📊 statistics

Bayesian Modelling of Nonstationary Extreme Values Using a Nonparametric Hawkes Process

Este artículo propone un modelo de proceso de Hawkes no paramétrico bayesiano acoplado con una distribución generalizada de Pareto jerárquica para pronosticar eficazmente eventos extremos no estacionarios capturando patrones de agrupación autoexcitantes y magnitudes variables entre grupos, demostrando un rendimiento predictivo superior tanto en datos simulados como en datos del mundo real.

Autores originales: Gordon J. Ross, Dean Markwick

Publicado 2026-05-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Gordon J. Ross, Dean Markwick

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando predecir cuándo llegará la próxima "gran tormenta". En el mundo de los datos, estas tormentas son eventos extremos: un colapso repentino en el mercado de valores, un terremoto masivo o un pico en las muertes por terrorismo.

Durante mucho tiempo, los estadísticos intentaron predecir estas tormentas utilizando un manual de reglas muy rígido. Asumieron que las tormentas ocurren a un ritmo constante y predecible (como la lluvia en un llovizno continuo) y que cada tormenta tiene aproximadamente el mismo tamaño. Pero, como señalan los autores de este artículo, la vida real no funciona así. Las tormentas a menudo llegan en grupos (una ráfaga repentina de lluvia intensa seguida de una sequía), y el tamaño de las tormentas puede cambiar dependiendo de la temporada o la situación actual.

Este artículo presenta una nueva y más inteligente forma de modelar estos eventos caóticos. Piénsalo como una actualización desde un simple veleta hasta un sofisticado radar meteorológico de autoaprendizaje.

Así es como funciona su nuevo sistema, desglosado en conceptos simples:

1. El reloj despertador "autoexcitante" (El proceso de Hawkes)

Los modelos tradicionales tratan los eventos como independientes. Si el mercado de valores cae hoy, un modelo tradicional podría pensar: "Bien, eso ha terminado. La probabilidad de una caída mañana es simplemente la probabilidad promedio".

Los autores utilizan algo llamado Proceso de Hawkes. Imagina una habitación llena de gente. Si una persona estornuda, podría hacer que otras estornuden también. Si una segunda persona estornuda, podría desencadenar una reacción en cadena completa.

La metáfora: Piensa en un terremoto. Cuando el suelo tiembla (un evento), hace que el suelo sea inestable, aumentando la probabilidad de que ocurra una réplica (otro evento) poco después.
La innovación: Los autores se dieron cuenta de que los eventos extremos a menudo se comportan como esta reacción en cadena de estornudos. Construyeron un modelo donde un evento extremo "excita" el sistema, haciendo más probable que ocurra otro evento extremo inmediatamente después. Esto explica por qué los días malos en el mercado de valores a menudo llegan en grupos.

2. El disparador cambiante (El núcleo no paramétrico)

En el antiguo modelo de "estornudo", tenías que adivinar cómo se propaga el estornudo. ¿Dura 5 minutos? ¿1 hora? Tenías que elegir una forma fija (como una curva de campana) y esperar que fuera correcta. Si elegías la forma incorrecta, tus predicciones estarían equivocadas.

Los autores dicen: "¿Por qué adivinar? Dejemos que los datos nos digan la forma".

La metáfora: En lugar de forzar al estornudo para que encaje en un cortador de galletas predefinido, utilizan un enfoque de arcilla moldeable (llamado Proceso de Dirichlet). Permiten que los datos esculpan la forma de la "excitación" en sí misma.
El resultado: Si los datos muestran que los eventos se agrupan estrechamente durante unas pocas horas y luego se desvanecen, el modelo aprende esa forma. Si se agrupan durante días, el modelo también lo aprende. Es lo suficientemente flexible para manejar patrones extraños e impredecibles sin que el usuario tenga que adivinar las reglas con antelación.

