20260617:目前有914 页

concepts/hawkes-process.md

@@ -0,0 +1,56 @@
+---
+title: "Hawkes 过程 (Hawkes Process)"
+created: 2026-06-16
+updated: 2026-06-16
+type: concept
+tags: [temporal-point-process, self-exciting, hawkes, causal-discovery]
+sources: [raw/papers/advances-temporal-point-processes-2026.md]
+---
+
+# Hawkes 过程 (Hawkes Process)
+
+Hawkes 过程是一种自激励（self-exciting）时间点过程，由 Hawkes (1971) 提出，核心特征是"过去的事件会增加未来事件发生的概率"。
+
+## 强度函数
+
+Unmarked Hawkes 的条件强度函数：
+
+```
+lambda*(t) = mu + sum_{t_n < t} phi(t - t_n)
+```
+
+- `mu > 0`：基线强度（background intensity）
+- `phi(·): R+ → R+`：触发函数（triggering function），描述过去事件对未来强度的影响随时间衰减
+
+## 多变量扩展
+
+多变量 Hawkes 过程（MHP）建模 K 种事件类型：
+
+```
+lambda*_k(t) = mu_k + sum_{k'=1}^K sum_{t_n < t, k_n=k'} phi_{k,k'}(t - t_n)
+```
+
+其中 `phi_{k,k'}` 描述类型 k' 的事件如何影响类型 k 的强度。若 `phi_{k,k'} = 0`，则 k' 不对 k 产生 Granger 因果影响——这是 [[granger-causality-tpp|Granger 因果发现]] 的基础。
+
+## 关键应用
+
+- **地震学**：建模主震-余震序列（最初动机）
+- **金融**：订单流分析，买卖单相互影响（Bacry & Muzy, 2014）
+- **社交媒体**：推文/转发的信息扩散（Kong et al., 2023）
+- **神经科学**：神经元脉冲序列的功能连接
+- **流行病学**：疾病传播建模（Rizoiu et al., 2018）
+
+## 从经典到现代
+
+- **经典 Hawkes**：参数化触发函数（如指数衰减 `phi(t) = alpha*exp(-beta*t)`）
+- **非参数 Bayesian Hawkes**：用 GP 或 Dirichlet 过程灵活建模触发函数
+- **神经 Hawkes**：用 RNN/Transformer 学习隐式触发动态
+
+## 参考
+
+- Hawkes (1971), "Spectra of some self-exciting and mutually exciting point processes"
+- [[temporal-point-process|时间点过程]]
+- [[conditional-intensity-function|条件强度函数]]
+- [[granger-causality-tpp|Granger 因果发现]]
+- [[neural-temporal-point-process|神经 TPP]]
+- [[advances-temporal-point-processes-2026|TPP 综述]]