Hawkes Processes for Order Arrival and Market Event Modeling

تستخدم مقالة البصمة الرقمية متجهًا من ثلاثة أرقام — hawkes_mu وhawkes_alpha وhawkes_beta — بوصفه مكوّن التوقيت في البصمة السلوكية للمشارك، وتفترض أن صانعي السوق يظهرون إثارة ذاتية قوية. لكنها لا تقول من أين تأتي هذه الأرقام الثلاثة، أو مما تُقدّر، أو إلى أي حد ينبغي الوثوق بها. هذه المقالة هي النصف المفقود: المقدّر، وتشخيصات المطابقة، والكمية المشتقة الوحيدة التي يتضح أنها أهم من المعلمات الثلاث نفسها — نسبة التفرع $n$.

الادعاء الذي نختبره هنا ضيق وقابل للتحقق. تدفق الأوامر ذو إثارة ذاتية: فالبيع العدواني يجعل البيع العدواني التالي أكثر احتمالًا، بطريقة لا يستطيع نموذج بواسون بأي معدل متغير زمنيًا إعادة إنتاجها. إذا كان ذلك صحيحًا، فينبغي لعملية هوكس الملائمة للطوابع الزمنية الخام للتداولات أن (أ) تتفوق على خط أساس بواسون في الاحتمالية على بيانات محتجزة، (ب) تنتج نسبة تفرع تقع بصرامة بين 0 و1، و(ج) تجتاز اختبار جودة المطابقة بإعادة تحجيم الزمن. النقطتان (أ) و(ب) موثقتان على نطاق واسع للعقود الآجلة للأسهم. أما النقطة (ج) فهي الموضع الذي تصمت فيه عادةً أوراق هوكس المنشورة، وهو الموضع الذي لم يُفحص فيه شريط تداول العملات المشفرة في هذه المدونة من قبل.

هناك قطعتان من الخلفية تمتلكهما هذه المدونة أصلًا، ولذلك لا نعيد اشتقاقهما هنا. بنية التغذية الراجعة ذات الإثارة الذاتية — أي أن الأحداث تطلق أحداثًا أخرى من النوع نفسه، وتكون دون العتبة دون حرجة وفوقها منفلتة — مشتقة بصورة ملموسة كرقم تكاثر $g = \rho/\Delta$ في انهيارات التصفية كإشارة تداول، بما في ذلك الحركة الكلية للمتسلسلة الهندسية، ونظام الانهيار الخاطف فوق الحرج، وقواطع الدائرة بوصفها واحدًا من ثلاثة أشياء تحدّه. نسبة التفرع $n$ أدناه هي النظير الخاص بالعمليات النقطية لـ $g$. وما يضيفه هذا حقًا هو أن $n$ قابل للتقدير في الوقت الفعلي من الطوابع الزمنية للتداولات وحدها، من دون خريطة تصفية، أو عمق دفتر أوامر، أو افتراضات عن الرافعة المالية. وهذا هو السبب الكامل للاهتمام بآلية العمليات النقطية.

الفرضية القائلة إن زمن الساعة هو محور أخذ العينات الخاطئ هي الحجة التأسيسية لـ ما وراء أشرطة الزمن، التي تعالجها ببناء أشرطة أفضل. تعالج هذه المقالة الأمر بطريقة مختلفة: بعدم أخذ عينات أصلًا، ونمذجة أوقات الأحداث مباشرة.

أساسيات العملية النقطية باختصار

العملية النقطية هي مجموعة عشوائية من أوقات الأحداث، تُعرّف بواسطة الشدة الشرطية $\lambda^*(t)$ — أي معدل الوصول اللحظي بالنظر إلى التاريخ الكامل $\mathcal{F}_t$:

$\lambda^*(t) = \lim_{\Delta t \to 0} \frac{\mathbb{E}[N(t, t + \Delta t) \mid \mathcal{F}_t]}{\Delta t}$

عملية بواسون المتجانسة هي الحالة $\lambda^*(t) = \mu$. وتسمح عملية بواسون غير المتجانسة لـ $\lambda(t)$ باتباع شكل حتمي (منحنى على شكل U خلال اليوم، مثلًا)، لكنها لا تزال تفترض الاستقلال الشرطي: فمعرفة أن تداولًا حدث للتو لا تخبرك بشيء عما إذا كان تداول آخر وشيكًا. وهذا الافتراض هو ما ينتهكه تدفق الأوامر الحقيقي، والانتهاك هو موضوع هذه المقالة بأكملها. النجمة في $\lambda^*(t)$ هي الفارق كله — فهي تشير إلى الاعتماد على التاريخ.