3. Los tamaños de tormenta "basados en equipos" (Marcas GPD jerárquicas)

Una vez que el modelo sabe cuándo es probable que ocurra una tormenta, necesita adivinar qué tan grande será.

El problema: En los viejos tiempos, los estadísticos asumían que cada tormenta, ya fuera en un año tranquilo o en un año caótico, se extraía de la misma "bolsa de tamaños".
La innovación: Los autores se dieron cuenta de que las tormentas en un "grupo" (una semana caótica) podrían ser más grandes que las tormentas en una semana "tranquila". Sin embargo, algunos grupos son tan pequeños que no tienen suficientes datos para adivinar el tamaño con precisión por sí solos.
La metáfora: Imagina una liga deportiva. Si tienes un equipo con solo 3 jugadores, realmente no puedes decir qué tan buenos son. Pero si miras a todos los equipos de la liga, puedes tener una idea general del nivel de habilidad.
- Los autores utilizan un modelo jerárquico. Permiten que cada "grupo" de eventos tenga su propio tamaño promedio (escala), pero obligan a todos estos grupos a compartir una misma "forma de cola" (qué tan extremos pueden llegar a ser los peores escenarios).
- Esto permite que el modelo diga: "Este grupo específico de eventos suele ser más grande que el promedio", mientras aún toma fuerza prestada de todo el conjunto de datos para asegurarse de que la predicción para el evento peor posible sea precisa.

4. Uniendo todo: La máquina de predicción

Los autores combinaron estas tres ideas en un único modelo "Bayesiano". Lo probaron en cuatro conjuntos de datos del mundo real muy diferentes:

Mercado de valores (S&P 500): Buscando caídas masivas de valor.
Volatilidad del mercado (VIX): Buscando picos de miedo.
Velocidades del viento: Buscando ráfagas de fuerza de huracán.
Terrorismo: Buscando días con altos conteos de muertes.

Los resultados:
Cuando probaron su nuevo modelo de "arcilla flexible" contra los antiguos modelos de "cortador de galletas rígido", el nuevo modelo ganó en todo momento.

Fue mejor para predecir cuándo ocurriría el próximo evento extremo porque entendió que los eventos llegan en grupos.
Fue mejor para predecir qué tan grandes serían esos eventos porque entendió que el tamaño del evento depende de a qué "grupo" o período de tiempo pertenece.

Resumen

El artículo argumenta que para predecir eventos raros y peligrosos, debemos dejar de fingir que el mundo es tranquilo y predecible. En su lugar, necesitamos un modelo que entienda:

Los eventos desencadenan otros eventos (agrupamiento).
Las reglas de desencadenamiento cambian (formas flexibles).
El tamaño del evento depende del caos actual (tamaños jerárquicos).

Al utilizar este enfoque, los autores crearon una herramienta que es significativamente mejor para pronosticar la próxima "gran tormenta" en las finanzas, la naturaleza y la seguridad, sin necesidad de hacer suposiciones rígidas y a menudo incorrectas sobre cómo funciona el mundo.

Resumen Técnico: Modelado Bayesiano de Valores Extremos No Estacionarios Mediante un Proceso de Hawkes No Paramétrico

Planteamiento del Problema
La gestión efectiva de riesgos requiere estimar la probabilidad de que ocurran eventos grandes dentro de un marco temporal específico. Los enfoques tradicionales suelen basarse en la Teoría de Valores Extremos (EVT), específicamente en el método de Picos sobre umbral (POT), que modela las superaciones por encima de un umbral $u$ utilizando una Distribución Generalizada de Pareto (GPD). Sin embargo, los métodos POT estándar asumen estacionariedad: que los tiempos de superación siguen un proceso de Poisson homogéneo y que las magnitudes de las superaciones son extracciones independientes e idénticamente distribuidas (i.i.d.) de una única GPD.

