参数较差的 ε 边界闭式稳定化霍克斯过程
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
本文提出一种基于变分期望最大化算法的有效算法,用于解决多元 Hawkes 过程的因果交互网络学习问题,可以优化超参数并考虑模型参数的不确定性,实验结果表明在短观测序列下优于现有最先进的方法。
Nov, 2019
研究了几乎不稳定的 Hawkes 过程,发现在适当的缩放后,它们与整合 Cox-Ingersoll-Ross 模型有相似的行为,因此将金融订单流建模为几乎不稳定的 Hawkes 过程可能是重现其高低频现象的好方法。并将此结果推广到基于 Hawkes 的价格模型,发现在类似的临界条件下,该过程收敛到 Heston 模型。
Oct, 2013
本研究提出了一种有效的基于 Hawkes 过程的 Dirichlet 混合模型方法来解决事件序列聚类问题,并通过 EM 算法的内外迭代进行分析和学习,演示了该方法的优越性和稳健性。
Jan, 2017
通过引入重整化因子,我们提供了一种解决非协调、不稳定的优化方法来最大化 Hawkes 过程相关对数似然函数的方法,并提高了一系列不同长度序列的最大似然估计方法性能。
May, 2018
通过将自激励水平视为随机微分方程,我们提出了对 Hawkes 过程的扩展,该新点过程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。我们推广了一种最近用于模拟具有随机激发水平的 Hawkes 过程的算法,并提出了混合马尔可夫链蒙特卡罗方法来拟合模型。我们的采样过程与所需事件的数量呈线性比例,并且不需要点过程的平稳性。我们提出了一种由 Gibbs 和 Metropolis Hastings 步骤组合而成的模块化推断过程。我们将期望最大化作为特例。这种一般方法是通过几何布朗运动和指数朗之万动力学的传染研究进行了说明。
Sep, 2016
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
本文使用 Hawkes 过程研究金融统计模型,通过法则与极限定理得到微观动力学模型下的精确宏观扩散极限,同时证明了 Epps 效应和提前滞后效应。
Feb, 2012