🔬 physics

Critical Hawkes Processes with Random Fertilities: Stationarity in Law Beyond Infinite Mean Activity

Dieser Artikel zeigt, dass kritische Hawkes-Prozesse mit schwerfälligen Fruchtbarkeitsverteilungen trotz unendlicher mittlerer Aktivität eine Stationarität im Gesetz erreichen können, sofern die Exponenten für Gedächtnis und den Ausläufer der Fruchtbarkeit spezifische Bedingungen erfüllen, die die lokale Endlichkeit der zugrunde liegenden Konstruktion von Poisson-Clustern mit unendlicher Vergangenheit sicherstellen.

Ursprüngliche Autoren: Didier Sornette

Veröffentlicht 2026-05-26

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Didier Sornette

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine riesige, endlose Party vor, bei der die Leute ständig weitere Leute einladen. Dies ist die Geschichte der Hawkes-Prozesse, eines mathematischen Modells, das beschreibt, wie Ereignisse andere Ereignisse auslösen. Denken Sie an ein virales Meme, eine Erdbebenkette oder ein Gerücht, das sich durch eine Menge verbreitet.

Hier ist die einfache Aufschlüsselung dessen, was Didier Sornette in diesem Papier entdeckt hat, unter Verwendung alltäglicher Analogien.

Das Szenario: Die unendliche Party

Stellen Sie sich eine Party vor, die vor unendlich langer Zeit begann (bei $-\infty$ ).

Die Gastgeber (Immigranten): Von Zeit zu Zeit kommt eine neue Person aus dem Nichts an (ein „Immigrant").
Die Einladungen (Fruchtbarkeit): Wenn eine Person ankommt, besitzt sie eine bestimmte „Fruchtbarkeit". Das bedeutet, sie lädt vielleicht ein paar Freunde ein oder vielleicht eine riesige Menge.
Die Kettenreaktion: Diese Freunde kommen an, und sie laden ihre eigenen Freunde ein, und so weiter. Dies erzeugt einen „Cluster" oder einen „Familienbaum" von Ereignissen.

In der Vergangenheit glaubten Mathematiker, dass, wenn die durchschnittliche Anzahl der pro Person eingeladenen Gäste genau 1 beträgt (der „kritische" Punkt), die Party außer Kontrolle gerät. Sie glaubten, die Gesamtzahl der Menschen würde unendlich werden, wodurch das System „nicht-stationär" (chaotisch und instabil) würde.

Die große Frage

Sornette fragt: Ist die Party tatsächlich chaotisch, oder liegt es daran, dass unsere Art, sie zu messen, falsch ist?

Die alte Mathematik sagte: „Wenn die durchschnittliche Anzahl der Gäste unendlich ist, ist die Party kaputt."
Sornette sagt: „Nicht unbedingt. Nur weil der Durchschnitt riesig ist, bedeutet das nicht, dass der Raum zu jedem bestimmten Zeitpunkt überfüllt ist."

Die neue Entdeckung: „Das Fenster treffen"

Um zu verstehen, ob die Party stabil ist, ändert Sornette die Frage. Anstatt zu fragen: „Wie viele Menschen gibt es insgesamt?" (was unendlich sein kann), fragt er:

„Wenn ich für eine feste Zeitspanne (sagen wir 10 Minuten) durch ein kleines Fenster schaue, werde ich dann eine endliche Anzahl von Menschen sehen?"

Er nennt dies die „Fixed-Window Hitting Probability" (Wahrscheinlichkeit, das feste Fenster zu treffen).

Stellen Sie sich vor, Sie beobachten eine belebte Autobahn durch ein kleines Kuckuckslöcher. Selbst wenn die Gesamtzahl der Autos, die jemals auf dieser Straße gefahren sind, unendlich ist, sehen Sie vielleicht trotzdem nur eine überschaubare Anzahl von Autos, die in einer beliebigen Minute an Ihrem Kuckuckslöcher vorbeifahren.