Los datos del mundo real, como los índices del mercado financiero (por ejemplo, S&P 500, VIX), a menudo violan estos supuestos. Los eventos extremos frecuentemente exhiben agrupamiento (no estacionariedad temporal) y cambios estructurales en la magnitud (no estacionariedad de las marcas). Por ejemplo, los períodos de alta volatilidad pueden observar tanto una mayor frecuencia de caídas extremas como magnitudes mayores de dichas caídas. Los modelos bayesianos no paramétricos existentes suelen centrarse en el suavizado retrospectivo de datos históricos en lugar de modelar explícitamente la intensidad condicional requerida para la predicción futura. Además, las extensiones paramétricas para la no estacionariedad a menudo requieren supuestos fuertes sobre la forma funcional de los parámetros que varían en el tiempo, arriesgando un sobreajuste o un subajuste.

Metodología
Los autores proponen un modelo POT de Hawkes marcado bayesiano que aborda la no estacionariedad tanto en el dominio del tiempo como en el de las marcas mediante una estructura jerárquica.

Proceso de Hawkes No Paramétrico para Tiempos de Superación:
- En lugar de un proceso de Poisson homogéneo, los tiempos de ocurrencia de las superaciones se modelan utilizando un proceso de Hawkes autoexcitante. Esto permite que la intensidad condicional $\lambda(t | H_t)$ aumente tras un evento, capturando naturalmente el agrupamiento temporal.
- La intensidad de Hawkes se define como $\lambda(t | H_t) = \mu + \sum_{t_i < t} \kappa h(t - t_i)$ , donde $\mu$ es la intensidad de fondo, $\kappa$ es la relación de ramificación y $h(\cdot)$ es el núcleo de activación.
- Crucialmente, el núcleo de activación $h(\cdot)$ se modela no paramétricamente utilizando una mezcla de Proceso de Dirichlet (DP). Específicamente, $h(t)$ se representa como una mezcla infinita de distribuciones Lognormales, donde la distribución de mezcla $G$ sigue una priori de Proceso de Dirichlet. Esto permite que el modelo aprenda patrones de excitación complejos (por ejemplo, colas pesadas, multimodalidad) directamente de los datos sin imponer una forma paramétrica fija.
GPD Jerárquica para Magnitudes de Superación:
- Las magnitudes de las superaciones ( $y_i$ ) se modelan utilizando la Distribución Generalizada de Pareto (GPD).
- Para manejar la no estacionariedad en las magnitudes, los autores utilizan la estructura de ramificación latente del proceso de Hawkes. Los eventos se agrupan en clústeres basándose en los intervalos de tiempo entre eventos de fondo (exógenos).
- Se aplica un modelo jerárquico al parámetro de escala $\sigma_k$ de la GPD para cada clúster $k$ : $\log \sigma_k = \log \sigma_0 + \tau_\sigma z_k$ , donde $z_k \sim N(0, 1)$ .
- El parámetro de forma $\xi$ se comparte globalmente en todos los clústeres. Este enfoque de "agrupamiento parcial" permite que el modelo preste fuerza a través de los clústeres, permitiendo una estimación precisa del parámetro de escala incluso en clústeres con pocas observaciones, mientras mantiene una estimación global estable para la forma de la cola.
Inferencia Posterior:
- Se desarrolla un algoritmo de Cadena de Markov Monte Carlo (MCMC) para muestrear de la distribución conjunta posterior.
- El algoritmo utiliza una factorización modular: los parámetros del proceso de Hawkes (incluidas las variables de ramificación latentes $B$ ) se actualizan basándose en los tiempos de superación, y los parámetros de las marcas GPD se actualizan condicionales a la estructura de agrupamiento actual.
- El núcleo no paramétrico $h(\cdot)$ se actualiza utilizando un muestreador de Proceso de Restaurante Chino combinado con una corrección Metropolis–Hastings para el término de riesgo integrado.
- Los parámetros de la GPD se actualizan utilizando Monte Carlo Hamiltoniano (a través de Stan).