عملية هوكس

تملك عملية هوكس أحادية المتغير الشدة

$\lambda^*(t) = \mu + \sum_{t_i < t} \phi(t - t_i)$

حيث إن $\mu > 0$ هي الشدة الخلفية (الوصولات الخارجية)، و$\phi(\cdot) \geq 0$ هي نواة الإثارة. كل حدث يرفع الشدة بمقدار $\phi(0)$، ثم تنخفض وفق شكل $\phi$. تنتج مجموعة من الأحداث الحديثة شدة مرتفعة، ما يجعل الأحداث الإضافية أكثر احتمالًا — فالعملية تتذكر تاريخها الخاص.

نسبة التفرع

$n = \int_0^\infty \phi(t) \, dt$

$n$ هو متوسط عدد الأحداث الابنة التي يطلقها حدث أب واحد. تتطلب السكونية $n < 1$؛ ومتوسط الشدة الساكنة هو $\bar{\lambda} = \mu / (1-n)$، وهو يتباعد عندما تقترب $n \to 1$. لذلك تقسم $n$ النشاط الكلي إلى جزء خارجي $(1-n)$ وجزء داخلي $n$: عند $n = 0.7$، تكون سبعون بالمئة من الأحداث ردود فعل على أحداث أخرى، لا استجابات لأي شيء خارج السوق.

هذا هو بالضبط الانقسام دون الحرج/فوق الحرج لمضاعف الانهيار في انهيارات التصفية، لكن من اتجاه مختلف. والفرق يكمن في تكلفة الحساب: يتطلب $g = \rho/\Delta$ خريطة أمامية لكثافة البيع القسري وعمق الدفتر الحي، وكلاهما تقديران مبنيان فوق افتراضات عن توزيع الرافعة المالية. أما $n$ فيتطلب قائمة من الطوابع الزمنية.

أفاد Filimonov وSornette (2012) بارتفاع $n$ من نحو 0.3 إلى ما فوق 0.7 في العقود الآجلة E-mini S&P 500 بين 1998 و2007. ووضع Hardiman وBercot وBouchaud (2013) العقد نفسه قرب $n \approx 0.8$ باستخدام نواة ذات قانون قوى أسّه نحو $-1.15$ عند الفجوات القصيرة. كلتا النتيجتين تخصان عقود الأسهم الآجلة منذ أكثر من عقد، ولا تنتقل أي منهما إلى العملات المشفرة من دون قياس. إعادة إنتاجهما ليست غرض هذه المقالة؛ الغرض هو التحقق مما إذا كان النظام نفسه قائمًا على شريط عقود آجلة دائمة يعمل على مدار الساعة، مع مشاركين مختلفين ومن دون انقطاع افتتاح السوق.

اختيارات النواة

الأسية، $\phi(t) = \alpha e^{-\beta t}$، مع $n = \alpha/\beta$. وهي ماركوفية، لذلك تملك الاحتمالية تكرارًا قدره $O(1)$ لكل حدث (أدناه). ومن هنا تبدأ كل مطابقة عملية.

قانون القوى، $\phi(t) = \alpha c^p / (c+t)^{1+p}$. يعيد إنتاج التجمع طويل الذاكرة، لكنه يفقد التكرار — فيصبح تقييم الاحتمالية $O(N^2)$ أو يتطلب اقتطاعًا.

مجموع من الأسّيات، $\phi(t) = \sum_{k=1}^{K} \alpha_k e^{-\beta_k t}$. يقارب التناقص وفق قانون القوى باستخدام $K$ من المقاييس الزمنية مع الحفاظ على التكرار. عادةً ما يكفي $K = 3$ إلى $5$، مع امتداد $\beta_k$ من أجزاء الألف من الثانية إلى دقائق.