Die zwei Zutaten: Gedächtnis und Fruchtbarkeit

Sornette stellt fest, dass davon abhängt, ob die Party „lokal endlich" bleibt (im Fenster überschaubar), von zwei Dingen:

Fruchtbarkeit (Wie wild die Einladungen sind):
- Manche Leute sind normal und laden 1 oder 2 Freunde ein.
- Manche Leute sind „Super-Einladende". In diesem Papier betrachtet Sornette Fälle, in denen ein paar Leute Millionen von Freunden einladen könnten (eine „heavy-tailed" oder schwereschwanzige Verteilung).
- Die Wendung: Überraschenderweise können diese wilden, unvorhersehbaren „Super-Einladenden" das System tatsächlich stabilisieren!
Gedächtnis (Wie lange die Einladungen wirken):
- Kurzes Gedächtnis: Leute laden Freunde nur sofort ein.
- Langes Gedächtnis: Leute können Freunde auch Jahre später einladen.

Die Ergebnisse: Wann ist die Party stabil?

Sornette beweist, dass die Party stabil (stationär) sein kann, selbst wenn die durchschnittliche Anzahl der Gäste unendlich ist, aber nur unter bestimmten Bedingungen:

Das Szenario des „Wilden Einladenden" (Unendliche Varianz):
Wenn die „Fruchtbarkeit" sehr wild ist (einige Leute laden riesige Mengen ein, die meisten aber nur wenige) und das „Gedächtnis" des Systems lang genug ist, ist das System stabil.
- Analogie: Stellen Sie sich vor, ein paar Leute sind so chaotisch, dass sie ein Stadion voller Leute einladen, aber sie tun dies so selten, dass Sie, wenn Sie durch Ihr 10-Minuten-Fenster schauen, normalerweise nur eine normale Menge sehen. Die „Wildheit" verhindert tatsächlich, dass das System in einem konstanten, langsamen Brennen stecken bleibt, das den Raum schließlich füllen würde.
- Die Regel: Wenn das Gedächtnis im Verhältnis zur Wildheit der Einladungen lang genug ist, bleibt das „Fenster" endlich. Das System ist im Gesetz stationär (das Muster der Ereignisse wiederholt sich im Laufe der Zeit), obwohl die durchschnittliche Intensität unendlich ist.
Das Szenario des „Normalen Einladenden" (Endliche Varianz):
Wenn alle relativ normal sind (keine Super-Einladenden) und das Gedächtnis kurz ist, ist die Party nicht stabil.
- Analogie: Wenn jeder genau einen Freund einlädt und dies schnell tut, stirbt die Kettenreaktion nie aus. Wenn Sie durch Ihr Fenster schauen, wächst die Anzahl der Menschen für immer weiter. Die „unendliche Vergangenheit" trägt zu viele Vorfahren zum aktuellen Moment bei.

Die „kritische" Grenze

Das Papier zieht eine präzise Linie im Sand.

Wenn das „Gedächtnis" im Vergleich zur „Wildheit" der Einladungen zu kurz ist, bricht das System zusammen (nicht-stationär).
Wenn das „Gedächtnis" lang genug ist, hält das System zusammen (stationär), selbst bei unendlichen Durchschnitten.

Warum dies wichtig ist (laut dem Papier)

Das Papier legt nahe, dass viele reale Systeme (wie Erdbeben, Börsencrashs oder virale Social-Media-Posts) genau an dieser „kritischen" Kante operieren könnten.

Früher sahen Wissenschaftler enorme Schwankungen und unendliche Durchschnitte und dachten: „Dieses System ist instabil und verändert sich."
Sornette sagt: „Nein, es könnte in seinem Muster perfekt stabil sein, nur mit einem sehr schweren Schwanz. Das Chaos, das Sie sehen, ist kein Zeichen eines Zusammenbruchs; es ist die Signatur eines stabilen, kritischen Systems mit wilden Schwankungen."

Kurz gesagt: Sie können ein System haben, bei dem der „Durchschnitt" unendlich ist, aber die „Realität", die Sie in jedem gegebenen Moment beobachten, ist perfekt endlich und stabil, vorausgesetzt, das System hat die richtige Mischung aus langen Erinnerungen und wilden, seltenen Ereignissen.

