Asymptotic Analysis of Discrete-Time Hawkes Process

Cet article étudie le comportement asymptotique du processus de Hawkes en temps discret, établit un principe de grande déviation pour ce modèle auto-excitant et illustre son application à la modélisation des sinistres d'assurance.

L'essentiel

Voici une explication simplifiée de ce papier de recherche, imagée comme si nous racontions une histoire sur la façon dont les événements du quotidien peuvent s'attirer les uns les autres.

🌟 Le Titre : Quand les événements s'auto-encouragent

Imaginez une foule dans une place publique. Parfois, une personne tousse. Si c'est un jour normal, les autres ne réagissent pas. Mais dans un processus de Hawkes, c'est différent : si quelqu'un tousse, cela augmente la probabilité que la personne à côté tousse aussi, ce qui fait tousser la suivante, et ainsi de suite. C'est ce qu'on appelle un effet d'"auto-encouragement" (ou self-exciting).

Les auteurs de ce papier, Utpal Jyoti Deba Sarma et Dharmaraja Selvamuthu, étudient ce phénomène non pas en temps continu (comme une vidéo fluide), mais en temps discret (comme une série de photos prises à intervalles réguliers). Ils veulent comprendre comment ces "vagues" d'événements se comportent sur le long terme et prédire les situations extrêmes.

---

🎲 Le Jeu de la Pièce de Monnaie Trucée

Pour modéliser cela, les auteurs utilisent un jeu simple :

• À chaque minute $n$, on lance une pièce.
• Si elle tombe sur Face (1), un événement se produit (un client fait une réclamation, un tremblement de terre, un tweet viral).
• Si elle tombe sur Pile (0), rien ne se passe.

La magie du modèle : Cette pièce n'est pas équilibrée. Sa probabilité de tomber sur Face dépend de l'histoire récente.

• Si beaucoup d'événements se sont produits récemment, la pièce est "piquée" pour tomber sur Face.
• Si tout est calme, la pièce a plus de chances de tomber sur Pile.

C'est comme si chaque événement laissait une trace invisible qui rend l'avenir plus "tendu" et susceptible de produire d'autres événements.

---

🔍 Ce que les chercheurs ont découvert

Ils ont posé deux grandes questions :

1. Comment cela se stabilise-t-il ? (La Loi des Grands Nombres)

Au début, le système est chaotique. Mais si on regarde sur une très longue période (des années, des siècles), les chercheurs ont prouvé que le nombre moyen d'événements par minute finit par se stabiliser vers une valeur précise.

• L'analogie : Imaginez une foule qui crie. Au début, c'est le chaos. Mais après un moment, le volume moyen de cris se stabilise à un niveau constant, même si des pics individuels continuent d'apparaître.

2. Que se passe-t-il dans les cas rares ? (Le Principe des Grandes Déviations)

C'est la partie la plus excitante. Que se passe-t-il si, par un coup du sort, la foule crie énormément plus fort que la normale ? Ou si elle reste silencieuse pendant des heures ?

• Les chercheurs ont développé une "boussole mathématique" (appelée Principe des Grandes Déviations ou LDP) pour calculer la probabilité de ces événements extrêmes.
• L'analogie : C'est comme un météorologue qui ne se contente pas de dire "il va pleuvoir", mais qui calcule la probabilité qu'un ouragan de catégorie 5 frappe la ville demain. Ils ont trouvé une formule pour mesurer à quel point un tel événement est "improbable".

---

🏦 L'Application : L'Assureur et la Tempête

Pour montrer que leur théorie est utile, ils l'appliquent à une compagnie d'assurance.

• Le scénario : Une compagnie reçoit des primes (argent) chaque jour, mais doit payer des indemnités si des clients déclarent un sinistre.
• Le problème : Si les sinistres arrivent par vagues (à cause de l'effet d'auto-encouragement), la compagnie peut faire faillite même si elle semble bien gérée en moyenne.
• La solution des auteurs :
  1. Ils calculent le prix minimum que l'assurance doit facturer pour rester rentable à long terme. C'est comme trouver le niveau d'eau minimum pour qu'un bateau ne coule pas.
  2. Ils utilisent leur "boussole des événements rares" pour estimer la probabilité de faillite. Même si le prix est correct, il reste un petit risque qu'une tempête de sinistres (un effet domino) fasse couler le bateau.

Résultat concret : Leurs simulations montrent que si le prix est trop bas, la compagnie coule inévitablement. Si le prix est juste au-dessus du seuil critique, elle est rentable, mais il reste toujours une petite chance (très faible) qu'elle fasse faillite à cause d'une série malheureuse d'événements.

---

🚀 En Résumé

Ce papier est une boîte à outils mathématique pour comprendre les systèmes où le passé influence le futur.

• Sans ce modèle : On penserait que les événements sont indépendants (comme des lancers de dés classiques).
• Avec ce modèle : On comprend que les événements s'attirent, créant des vagues.

Les auteurs ont prouvé que malgré ce chaos apparent, il existe des règles mathématiques strictes qui permettent de prédire le comportement moyen et de mesurer le risque de catastrophes rares. C'est essentiel pour gérer des risques financiers, des réseaux de télécommunications ou même la propagation de maladies.