ما إذا كانت وصولات تداولات العملات المشفرة تتناقص أسيًا أو وفق قانون قوى هو سؤال تجريبي له إجابة من نسبة الاحتمالية، وسيُقاس أدناه بدل الاستشهاد به.

عمليات هوكس متعددة المتغيرات

بالنسبة إلى $D$ من أنواع الأحداث،

$\lambda_d^*(t) = \mu_d + \sum_{d'=1}^{D} \sum_{t_i^{d'} < t} \phi_{dd'}(t - t_i^{d'})$

حيث تصف $\phi_{dd'}$ كيف يثير النوع $d'$ النوع $d$. ومع النوى الأسية تكون مصفوفة التفرع $G = [\alpha_{dd'}/\beta_{dd'}]$، وتتطلب السكونية نصف القطر الطيفي $\rho(G) < 1$. ويحدد المتجه الذاتي لـ $G$ المرتبط بأكبر قيمة ذاتية نمط الإثارة المهيمن — أي مجموعة أنواع الأحداث التي تميل إلى الإطلاق معًا.

التطبيق المثير للاهتمام على دفتر الأوامر هو $D = 6$: شراء سوقي، بيع سوقي، شراء محدد، بيع محدد، إلغاء شراء، إلغاء بيع. تحتوي تلك المصفوفة على 36 مدخلًا، وهي جزء أدوات هوكس الذي لا يوجد في أي موضع آخر من هذه المدونة. لاحظ أن أحد مدخلاتها المتوقعة موثق تجريبيًا بالفعل من دون هذه التسمية: الإلغاء الجماعي المترابط عبر مستويات متتالية — سحب الجدران — يُقاس مباشرة في تحليل موضع الطابور وجدار دفتر الأوامر. إن $\phi_{\text{cancel},\text{cancel}}$ الملائمة هي الظاهرة نفسها معبّرًا عنها كنواة، وينبغي أن تتفق القياسان. وإذا لم يتفقا، فأحدهما خاطئ.

نسخ الأصول المتقاطعة والمنصات المتعددة هي الآلية نفسها مع تسميات مختلفة: تلتقط النوى خارج القطر التأخر المتبادل والعدوى، وقد استخدم Shi وBroussard وBooth (2019) هذه الآلية بالضبط على أسهم Dow الثلاثين أثناء الانهيار الخاطف في 2010، فوجدوا إثارة متقاطعة غير متناظرة مع مصادر عدوى قابلة للتحديد.

المعايرة

الاحتمالية العظمى

لأوقات الأحداث $\{t_1, \ldots, t_N\}$ على $[0, T]$:

$\ell(\theta) = \sum_{i=1}^{N} \log \lambda^*(t_i) - \int_0^T \lambda^*(t) \, dt$

يكافئ الحد الأول وجود الشدة حيث وقعت الأحداث؛ ويعاقب الحد الثاني الشدة التي لم تنتج شيئًا.

بالنسبة إلى النواة الأسية، يعطي التكرار

$R_i = \sum_{j < i} e^{-\beta(t_i - t_j)} = e^{-\beta(t_i - t_{i-1})} \cdot R_{i-1} + 1$

القيمة $\lambda^*(t_i) = \mu + \alpha R_i$ بتكلفة $O(1)$ لكل حدث، ويغلق المعوض:

$\int_0^T \lambda^*(t) \, dt = \mu T + \frac{\alpha}{\beta} \sum_{i=1}^{N} \left(1 - e^{-\beta(T - t_i)}\right)$

التكلفة الإجمالية $O(N)$، وهو ما يجعل مطابقة ملايين الأحداث أمرًا روتينيًا. حسّن باستخدام L-BFGS-B مع قيود الإيجابية.