Technische Zusammenfassung: Kritische Hawkes-Prozesse mit zufälligen Fertilitäten

Problemstellung
Der Artikel behandelt eine fundamentale Ambiguität in der Theorie sich selbst erregender Hawkes-Punktprozesse im kritischen Fall (Verzweigungsrate $n=1$ ). Zwar ist gut etabliert, dass die stationäre mittlere Intensität für $n \to 1$ divergiert (speziell $\bar{\lambda} = \nu/(1-n)$ ), was zu der gängigen Schlussfolgerung führt, dass kritische Hawkes-Prozesse nicht-stationär oder schlecht definiert seien, doch stützt sich diese Schlussfolgerung ausschließlich auf die Endlichkeit des ersten Moments. Der Artikel untersucht, ob ein kritischer Hawkes-Prozess trotz unendlicher mittlerer Aktivität im Gesetz stationär bleiben kann (d. h. zeitinvariante Verteilungen für Zählungen in endlichen Fenstern besitzt). Spezifisch wird gefragt, ob die Superposition von Clustern, die durch einen Immigrationprozess ab $t=-\infty$ erzeugt werden, zu einem lokal endlichen Punktprozess führt, oder ob die unendliche Vergangenheit unendlich viele Ereignisse zu jedem beschränkten Beobachtungsfenster beiträgt.

Methodik
Der Autor verwendet die Poisson-Cluster-Konstruktion von Hawkes-Prozessen, wobei jeder Immigrant einen genealogischen Baum (Cluster) von Ereignissen erzeugt. Die Analyse konzentriert sich auf die Trefferwahrscheinlichkeit für ein festes Fenster, bezeichnet als $H_T(u)$ , definiert als die Wahrscheinlichkeit, dass ein bei Zeit $-u$ geborener Cluster mindestens ein Ereignis zu einem festen Beobachtungsfenster $[0, T]$ beiträgt.

Der zentrale technische Ansatz umfasst:

Kriterium für lokale Endlichkeit: Die Feststellung, dass die Konstruktion über die gesamte Linie genau dann einen echten Punktprozess definiert, wenn $\int_0^\infty H_T(u) du < \infty$ für jedes endliche $T$ gilt.
Asymptotische Analyse: Herleitung des asymptotischen Verhaltens von $H_T(u)$ für große $u$ unter spezifischen Annahmen für die Schwänze des Gedächtniskerns $\phi(t) \sim t^{-(1+\theta)}$ und der Fertilitätsverteilung $P(\kappa > x) \sim x^{-\gamma}$ .
Formalismus der erzeugenden Funktionen: Nutzung der Theorie verzweigender Prozesse und erzeugender Funktionen, um die Aussterbewahrscheinlichkeit von Clustern mit dem Gedächtniskern und der Fertilitätsverteilung in Beziehung zu setzen. Dies beinhaltet das Lösen von Integralgleichungen (z. B. $R(t) - (\phi * R)(t) \approx a(t)$ ), um die Zerfallsgeschwindigkeiten von Überlebenswahrscheinlichkeiten und Trefferwahrscheinlichkeiten zu bestimmen.
Klassifizierung von Regimen: Unterscheidung zwischen Regimen, in denen der Mittelwert der Cluster-Lebensdauer endlich ist, Regimen, in denen die Trefferwahrscheinlichkeit mit der Überlebenswahrscheinlichkeit der Cluster vergleichbar ist (endliches Gedächtnis/endliche Varianz), und Regimen, die eine direkte asymptotische Schätzung von $H_T(u)$ erfordern.

Hauptbeiträge und Ergebnisse
Der Artikel leitet präzise Bedingungen für die Stationarität im Gesetz kritischer Hawkes-Prozesse mit schwerfälligen Fertilitäten und Gedächtniskernen her. Die Ergebnisse werden durch das Zusammenspiel zwischen dem Exponenten des Fertilitätsschwanzes $\gamma$ (wobei $P(\kappa > x) \sim x^{-\gamma}$ ) und dem Exponenten des Gedächtnisschwanzes $\theta$ (wobei $\phi(t) \sim t^{-(1+\theta)}$ ) zusammengefasst.

