Hawkes 过程：金融的自激励点过程

分支比 n 是这个模型的中心：它同时是平稳性条件、内生事件的占比、方差的放大倍数、功率谱低频端的抬升幅度，也是校准里最容易被低估的那个数。

第 4 篇 · 共 12 篇约 15 分钟

金融里的随机性大多来自外部。布朗运动是外生的，即使 Lévy 过程，跳跃也在外生的时刻到达。Hawkes 过程不一样：它自激励，过去的事件会抬高未来事件发生的概率。交易带来交易，违约成串，新闻一层层级联——这些不是模型的附加项，而是它的定义本身。

这个模型的技术内容基本围绕一个数展开：分支比 $n$ 。它是平稳性的判据，是内生事件占全部事件的比例，是方差相对泊松被放大的倍数，是功率谱在低频端抬起来的幅度，也是校准时最容易被低估的那个量。下面每一节其实都在从一个新角度算同一个 $n$ 。

从点过程到 Hawkes 强度

实数线上的点过程是一组随机的、可数的事件时刻 $\{T_1, T_2, \ldots\}$ ：一只股票的成交时刻，一个信用组合的违约时刻，地震发生的时刻，限价订单簿里订单到达的时刻。

最简单的是泊松过程，事件以常数速率 $\lambda$ 到达， $[0, t]$ 内的事件数服从均值 $\lambda t$ 的泊松分布，到达间隔是均值 $1/\lambda$ 的 i.i.d. 指数变量。放松一步是非齐次泊松过程，速率 $\lambda(t)$ 随时间变化，条件于速率，事件仍然彼此独立。

Hawkes 过程让这个速率依赖于已经发生的事件。时刻 $t$ 的强度是

\lambda(t) = \mu + \sum_{T_i < t} \phi(t - T_i)

其中 $\mu > 0$ 是背景速率， $\phi: [0, \infty) \to [0, \infty)$ 是核函数，描述一个过去事件如何抬高之后的强度。 $\mu$ 保证即使一个事件都没发生过，过程也有正的强度； $\phi$ 通常递减，久远的事件影响小于新近的事件。

注意这里的关键差别：非齐次泊松的 $\lambda(t)$ 是外生给定的一条曲线，Hawkes 的 $\lambda(t)$ 是过程自己写出来的。

核函数与分支比

$\phi$ 决定激励怎么衰减。指数核 $\phi(s) = \alpha e^{-\beta s}$ 给出速率为 $\beta$ 的 AR(1) 式衰减，是最常用的一个——用它的时候强度 $\lambda_t$ 本身就是马尔可夫的，整个模型因此解析上可处理。幂律核 $\phi(s) = \alpha (1 + s)^{-(\beta+1)}$ 衰减更慢，用来捕捉长记忆。指数和 $\phi(s) = \sum_i \alpha_i e^{-\beta_i s}$ 是一个能逼近任意核的灵活参数化。

不管选哪个核，有一个泛函把它压缩成一个数：

n = \int_0^\infty \phi(s) \, ds

对指数核就是 $n = \alpha / \beta$ 。这就是分支比，本文剩下的部分基本都在解释它。

第一重身份：平稳性

过程平稳当且仅当 $n < 1$ 。 $n \geq 1$ 时强度无界增长，过程爆炸。

直觉来自 Hawkes 过程的分支结构：把每个事件看成一个”父”，它按强度 $\phi(t - T_i)$ 的泊松过程生出”后代”，后代又成为自己后代的父，递归下去。一个父平均生 $n$ 个直接后代，所以整个家族是一个分支过程—— $n < 1$ 时级联终会死掉，一个祖先的后代总数几乎必然有限； $n \geq 1$ 时它会一直长。

这个结构是 Hawkes 过程真正特别的地方。它不只是一个强度公式，它是一个有清晰概率解释的生成模型：每个事件要么是外部到来的”移民”（速率 $\mu$ ），要么是某个已有事件的后代。级联的形状可以用生成函数分析。

顺带得到 $n$ 的第二个读法：稳态下，后代事件占全部事件的比例正好是 $n$ 。 $n = 0.5$ 意味着一半的事件是被别的事件引发的。

第二重身份：方差放大多少

平稳 Hawkes 过程的平均强度是

\Lambda = \frac{\mu}{1 - n}

即每一个移民平均带来 $1/(1-n)$ 个事件（自己加上整条后代链）。 $n \to 1$ 时它发散，这是平稳性条件的另一种说法。

计数的方差比这更有意思。它随 $t$ 线性增长，但系数比泊松大：

\lim_{t \to \infty} \frac{\text{Var}(N_t)}{t} = \frac{\Lambda}{(1-n)^2} = \frac{\mu}{(1-n)^3}