هناك نمطا فشل يجدر معرفتهما قبل الوثوق بأي مخرج. يصبح سطح الاحتمالية مسطحًا بصورة سيئة عندما تقترب $n \to 1$، لذلك قد تعطي المطابقة القريبة من الحرجة تقديرًا نقطيًا يبدو واثقًا، لكنه يجلس في وادٍ يكاد يكون مستويًا بقيمة $\pm 0.1$ في $n$ — لذلك ادرس الاحتمالية حسب $n$ بدل قراءة هسيان المحسّن. وفي الحالة متعددة المتغيرات ينمو عدد المعلمات كـ $O(D^2)$، لذلك بعد $D \approx 10$ تحتاج إلى Group-Lasso على معايير النوى، وإلا فستطابق المصفوفة الضجيج.

EM والتقدير غير المعلمي

يتعامل EM مع بنية التفرع بوصفها كامنة: كل حدث إما مهاجر من $\mu$ أو نسل لحدث أسبق. وتغطي آليات خطوة E/M العامة، وتحذير الحل المحلي الأمثل، وانضباط التهيئة المتعددة في قسم Baum-Welch من اكتشاف الأنظمة باستخدام HMMs، وهي مطابقة هنا. أما الجزء الخاص بهوكس فهو كمية خطوة E نفسها:

$p_{ij} = \frac{\phi(t_i - t_j)}{\lambda^*(t_i)}, \quad p_{i0} = \frac{\mu}{\lambda^*(t_i)}$

$p_{ij}$ هو توزيع لاحق حول أي حدث تسبب في أي حدث — مخرج قابل للتفسير، وليس مجرد وسيط في التحسين. وعند جمعه حسب نوع الحدث، يعطي إسنادًا للشريط: هذا الكسر من مبيعات الساعة الأخيرة أطلقته مبيعات سابقة، وذلك الكسر وصل من الخارج. كما يتيح تقدير $\phi$ بصورة غير معلمية كدالة ثابتة القطع على شبكة، وهي طريقة فحص الافتراض الأسي من دون الالتزام ببديل. التكلفة: $O(N^2)$ لمصفوفة $p_{ij}$ الكاملة، لذلك لا يتوسع بعد نحو $10^5$ حدث من دون تقريب.

طريقة Bacry وMuzy الطيفية هي المسار الآخر الخالي من النموذج — فكثافة القدرة الطيفية لعملية هوكس الساكنة تتحلل على صورة $\hat{C}(\omega) = |I - \hat{\Phi}(\omega)|^{-2} \cdot \text{diag}(\mu)$، لذلك فإن تقدير كثافة التغاير وحل التحليل يعيدان النوى من دون افتراض شكل معلمي.

مطابقة شريط تداولات العملات المشفرة الحقيقي

يجب أن يأتي كل رقم في هذا القسم من مطابقة فعلية على بيانات حقيقية. واستعادة معلمات حقنتها في محاكٍ لا تقدم دليلًا على شيء سوى أن المحسّن يعمل.

البيانات: طوابع زمنية لـ aggTrade من Binance BTC/USDT خلال نافذة محددة، مع ذكر النافذة والرمز وعدد الأحداث صراحةً إلى جانب كل رقم مُبلغ عنه. تجمع aggTrade عمليات التنفيذ بالسعر نفسه من أمر آخذ واحد في سجل واحد، وهي الوحدة الصحيحة هنا — فالأمر العدواني الواحد حدث واحد، وليس حدثًا لكل تنفيذ للطرف المقابل.

المطابقة أحادية المتغير

import numpy as np
import pandas as pd
from tick.hawkes import HawkesExpKern

trades = pd.read_parquet("binance_btcusdt_aggtrades.parquet")

t0 = trades["transact_time"].iloc[0]
ts = ((trades["transact_time"] - t0) / 1000.0).to_numpy(dtype=np.float64)
T = ts[-1]

learner = HawkesExpKern(decays=BETA_GRID, penalty="none", verbose=False)
learner.fit([ts])

mu_hat = learner.baseline[0]
alpha_hat = learner.adjacency[0, 0]
n_hat = alpha_hat / BETA_CHOSEN

print(f"events   = {len(ts)}")
print(f"window   = {T/3600:.2f} h")
print(f"mu       = {mu_hat:.4f} events/s")
print(f"n        = {n_hat:.4f}")
print(f"lambda_bar (model) = {mu_hat/(1-n_hat):.4f} events/s")
print(f"lambda_bar (data)  = {len(ts)/T:.4f} events/s")

الطباعتان الأخيرتان هما أول فحص معقول لا يكلف شيئًا: إذا لم تهبط شدة المتوسط الساكنة للنموذج $\mu/(1-n)$ قرب معدل الأحداث التجريبي، فالمطابقة خاطئة بغض النظر عما أبلغه المحسّن.