Contribuciones Clave
El artículo realiza tres contribuciones principales:

Enfoque Predictivo: Desarrolla un modelo POT de Hawkes marcado diseñado específicamente para pronosticar superaciones futuras de umbrales, distinguiéndose de modelos anteriores de procesos puntuales bayesianos no paramétricos que principalmente suavizan datos históricos.
Excitación No Paramétrica: Introduce una priori de mezcla de Proceso de Dirichlet para el núcleo de activación de Hawkes, permitiendo que el patrón de excitación temporal se aprenda flexible de los datos en lugar de asumir una forma paramétrica específica (por ejemplo, exponencial).
Modelado de Marcas Jerárquico: Vincula la estructura de ramificación latente del proceso de Hawkes con un modelo de marcas GPD jerárquico. Esto permite que la escala de las magnitudes de superación varíe a través de los regímenes inducidos por Hawkes mientras se comparte información entre clústeres, evitando la inestabilidad de ajustar GPDs separadas a clústeres pequeños.

Resultados
El modelo fue evaluado mediante un estudio de simulación y aplicado a cuatro conjuntos de datos del mundo real: retornos logarítmicos diarios del S&P 500, valores de cierre del VIX, velocidades del viento de Bradfield y la base de datos de terrorismo RAND-MIPT.

Estudio de Simulación: En un diseño controlado $2 \times 2$ (variando el tipo de núcleo y la distribución de marcas), los resultados confirmaron que:
- Cuando los datos se generaron con un núcleo no exponencial, el modelo DP-Hawkes superó al modelo paramétrico Exponential-Hawkes.
- Cuando los datos exhibieron variación de marcas específica del clúster, el modelo GPD jerárquico superó al modelo i.i.d. GPD.
- Cuando el mecanismo generador de datos no requería la flexibilidad adicional (por ejemplo, núcleo exponencial verdadero), los modelos flexibles incurrieron en una pequeña penalización predictiva, demostrando robustez.
Aplicaciones a Datos Reales:
- En los cuatro conjuntos de datos, el modelo completo (núcleo DP-Hawkes + marcas GPD jerárquicas) logró las mejores puntuaciones logarítmicas predictivas retenidas.
- El núcleo no paramétrico mejoró la predicción de los tiempos de superación, mientras que el modelo de marcas jerárquico mejoró la predicción de las magnitudes de superación.
- La mejora fue más sustancial para los datos financieros y de velocidad del viento, con ganancias menores pero positivas para los datos de terrorismo.
- Las verificaciones predictivas posteriores mostraron que los intervalos predictivos del modelo para los excesos futuros máximos eran consistentes con los datos observados, mostrando el conjunto de datos de terrorismo una cola más pesada ( $\xi$ positivo) como se esperaba.

Significado y Afirmaciones
Los autores afirman que su marco relaja con éxito los supuestos de estacionariedad estricta de la EVT estándar, proporcionando una herramienta más realista para pronosticar eventos extremos no estacionarios. El significado radica en la demostración de que el agrupamiento inducido por Hawkes es útil no solo para predecir el momento de los extremos, sino también para modelar cambios en sus magnitudes.

Al combinar procesos puntuales autoexcitantes con modelos de valores extremos jerárquicos, el artículo sugiere un enfoque prometedor para el pronóstico donde tanto la tasa de ocurrencia como la severidad de los eventos varían con el tiempo. Los autores notan modestamente que, aunque la especificación de forma compartida es un compromiso entre modelos completamente estacionarios y completamente locales, equilibra efectivamente la necesidad de capturar variaciones locales de magnitud con la estabilidad requerida para la inferencia de la forma de la cola en clústeres pequeños. El trabajo no afirma resolver todos los problemas de no estacionariedad, sino que ofrece una alternativa flexible y basada en datos a los marcos de regresión paramétrica para parámetros de valores extremos que varían en el tiempo.