于是 Fano 因子（方差比均值）是

\frac{\text{Var}(N_t)}{\mathbb{E}[N_t]} \longrightarrow \frac{1}{(1-n)^2}

泊松过程的 Fano 因子恒等于 1。 $n = 0.5$ 时 Hawkes 是 4， $n = 0.7$ 时是约 11。同样的平均事件数，方差可以大一个数量级，而这个倍数完全由 $n$ 决定。

这正是交易数据里看到的那个经验规律：成交在时间上成簇，一笔大单之后跟着一串。用泊松过程去描述，你会系统性地低估波动——不是低估一点，是低估 $(1-n)^{-2}$ 倍。Hawkes 把这个簇装了进来。

第三重身份：功率谱

同一件事在频域里看更清楚。平稳 Hawkes 过程（指数核）的功率谱密度是

S(\omega) = \frac{\Lambda}{2\pi} \left|1 - \hat{\phi}(\omega)\right|^{-2}, \qquad \hat{\phi}(\omega) = \int_0^\infty \phi(s) e^{-i\omega s} ds = \frac{\alpha}{\beta + i\omega}

代入指数核并整理：

S(\omega) = \frac{\Lambda}{2\pi} \cdot \frac{\beta^2 + \omega^2}{(\beta - \alpha)^2 + \omega^2}

两端各读一次。 $\omega \to \infty$ （很短的时间尺度）时 $S \to \Lambda / 2\pi$ ，这是泊松基线——在足够细的时间分辨率上，你看不出自激励，因为聚集是慢变量。 $\omega \to 0$ （长时间窗）时

S(0) = \frac{\Lambda}{2\pi} \cdot \frac{\beta^2}{(\beta-\alpha)^2} = \frac{\Lambda}{2\pi (1-n)^2}

低频端相对泊松抬高了 $1/(1-n)^2$ 倍——和上一节的 Fano 因子是同一个数，这不是巧合，长窗计数的方差本来就是谱在零频附近的取值。

转折发生在 $\omega \approx \beta - \alpha = \beta(1 - n)$ ，对应的时间尺度是 $1/[\beta(1-n)]$ 。注意它比单个核的衰减时间 $1/\beta$ 长，长了 $1/(1-n)$ 倍：一次激励在 $1/\beta$ 的尺度上消退，但一整条级联要用更久才平息， $n$ 越接近 1 拖得越久。

经验上，成交时刻数据的谱确实是这个形状。拟合它可以反推 $\mu$ 、 $\beta$ 和 $n$ ，作为极大似然之外的一条独立验证路径。

强度 SDE 与模拟

指数核还有一个好处：强度满足一个能直接积分的 SDE。

d\lambda_t = \beta(\mu - \lambda_t) \, dt + \alpha \, dN_t

其中 $N_t$ 是计数过程。事件之间 $\lambda_t$ 以速率 $\beta$ 向 $\mu$ 均值回归，每个事件让它跳 $\alpha$ 。这是一个连续均值回归加离散跳跃的结构，而它的长期平均水平就是前面那个 $\mu/(1-n)$ 。

模拟直接照着这个结构走：事件之间按 $\lambda_t = \mu + (\lambda_{T_i} - \mu) e^{-\beta(t - T_i)}$ 衰减，每个事件处 $\lambda_{T_i^+} = \lambda_{T_i^-} + \alpha$ 。因为强度在事件之间只降不升，当前强度就是接下来一整段的上界，这让 Ogata 的稀疏（thinning）算法特别高效：先按上界 $\bar\lambda$ 的泊松过程抽一个候选时刻，再按真实强度与上界之比接受或拒绝。

import numpy as np

def simulate_hawkes(mu, alpha, beta, T, seed=42):
    """Simulate a Hawkes process with exponential kernel via Ogata's thinning."""
    rng = np.random.default_rng(seed)
    if alpha / beta >= 1:
        raise ValueError("Process is explosive (branching ratio >= 1).")