لا ينبغي تثبيت $\beta$ يدويًا. ادرس الاحتمالية عبر شبكة من قيم التناقص وأبلغ عن الملف، لأن $\alpha$ و$\beta$ يتبادلان بشدة، وقد تكون $n = \alpha/\beta$ مستقرة بينما لا تكون أي من المعلمتين كذلك.

هل تتناقص النواة أسيًا فعلًا؟

يأتي ادعاء قانون القوى في الأدبيات من أوراق عقود الأسهم الآجلة المنشورة عام 2013. اختبره مباشرةً: طابق نواة أسية ونواة بقانون قوى على الشريط نفسه، وقارن الاحتمالية اللوغاريتمية على بيانات محتجزة (لا داخل العينة، لأن قانون القوى يملك معلمة إضافية)، وانظر بصورة منفصلة إلى تناقص الشدة التجريبية بعد التداولات الكبيرة.

large = ts[trades["quantity"].to_numpy() > LARGE_TRADE_THRESHOLD]

lags = np.logspace(-3, 2, 60)   # 1 ms .. 100 s
rate = np.empty(len(lags) - 1)
for k in range(len(lags) - 1):
    lo, hi = lags[k], lags[k + 1]
    counts = [
        np.searchsorted(ts, t0_ + hi) - np.searchsorted(ts, t0_ + lo)
        for t0_ in large
    ]
    rate[k] = np.mean(counts) / (hi - lo)

عند رسمه على مقياس لوغاريتمي-لوغاريتمي، تنحني النواة الأسية؛ أما نواة قانون القوى فتكون مستقيمة. وهذا الرسم دليل أقوى من أي من رقمي الاحتمالية، لأنه يوضح موضع عدم المطابقة — فعادةً ما تقلل الأسّيات من ملاءمة الذيل وتبالغ في ملاءمة الملليثواني الأولى.

مصفوفة التفرع

النموذج متعدد المتغيرات الأدنى القابل للتطبيق: بعدان، شراء عدواني وبيع عدواني، مفصولان بواسطة is_buyer_maker. وإذا كانت بيانات L3 متاحة، فوسّعه ليشمل الإلغاءات.

buys  = ts[~trades["is_buyer_maker"].to_numpy()]   # taker bought
sells = ts[ trades["is_buyer_maker"].to_numpy()]   # taker sold

mv = HawkesExpKern(decays=BETA_CHOSEN, penalty="l2", C=C_CV, verbose=False)
mv.fit([buys, sells])

G = mv.adjacency / BETA_CHOSEN          # branching matrix
rho = np.max(np.abs(np.linalg.eigvals(G)))
print("G =\n", G)
print(f"spectral radius = {rho:.4f}")   # must be < 1

الكمّيتان اللتان ينبغي نشرهما هما المصفوفة نفسها ونصف قطرها الطيفي. واللاتناظر هو الجزء المثير: هل تتجاوز إثارة البيع-للبيع إثارة الشراء-للشراء، وهل الحدود المتقاطعة متناظرة؟ تلك عبارات قابلة للاختبار حول شريط تداولات العملات المشفرة، ولم يقسها أحد هنا.

