标签： #点过程

泊松过程假设订单彼此独立，但真实盘口是一阵一阵来的。Hawkes 用一条自激强度把「一笔订单抬高下一笔的概率」写进模型：受控模拟 19132 笔订单（μ=0.5、n=0.7、β=2.0）量化簇发的代价——10 秒窗口均值同为 15.9 笔，Hawkes 出现 ≥30 笔的概率是泊松的 100 倍，≥50 笔时是 31 亿倍，泊松眼里的「五百年一遇」在这里平均每 7 分钟就来一次。68.98% 的订单是被前面的订单激发的，与理论分支比 0.70 吻合。但真正的杀手在估计端：把一段自激强度真值为 0 的纯泊松数据（只叠加日内 U 型节奏）喂给标准 MLE，n̂ 凭空刷到 0.909、Fano 因子 4.81——非平稳基线和自激在似然函数眼里长得一模一样。做时间重标定后 n̂ 精确塌回 0.000，而真 Hawkes 数据同样处理只从 0.693 掉到 0.691（几乎不动），证明修正没有误伤信号。七项对抗式检验全过：平坦泊松安慰剂 n̂=0.00008、打乱时间戳后 Fano 从 9.03 归位 0.98、时间重标定 KS 检验 p=0.964 对泊松模型的 p=0.000。最容易误读的是预测能力——2 秒窗口 MAE 只改善 12.1%，10 秒 2.7%，越往后越接近零，簇发结构可测但不等于可交易（高阶）

本文通过受控模拟验证 Hawkes 过程能否从成交时间戳中估回参数。结果显示：样本量达 2000 事件时，MLE 可将分支比 α̂/β̂ 收敛至真值 0.700 ± 0.109，偏差 <1%；而打乱事件后分支比塌至 0.34，证实估计有效。强度-波动率相关性达 0.81，说明成交密度可预测已实现波动，但方向预测仍是开放问题。分支比 n→1 时方差爆炸、近临界行为在模拟中清晰可见。文章包含 4 张真实模拟图表、4 组对抗式检验。

Hawkes 自激点过程把「事件会触发更多同类事件」写成条件强度 λ(t)=μ+∫αβe^{-β(t-s)}dN_s。用 Ogata thinning 与精确簇采样仿真订单流：分支比 α 决定自激强度，α→1 时事件数发散、平稳性破裂；MLE 能从一段事件序列还原 μ/α/β。附完整 Python 与六类真实陷阱（高阶）。