本文提出了一种使用 Wiener-Hopf 积分方程系统进行 Hawkes 核矩阵的非参数估计的方法,并描述了这个步骤。作者进行了系统的研究,给出了不同维度(1 到 3)Hawkes 过程的数值估算和一个高频交易和地震时空统计的事件数据的应用案例比较。
Jan, 2014
本文研究了多个时间序列数据的影响结构的问题,通过对多元线性 Hawkes 过程的网络还原因果结构,并提出了算法来学习支持兴奋矩阵,最终在合成的多元 Hawkes 网络,股票市场和 MemeTracker 的真实数据集上进行了评估。
Mar, 2016
该论文介绍了一种基于 Hawkes 模型的多变量点过程,展示了该过程的 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,应用于模拟数据和大鼠脊髓背角的神经脉冲数据,并验证了该估计器的一致性。
May, 2016
本文提出了一种高效的 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。
Oct, 2018
本文提出了一种用于估计带有标记的 Hawkes 过程的条件强度的非参数方法,并引入了两个不同的模型:用于具有兴奋核的 Hawkes 过程的浅层神经 Hawkes 模型和用于非线性 Hawkes 过程的神经网络模型。通过在合成数据集和加密货币订单簿数据上进行验证,证明了该方法的有效性和适用性。
Feb, 2024
本文提出了一种基于 VAR ($p$) 模型的自回归方法,用于非参数估计多元 Hawkes 点过程中的事件计数,并将其应用于金融交易数据的双变量事件流分析,揭示了限价单和市场单之间引人注目的不对称关系。
Sep, 2015
提供一种数值方法,可在对称多元 Hawkes 过程中非参数估计核形状,并通过 1D 或 2D Hawkes 过程对高频金融价格数据建模,发现具有长记忆性的自我激励现象的核形状符合慢衰减(幂律)形状。
Dec, 2011
发展一种快速灵活的参数推理技术,以恢复涉及空间 - 时间 Hawkes 过程的强度函数中的内核函数的参数。
Jun, 2024
本文提出了一种用于短期时间依赖检测的鲁棒计算方法,该方法使用不依赖于异质性目标 HP 的交互 HP 的异质性强度,取消了异质性强度的先验估计,并在神经科学中得到了显着的新应用,实验结果表明该方法比现有方法表现更优。
May, 2023
本文提出了一个新的稀疏 Granger 因果学习框架,用于处理时间事件数据,聚焦于 Hawkes process,根据一个基于基数规范化的 Hawkes process 的数学定义,提出了一个数学上严谨的稀疏 Granger 因果学习框架,旨在解决现有方法中存在的一些问题。本文的算法应用于实例 - wise 因果事件分析,其中稀疏性发挥了关键作用。该框架在电力网和云数据中心管理领域进行了两个实际案例的验证。
Aug, 2022