جودة المطابقة: إعادة تحجيم الزمن

تنص مبرهنة إعادة تحجيم الزمن على أنه إذا كان النموذج صحيحًا، فإن الأزمنة المحولة $\tau_i = \int_0^{t_i} \lambda^*(s)\,ds$ تشكل عملية بواسون ذات معدل واحد، ولذلك تكون الفروق $\Delta\tau_i$ موزعة وفق $\text{Exp}(1)$.

from scipy.stats import kstest, expon

compensator = np.empty(len(ts))
for i, ti in enumerate(ts):
    compensator[i] = mu_hat * ti + (alpha_hat / BETA_CHOSEN) * np.sum(
        1 - np.exp(-BETA_CHOSEN * (ti - ts[:i]))
    )

tau = np.diff(compensator)
stat, pval = kstest(tau, expon(scale=1.0).cdf)
print(f"KS = {stat:.4f}, p = {pval:.4g}, N = {len(tau)}")

تحذير واحد عند قراءة هذا الاختبار: عندما يكون $N$ في مئات الآلاف، يرفض اختبار KS سوء مواصفة تافهًا. فقيمة p الصغيرة عند $N = 5 \times 10^5$ لا تعني شيئًا تقريبًا بمفردها؛ والمخرج المفيد هو مخطط QQ للفروق $\Delta\tau$ مقابل $\text{Exp}(1)$ وإحصائية KS نفسها، وهي حجم تأثير مستقل عن المقياس. أبلغ عن كليهما، وكن صريحًا — فإذا رُفضت النواة الأسية على شريط العملات المشفرة، فهذه نتيجة تستحق النشر بدل دفنها، وبروح النتيجة السلبية الصادقة حول غياب ميزة قوية.

هل تتحرك n فعلًا مع الهشاشة؟

يُستشهد باستمرار بادعاء أن $n$ مؤشر هشاشة في الوقت الفعلي، لكنه نادرًا ما يُختبر. الاختبار مباشر: قدّر $n$ على نوافذ متحركة خلال فترة هادئة وخلال تاريخ معروف لانهيار في العملات المشفرة، وانظر هل يرتفع قبل الحدث أم أثناءه فقط. فالكمية التي لا ترتفع إلا بالتزامن مع الانهيار هي وصف، وليست إنذارًا.

الاستقرار والمتانة

لا يكون $n$ الملائم قياسًا حتى تعرف مقدار تحركه عند تغيير أشياء ينبغي ألا تهم. هناك أربعة أفخاخ محددة، مرتبة تقريبًا حسب مقدار الضرر الذي تسببه.

دقة الطابع الزمني تصنع إثارة ذاتية. طوابع aggTrade في Binance بدقة الملليثانية. فتنهار التداولات التي كانت تفصل بينها ميكروثوانٍ فعلية إلى طوابع ملليثانية متطابقة، وتقرأ احتمالية هوكس الأحداث المتزامنة كإثارة قصوى — إذ تُقيّم $\phi(0)$ عند فجوة تساوي صفرًا تمامًا. وهذا يحيز $n$ إلى الأعلى، ويزداد الانحياز مع النشاط، ما يعني أنه يكون أسوأ بالضبط أثناء الاندفاعات التي تريد فيها أن يكون الرقم موثوقًا أكثر. قِس ذلك: احسب نسبة الأحداث التي تشترك في طابع زمني مع جار، ثم أعد المطابقة بعد إزاحة تلك الأحداث عشوائيًا بانتظام داخل خانة الملليثانية الخاصة بها، وأبلغ عن مقدار تحرك $n$. إذا غيّرت الإزاحة $n$ بأكثر من فترة الثقة، فالرقم الرئيسي يقيس الساعة لا السوق.

التجميع في المنصة. لا تصدر المنصات الأحداث لحظة وقوعها؛ بل تصدرها عندما تفرغ عملية المطابقة والنشر دفعتها. وسابقة Binance الموثقة هي خنق تيار التصفية مرة واحدة في الثانية — فتيار يبدو كأنه وصولات متجمعة هو جزئيًا أثر من الناشر. ويطبع أي تجميع في تغذية التداولات دورية على توزيع الفواصل بين الوصولات، وستمتصها نواة هوكس بكل سرور في $\alpha$. افحص ذلك مباشرةً: ارسم مدرجًا للفواصل بين الوصولات وابحث عن قمم عند فترة التجميع قبل مطابقة أي شيء.

