Twitter信息扩散、大鼠神经脉冲数据以及危重患者生理监测。这些应用表明多维Hawkes过程能刻画不同领域事件间的相互激发与传染效应，尤其适合分析具有长记忆性和幂律衰减特征的自我激励现象。
模型扩展：LSTM与随机激发水平
文章还涉及两类扩展：一是使用LSTM神经网络对多维点过程建模，以处理离散事件流并支持缺失数据下的预测；二是将自激励水平视为随机微分方程，提出随机激发水平的Hawkes过程，并采用混合马尔可夫链蒙特卡罗方法进行推断。这些扩展增强了模型对复杂依赖结构和非平稳场景的适应能力。
Q&A
多维标记霍克斯过程的非参数估计主要涉及哪些方法？
文章综述了多种非参数估计方法，包括Wiener-Hopf积分方程系统、非参数贝叶斯估计、基于VAR(p)模型的自回归方法、基于无限阶自回归的时间离散版本估计器、数值方法估计核形状、结合狄利克雷过程混合模型的框架、LSTM神经网络建模、随机激发水平扩展模型以及估计积分核矩阵的新非参数方法。
Hawkes过程非参数估计有哪些实际应用案例？
应用案例包括高频交易和地震时空统计的事件数据、Twitter扩散数据集、金融交易数据的双变量事件流分析、大鼠脊髓背角的神经脉冲数据、高频金融价格数据建模、危重患者生理数据监测与风险预测，以及模拟数据。
如何用非参数方法估计Hawkes过程的核矩阵？
文章提到使用Wiener-Hopf积分方程系统进行Hawkes核矩阵的非参数估计，并给出了具体步骤；还提出了一种新的非参数方法，旨在估计具有多元Hawkes过程的积分核矩阵，以解释节点间的相互影响和因果关系。
Hawkes过程的Granger因果结构如何被编码？
文章指出，多元Hawkes点过程的Granger因果结构完全被该模型的相应链接函数所编码，并提出了一种基于无限阶自回归的时间离散版本的点过程的链接函数的新的非参数估计器。
非参数贝叶斯方法在Hawkes过程估计中有什么优势？
文章提到一种高效的Hawkes过程核函数的非参数贝叶斯估计方法，通过两种算法实现了灵活的Hawkes触发核推断，并在Twitter扩散数据集上取得了理论和实证结果上的优越性。
随机激发水平扩展模型如何改进Hawkes过程？
通过将自激励水平视为随机微分方程，该扩展允许更好地逼近事件和强度相互加速且传染性相关水平的应用领域。文章推广了模拟算法，提出了混合马尔可夫链蒙特卡罗方法来拟合模型，采样过程与事件数量呈线性比例，且不需要点过程的平稳性。