    t = 0.0
    lam = mu            # intensity at t = 0, with an empty history
    events = []

    while True:
        # The intensity only decays between events, so its current value is a
        # valid upper bound for the whole interval ahead. Refreshing the bound
        # at every step is what keeps the acceptance rate high.
        lam_bar = lam
        dt = rng.exponential(1.0 / lam_bar)
        t += dt
        if t >= T:
            break
        lam = mu + (lam_bar - mu) * np.exp(-beta * dt)   # decayed intensity
        if rng.uniform() < lam / lam_bar:                # accept the candidate
            events.append(t)
            lam += alpha                                 # the jump
    return np.array(events)

有两个细节值得指出。一是上界必须每步刷新：如果只在开头取一次上界并且只增不减，算法依然正确，但拒绝率会随着时间越来越高，模拟变得很慢。二是这里从 $\lambda_0 = \mu$ 起步，对应” $t = 0$ 之前没有历史”；想要平稳样本，扔掉开头一段预热。算法在时间上没有离散化误差， $N$ 个事件的代价是 $\mathcal{O}(N)$ ，常数很小。

校准：把 $n$ 估出来

给定观测到的事件时刻 $\{T_1, \ldots, T_N\}$ ，对数似然是

\log L = -\int_0^T \lambda(t) \, dt + \sum_{i=1}^N \log \lambda(T_i)

第一项是补偿子，对指数核可以解析算出： $\int_0^T \lambda(t)dt = T\mu + \sum_i \frac{\alpha}{\beta}\left(1 - e^{-\beta(T - T_i)}\right)$ 。第二项配上指数核的递推，也是 $\mathcal{O}(N)$ 。于是每次求值都很便宜，梯度上升几次迭代就收敛。更复杂的核就只能靠数值梯度；指数核下 EM 也可用，固定 $\beta$ 时 M 步有闭式， $\beta$ 本身仍需数值搜索。在标准正则条件下，MLE 是相合的、渐近正态的，标准误可以从 Fisher 信息算。

落到成交数据上，流程大致是：取一段样本期内该资产每笔成交的时戳；只保留正常交易时段；按上面两项拼出对数似然；用 scipy.optimize.minimize 配合几个不同初值去优化，避开局部最优；最后做健全性检查——分支比必须落在 0 和 1 之间，衰减速率应当和这个资产的成交频率对得上（高频品种快，低频品种慢）。

参数各有直白的解释： $\mu$ 是外生订单的速率（不是由之前订单引起的那些）， $\alpha$ 是单次事件带来的激励幅度， $\beta$ 是激励的衰减速率， $1/\beta$ 就是影响消退的时间尺度，而 $n = \alpha/\beta$ 是后代订单的占比。

第四重身份：最容易被低估的那个数

MLE 相合且渐近正态，但有限样本下的偏差可能不小，而且方向是有规律的：分支比通常被向下低估。

原因在于你只看到级联的一次实现。如果这段样本里级联恰好比平均更短，你估出的 $\alpha$ 就偏小。 $n$ 越接近 1，观测窗口越短，偏差越严重——而这恰恰是你最想把 $n$ 估准的那个区间。对策是常规的：用足够长的观测窗（一个交易日起步），可能的话跨资产合并数据，以及用自助法或刀切法做偏差修正。

还有一个更大的陷阱： $n$ 的估计值强烈依赖于你选的核族和时间尺度。同一批数据，用指数核在秒级尺度上估，流动股票的分支比常落在 0.3-0.7；换成幂律核、把记忆拉长，估计会显著上移。Hardiman、Bercot 和 Bouchaud (2013) 用幂律核得到接近 1 的分支比，并据此讨论市场的”临界自反性”。这个分歧至今没有定论，实用的态度是：分支比不是资产的固有属性，它是”核族 + 时间尺度”的函数，报告 $n$ 的时候必须把这两样一起报出来。

应用一：高频交易中的订单到达

限价订单簿里的订单到达是 Hawkes 最成功的应用场景。自激励捕捉的事实很直白：大单会触发跟随单，市场参与者在对成交流里隐含的信息作反应。经验上衰减速率 $\beta$ 的量级从秒到分钟，随资产而变。

实务上 Hawkes 模型用在三处。市场冲击建模：通过模拟跟随单的级联来预测一笔大单会把价格推多远。最优执行：决定怎么切分大单以最小化冲击。流动性提供：设置买卖价差时把被知情流选走的概率算进去。这个模型现在是学术市场微观结构的标配，也被若干交易公司在用。

在这三处里，分支比都是最要紧的那个参数，因为它度量的是订单流对干预的脆弱程度。 $n$ 高意味着小的干预会被级联放大成大的效果——你自己的单子也会被放大，这既是机会也是风险； $n$ 低意味着流更稳健，你推一下它就弹回去。这是 $n$ 在交易层面的读法，和它在方差、在功率谱里的读法是同一件事。