الحساسية للتناقص المفترض. يعتمد $n = \alpha/\beta$ على $\beta$، وعادةً ما تُثبت $\beta$ أو يُبحث عنها على شبكة بدل تقديرها بصورة مشتركة. أبلغ عن $n$ بوصفها دالة في $\beta$ على المجال المعقول، لا كنقطة. إذا كان المنحنى مسطحًا، فالرقم حقيقي؛ وإذا تتبع $n$ قيمة $\beta$ عن قرب، فقد اخترت إجابتك.

نافذة التقدير. سيختلف $n$ المقدّر على ساعة ويوم وأسبوع، جزئيًا لأن العملية غير ساكنة فعلًا، وجزئيًا لأن النافذة الأطول تخلط الأنظمة، ما يضخم الإثارة الظاهرية بخلط التغير بين الأنظمة مع التجمع داخل النظام. أبلغ عن مسح طول النافذة. والطريقة الصحيحة لقراءة ارتفاع $n$ هي مقارنته بطول النافذة نفسه في أوقات أخرى، لا بمقارنته برقم من نافذة مختلفة.

النمط هنا هو النمط الراسخ في فخ دقة GPU: فخط أنابيب يعمل بسلاسة ويعيد رقمًا معقولًا ليس دليلًا على صحة الرقم، والدفاع الوحيد هو إزعاج المدخلات التي ينبغي ألا تهم والتأكد من أن المخرج لا يتحرك.

ما الذي يشتريه هذا لك وما الذي لا يشتريه

ثلاثة روابط بنظرية البنية المجهرية، بإيجاز لأن المدونة تغطي كلًا منها بإسهاب في مواضع أخرى.

تشكّل السعر. في Kyle (1985)، يسعّر صانع السوق بناءً على صافي تدفق الأوامر الذي يمزج التداول المطلع وتداول الضجيج؛ وقد بُسط معامل التأثير $\lambda$ والعمق $1/\lambda$ مع الأدبيات اللاحقة — بما في ذلك الأدلة ضد خطية Kyle — في نماذج تكلفة الانزلاق. وتربط قراءة هوكس $\mu$ بالمعلومات الجديدة فعلًا، والأحداث ذات الإثارة الذاتية بالاستجابة الميكانيكية، ما يجعل $n$ وكيلًا قابلًا للقياس لحصة التدفق المدفوعة بالضجيج.

تجمع التقلب. يغطي التنبؤ بتقلب العملات المشفرة باستخدام GARCH التجمع والاستمرارية وشرط السكونية $\alpha + \beta < 1$ والتباين طويل الأجل $\omega/(1-\alpha-\beta)$ — وهو النظير البنيوي المطابق تمامًا لـ $n < 1$ و$\mu/(1-n)$. والادعاء الجديد حقًا هو ما قدمه Bacry وDelattre وHoffmann وMuzy (2013): إذ تنتج عملية هوكس القريبة من الحرجة سلاسل عوائد ينخفض ارتباطها الذاتي للتقلب وفق قانون قوى، من دون وجود نموذج تقلب صريح في أي موضع. فيسقط تجمع التقلب بوصفه خاصية ناشئة لتدفق الأوامر ذي الإثارة الذاتية بدل افتراضه.

تأثير Epps. أظهر Bacry وMuzy أن نموذج هوكس ثنائي المتغير يعيد إنتاج تناقص الارتباط المقاس عند تردد أخذ عينات مرتفع، بفعل زمن الانتشار المحدود للإثارة بين العمليتين — من دون الحاجة إلى آلية إضافية.

وعلى صعيد التنفيذ، فإن الوصفة التي تتبع الإثارة الذاتية — أبطئ بعد شريحة، وأسرع في الفترات الهادئة — هي أصلًا جوهر قسم حلقة التغذية الراجعة POV في خوارزميات تنفيذ TWAP وVWAP وPOV، كما أن نقد التقسيم المتساوي الساذج موجود في Almgren-Chriss. وما تضيفه مطابقة هوكس ليس النصيحة، بل رقمًا: فنصف عمر النواة الملائمة $\ln 2 / \beta$ يخبرك بمدة اضمحلال الإثارة الناتجة عن شريحتك الخاصة، ما يحول عبارة "انتظر قليلًا" إلى مدة توقف محددة.