Hinreichende Bedingung über endliche mittlere Lebensdauer:
Der Artikel beweist, dass der Prozess im Gesetz stationär ist, wenn die erwartete Cluster-Lebensdauer $E[L]$ endlich ist. Dies tritt auf, wenn $1 < \gamma < 2$ und $\theta > \gamma$ . In diesem Regime ist die Bedingung $\int H_T(u) du < \infty$ erfüllt, da $H_T(u)$ durch die Cluster-Überlebenswahrscheinlichkeit $Q(u)$ nach oben beschränkt ist, die schnell genug zerfällt ( $Q(u) \sim u^{-p}$ mit $p>1$ ).
Nicht-Stationarität in Regimen mit endlichem Gedächtnis/endlicher Varianz:
Für Regime mit endlicher Fertilitätsvarianz ( $\gamma \ge 2$ ) und endlichem Gedächtnis ( $\theta \ge 2$ ) beweist der Artikel die Nicht-Stationarität. Hier ist die Trefferwahrscheinlichkeit $H_T(u)$ asymptotisch mit der Cluster-Überlebenswahrscheinlichkeit $Q(u) \sim u^{-1}$ vergleichbar. Da $\int u^{-1} du$ divergiert, versagt die Bedingung für lokale Endlichkeit, und der Prozess ist im Gesetz nicht stationär.
Stabilisierung durch breite Fertilitätsfluktuationen (unendliche Varianz):
Das bedeutendste Ergebnis ist, dass breite Fertilitätsfluktuationen (speziell $1 < \gamma < 2$ ) kritische Dynamiken im Gesetz stabilisieren können, selbst wenn die mittlere Lebensdauer unendlich ist.
- Durch direkte Analyse von $H_T(u)$ anstatt der Abhängigkeit vom Schwanz der Lebensdauer etabliert der Artikel einen schärferen Schwellenwert für Stationarität: $\theta > \gamma - 1$ .
- Im intermediären Regime, wo $\gamma - 1 < \theta \le \gamma$ , ist die mittlere Cluster-Lebensdauer unendlich ( $E[L] = \infty$ ), doch die Trefferwahrscheinlichkeit für ein festes Fenster zerfällt hinreichend schnell ( $H_T(u) \sim u^{-(1+\theta)/\gamma}$ ), um $\int H_T(u) du < \infty$ zu gewährleisten.
- Folglich bleibt der Prozess lokal endlich und im Gesetz stationär und erzeugt Pfadverläufe mit invarianten Verteilungen für endliche Fenster, trotz einer unendlichen mittleren Intensität.
Zusammenfassung der Klassifizierung:
- Im Gesetz stationär (bewiesen): $1 < \gamma < 2$ und $\theta > \gamma$ .
- Im Gesetz stationär (heuristisch/asymptotisch): $1 < \gamma < 2$ und $\gamma - 1 < \theta \le \gamma$ .
- Nicht-stationär (bewiesen): $\gamma \ge 2$ und $\theta \ge 2$ .
- Nicht-stationär (heuristisch): $\gamma > 2$ mit $0 < \theta < 2$ , und $1 < \gamma < 2$ mit $0 < \theta \le \gamma - 1$ .

Bedeutung und Behauptungen
Der Artikel beansprucht, die logische Lücke zwischen der Divergenz der mittleren Intensität und der Existenz des Prozesses selbst zu schließen. Er zeigt, dass die Standardfolgerung – dass kritische Hawkes-Prozesse nicht-stationär seien – nicht allgemein gültig ist. Stattdessen wird die Stationarität im Gesetz durch die lokale Endlichkeit der Poisson-Cluster-Konstruktion über die unendliche Vergangenheit kontrolliert, nicht durch die Endlichkeit der mittleren Intensität.

Der Autor argumentiert, dass breite Fertilitätsfluktuationen kritische Hawkes-Dynamiken „stabilisieren" können. Dies impliziert, dass empirische Beobachtungen von superlinearen Fluktuationen, divergierenden Stichprobenmittelwerten oder großen endogenen Kaskaden in Systemen wie Seismizität (ETAS-Modelle), Finanzmärkten oder neuronalen Avalanchen nicht notwendigerweise eine Nicht-Stationarität des zugrundeliegenden Gesetzes anzeigen. Vielmehr können diese Signaturen die beobachtbaren Manifestationen eines stationären kritischen Regimes mit schweren Schwänzen sein. Der Artikel liefert die mathematischen Kriterien ( $\theta > \gamma - 1$ ), um zwischen echter Nicht-Stationarität und stationärer Kritikalität mit unendlichem Mittelwert zu unterscheiden, und bietet einen verfeinerten Rahmen zur Interpretation nahezu-kritischer Kalibrierungen in natürlichen und sozialen Systemen.