应用二：信用违约级联

在信用风险里违约是成簇的：一家公司违约，它的交易对手和竞争对手更可能跟着违约。这就是违约级联。

Hawkes 过程可以给组合里违约的到达建模，新违约的强度依赖于过去的违约，核代表困境的传播。对 $n$ 个信用的组合，

\lambda_i(t) = \mu_i + \sum_{T_j < t} \phi_{ij}(t - T_j)

其中 $\phi_{ij}$ 是信用 $j$ 的违约对信用 $i$ 违约强度的影响。交叉核 $\phi_{ij}$ （ $i \neq j$ ）捕捉传染，对角核 $\phi_{ii}$ 捕捉单个信用违约的自相关（对个体罕见，对组合相关）。

难点在数据：违约本来就稀少， $\phi_{ij}$ 有 $n^2$ 个自由度而观测只有几十个事件。2008 年金融危机提供了一次估计传染效应的自然实验，多数校准得到的交叉核效应中等但不可忽略。这里报告的分支比要格外小心——样本量小，前一节那个向下偏差会很大。

应用三：操作风险与保险

操作损失事件（欺诈、系统故障、差错）在时间上同样成簇：一次大事件之后往往跟着更多，因为根因分析会挖出相关问题，监管注意力也会转过来。保险理赔是类似的形态，飓风、地震之后理赔扎堆，用 Hawkes 建模这种聚集可以改善准备金估计。

操作风险里的分支比通常估在 0.1-0.5，随事件类型而变：欺诈事件的分支比更高（一起欺诈会牵出相关的几起），系统故障更低（基础设施彼此独立）。这些数字同样受核族和窗口影响，只能当量级看。

多元与标记：两个必要的扩展

上面几个应用其实都超出了一维模型。多个相互作用的点过程要用多元 Hawkes，强度是一个向量：

\lambda_i(t) = \mu_i + \sum_j \sum_{T_j^k < t} \phi_{ij}(t - T_j^k)

其中 $T_j^k$ 是过程 $j$ 的第 $k$ 个事件， $\phi_{ij}$ 是从过程 $j$ 到过程 $i$ 的核。分支比在这里变成一个矩阵 $N_{ij} = \int \phi_{ij}(s) \, ds$ ，平稳性条件相应变成 $N$ 的谱半径小于 1——还是同一个判据，只是从标量升到了矩阵的谱。这是建模相关成交流（不同资产）、违约级联（多个信用）和跨业务线操作风险的基础。高维系统（比如 100 个以上的信用）校准很吃力，实践中要靠矩闭合或低秩结构做近似。

另一个方向是标记：每个事件除时刻外还带额外信息。成交的标记是大小、方向和价格，违约的标记是违约损失率，操作事件的标记是严重性。标记 Hawkes 让强度依赖于过去事件的标记，

\lambda(t) = \mu + \sum_{T_i < t} \phi(t - T_i, M_i)

其中 $M_i$ 是事件 $i$ 的标记。市场微观结构里最常见的用法是让振幅随成交量变化，标准核写成 $\phi(s, m) = \alpha(m) e^{-\beta s}$ 。大单比小单激励更强，这是数据里很稳定的一条。

它不是 Cox 过程

有一个说法在信用风险文献里流传得很广，需要纠正：Hawkes 过程不是双重随机（Cox）过程的特例。

两者确实都写成”随机的强度 + 条件泊松”，但 Cox 过程要求强度由一个外生的随机源驱动，且条件于这条强度路径，事件才是泊松的。Hawkes 的强度是内生的，由它自己的事件历史决定，条件于强度就等于条件于事件本身，那个条件泊松结构不成立。两者共同的框架是条件强度（compensator）而非双重随机性。

区分这个不是咬文嚼字。它正是 $n$ 有意义的原因：Cox 模型里聚集全部来自外部驱动因子，Hawkes 模型里聚集来自过程自身，而 $n$ 度量的就是有多少聚集是内生的。把一批事件同时用两种模型拟合，得到的风险含义完全不同——外生驱动的聚集可以靠观测那个驱动因子来预测，内生的聚集只能靠观测事件本身。

更一般的模型可以两者都要：把背景速率 $\mu$ 本身做成随机的（比如一个 CIR 过程），就得到一个既有外生冲击、又有内生级联的模型。此时 $n$ 仍然回答同一个问题，只是分母上多了一块外生方差。