القيود

غياب التثبيط. لا يسمح النموذج الكلاسيكي إلا بزيادة الأحداث للشدة. وتحتوي الأسواق على العكس أيضًا: فأمر محدد كبير يمتص الضغط قد يردع التداول العدواني. تسمح عمليات هوكس ذات التثبيط بقيم سالبة للنواة، مقابل ضرورة فرض $\lambda^*(t) \geq 0$. ويتضح ما إذا كان ذلك مهمًا لمطابقة معينة في تقدير النواة غير المعلمي — فإذا هبطت $\hat\phi$ الثابتة القطع تحت الصفر عند فجوة ما، فإن النموذج المقيد يقاوم البيانات.

عدم السكونية. يفترض النموذج القياسي السكونية، والعملات المشفرة تعمل على مدار الساعة لكنها ليست موحدة: إذ تتغير السيولة ومزيج المشاركين ومعدل الأحداث على مدار اليوم وحول طوابع التمويل. وتعالج دالة خلفية متغيرة زمنيًا $\mu(t)$ ذلك على حساب مزيد من المعلمات، وحساسية نافذة التقدير أعلاه هي الطريقة التي تعرف بها حاجتك إليها.

الخلاصة

تستحق عملية هوكس هذه الآلية لسبب واحد: فهي تختزل تجمع تدفق الأوامر في رقم واحد قابل للتفسير، هو نسبة التفرع $n$، ويمكن حسابها من الطوابع الزمنية وحدها من دون إعادة بناء دفتر الأوامر ومن دون افتراضات عن الرافعة المالية أو التموضع. وهذا يجعلها أرخص تقدير متاح لمدى داخلية السوق حاليًا — وهو السؤال نفسه الذي تجيب عنه انهيارات التصفية بتكلفة أعلى من خلال $g = \rho/\Delta$.

الآلية مباشرة: تمنح النوى الأسية احتمالية $O(N)$ عبر تكرار $R_i$، ويمنح EM توزيعًا لاحقًا قابلًا للتفسير حول أي حدث تسبب في أي حدث، وتمنح إعادة تحجيم الزمن اختبار جودة مطابقة حقيقيًا بدل حجة المعقولية. أما الوثوق بالمخرج فليس مباشرًا. فتقريب الطوابع الزمنية إلى الملليثانية يحيز $n$ إلى الأعلى أثناء الاندفاعات بالذات، ويطبع تجميع المنصة بنية ستمتصها النواة، وتتحرك $n$ مع كل من التناقص المفترض ونافذة التقدير. ونسبة التفرع التي تُبلغ دون تلك الحساسيات الأربع هي رقم، لا قياس.

المراجع وقراءات إضافية

• Hawkes, A. G. (1971). "Spectra of some self-exciting and mutually exciting point processes." Biometrika, 58(1), 83-90.
• Bacry, E., Mastromatteo, I., and Muzy, J.-F. (2015). "Hawkes processes in finance." Market Microstructure and Liquidity.
• Shi, F., Broussard, J. P., and Booth, G. G. (2019). "Modeling Flash Crash Behavior in a Stock Market Using Multivariate Hawkes Processes."
• Hardiman, S., Bercot, N., and Bouchaud, J.-P. (2013). "Critical reflexivity in financial markets: a Hawkes process analysis."
• Bacry, E., and Muzy, J.-F. (2014). "Hawkes model for price and trades high-frequency dynamics." Quantitative Finance.
• Bompaire, M., Bacry, E., and Gaiffas, S. (2017). "tick: a Python Library for Statistical Learning, with an emphasis on Hawkes Processes." JMLR.
• Filimonov, V., and Sornette, D. (2012). "Quantifying reflexivity in financial markets."
• Kumar, P. (2021). "Deep Hawkes Process for High-Frequency Market Making."
• tick library documentation: Hawkes module.
• Morse, S. "Python class for Hawkes processes." (Tutorial and code)