线性 Hawkes 的边界

上面讨论的都是”线性”Hawkes：强度线性依赖于过去事件（就是定义里那个求和）。这是最常见的形式，它有三条明确的限制。只激励不抑制：过去事件只能抬高未来强度，没有办法表达”刚发生过所以接下来不太会再发生”。衰减单调：核通常随距离事件的时间单调递减。外生速率平稳：背景速率 $\mu$ 是常数。

想突破就得换模型。非线性 Hawkes 让强度通过一个非线性函数依赖于过去事件，能表达抑制和饱和，比如订单取消模式里那种”排队已经很长了所以新单不来”的效应。带标记的 前面讲过。带外生驱动的 把 $\mu$ 做成随机过程。对大多数金融应用，线性 Hawkes 够用，扩展留给特定现象。

和其他点过程模型摆在一起

泊松过程没有聚集也没有激励，是基线。更新过程的到达间隔 i.i.d. 但非指数，能产生一些聚集，但那是间隔分布的形状带来的，不是自激励——它没有记忆，前面十次事件密集不会让第十一次更早到来。状态空间模型让强度依赖于一个未观测的马尔可夫状态，更一般但更难校准，而且它把聚集归因于外生状态，这一点上和 Cox 过程是一路的。

离散时间里的对应物是整数值自回归一类的计数模型（INAR 及其亲戚）：当期计数依赖于往期计数，机制上和 Hawkes 的自激励对应，只是时间被分了格。数据天然按格聚合时（比如日度计数）用它们更自然；事件时戳是连续的，就该用 Hawkes。顺带一提，Hawkes 的分支结构和 Yule、优先连接一类模型共享同一套数学（都是分支过程），但它们不是同一个模型的连续/离散版本，别把这层类比推得太远。

在这一排里，Hawkes 是捕捉自激励的最简单模型：分支解释让它可解释，指数核版本解析可处理，多元和标记扩展覆盖了大多数应用。

经济学解释与微观结构

Bowsher (2007) 把多元点过程方法系统地引入了市场事件的计量分析，成交、报价变动等可以放进同一个耦合的强度系统里估计。这类工作把经验规律（成交聚集）和经济学上的原始概念（信息到达、交易者异质性、策略性择时）连了起来，让拟合出的参数不只是拟合参数。

需要说清楚的是，这类模型给的是计量框架和可解释性，不是一个从均衡推出 Hawkes 形式的定理。实际工作里你不需要微观基础，你只是把 Hawkes 拟合到数据；但知道参数的经济含义能帮你判断校准结果是否离谱。

这条线的现代形态是限价订单簿模型。订单簿被建模成一个排队系统，Hawkes 过程作为各个价格档位上订单到达的模型进入。一个完整的 LOB 模型有多个耦合的 Hawkes：市价买、市价卖、限价买、限价卖、撤单，各一个甚至各若干个，交叉激励捕捉它们之间的依赖（一笔市价买单可以在更低价位触发限价买单，如此等等）。它计算量大，但能生成真实感的订单流；校准有难度，对流动资产是可行的。

收尾

如果你手上有一批在时间上成簇的事件数据，拟合一个 Hawkes 过程，然后读两个数。 $1/\beta$ 告诉你激励的时间尺度。 $n$ 告诉你聚集里有多少是内生的——同时它也就告诉了你方差会比泊松大多少（ $(1-n)^{-2}$ 倍）、长窗计数的谱抬高多少（同一个倍数）、级联平息要多久（ $1/[\beta(1-n)]$ ）、以及这个系统对干预有多敏感。报告这个数的时候，把核族和时间尺度一并报上，并且记住有限样本会让它偏低。

参考文献：Hawkes (1971), “Spectra of Some Self-Exciting and Mutually Exciting Point Processes”, Biometrika 58(1): 83-90，原始论文，功率谱那一节就出自这里；Bacry, Mastromatteo & Muzy (2015), “Hawkes Processes in Finance”, Market Microstructure and Liquidity 1(1)，金融应用的标准综述，认真做这方面工作应该读它；Hardiman, Bercot & Bouchaud (2013), “Critical reflexivity in financial markets: a Hawkes process analysis”, European Physical Journal B，关于分支比估计对核族的依赖；Bowsher (2007), “Modelling security market events in continuous time: Intensity based, multivariate point process models”, Journal of Econometrics，多元点过程的计量框架。