En une phrase : Ils ont appris à compter les vagues d'une marée qui s'auto-alimente, pour éviter que les assureurs ne se noient dedans ! 🌊📉📈

Résumé technique

Résumé Technique : Analyse Asymptotique du Processus de Hawkes en Temps Discret

1. Problématique et Contexte

Le processus de Hawkes, introduit par Alan G. Hawkes, est une classe de processus ponctuels auto-excitants largement utilisée en finance, en sismologie et dans d'autres domaines pour modéliser des événements dont la probabilité d'occurrence dépend de leur historique. Bien que le processus de Hawkes en temps continu soit bien étudié (avec des résultats sur la Loi des Grands Nombres, le Théorème Central Limite et le Principe de Grandes Déviations), de nombreuses applications pratiques impliquent des données enregistrées sous forme discrète ou agrégée.

Dans ce contexte, le Processus de Hawkes en Temps Discret (DTHP) offre une alternative plus efficace. Cependant, ses propriétés asymptotiques, en particulier concernant les grandes déviations, restaient insuffisamment explorées. L'objectif principal de cet article est d'étudier le comportement asymptotique du processus d'arrivée $\{\xi_n\}$ et d'établir le Principe de Grandes Déviations (PGD) pour le processus de Hawkes discret $\{H_n\}$.

2. Méthodologie

A. Définition du Modèle
Les auteurs considèrent un processus d'arrivée $\{\xi_n\}_{n \ge 1}$ où chaque $\xi_n$ est une variable aléatoire de Bernoulli à valeurs dans $\{0, 1\}$.

• $\xi_n = 1$ indique l'occurrence d'un événement au temps $n$.
• La probabilité conditionnelle d'occurrence dépend de l'historique :
  $$P(\xi_n = 1 \mid \xi_1, \dots, \xi_{n-1}) = a_0 + \sum_{i=1}^{n-1} a_{n-i}\xi_i$$
  où $(a_i)_{i \ge 0}$ est une fonction d'excitation positive satisfaisant $\sum a_i < 1$ et $\sum i a_i < \infty$.
• Le processus de Hawkes discret est défini comme le comptage cumulé : $H_n = \sum_{i=1}^n \xi_i$.

B. Outils Mathématiques
Pour analyser le comportement asymptotique, les auteurs utilisent une approche rigoureuse basée sur la théorie des grandes déviations :

1. Théorème de Bryc : Utilisé pour établir l'existence du PGD sans nécessiter la différentiabilité de la fonction génératrice de moments (contrairement au théorème de Gärtner-Ellis classique). Cela repose sur la preuve de la tension exponentielle et l'existence de limites pour une famille de fonctions bien séparantes.
2. Séquences presque sous-additives : Utilisées pour prouver la convergence de la fonction génératrice de moments logarithmique normalisée (scaled logarithmic MGF).
3. Variables associées : L'article exploite la propriété d'association des variables $\xi_n$ pour borner les covariances et établir les inégalités nécessaires.

3. Contributions Clés et Résultats Principaux

A. Convergence du Processus d'Arrivée
Les auteurs démontrent que le processus d'arrivée $\xi_n$ converge en distribution vers une variable aléatoire de Bernoulli $\xi$ lorsque $n \to \infty$. La probabilité de succès limite est donnée par :
$$P(\xi = 1) = \frac{a_0}{1 - \sum_{i=1}^\infty a_i}$$
Ce résultat caractérise le comportement stationnaire du taux d'arrivée à long terme.

B. Établissement du Principe de Grandes Déviations (PGD)
Le résultat central de l'article est la preuve que la suite normalisée $\{H_n/n\}$ satisfait le PGD avec une fonction de taux bonne (good rate function) $R(x)$.

• La preuve utilise le théorème de Bryc en montrant que la famille de distributions est exponentiellement tendue et que la limite de la fonction génératrice de moments logarithmique existe pour une collection de fonctions bien séparantes (fonctions continues et concaves sur $[0,1]$).
• La fonction de taux $R(x)$ est la transformée de Fenchel-Legendre de la limite de la fonction génératrice de moments logarithmique normalisée, notée $\Gamma(t)$.

C. Convergence de la Fonction Génératrice de Moments Logarithmique (Scaled Log-MGF)
Les auteurs prouvent la convergence ponctuelle de la fonction :
$$\Gamma(t) = \lim_{n \to \infty} \frac{1}{n} \log E[e^{t H_n}]$$
Ils établissent également des bornes explicites pour cette fonction limite $\Gamma(t)$ :

• Pour $t \ge 0$ : $\log(1 + (e^t-1)\frac{a_0}{1-\sum a_i}) \le \Gamma(t) \le \log(1 + (e^t-1)\sum_{i=0}^\infty a_i)$.
• Pour $t < 0$ : Des bornes similaires sont dérivées, améliorant les résultats précédents de la littérature (Sarma et Selvamuthu, 2014).

D. Application en Finance : Processus de Surplus d'Assurance
Pour illustrer l'utilité pratique du modèle, les auteurs appliquent le DTHP à la modélisation du surplus d'une compagnie d'assurance.

• Modèle : $U_n = u + np - H_n$, où $u$ est le surplus initial, $p$ la prime, et $H_n$ le nombre de réclamations (modélisées comme des événements de Hawkes).
• Condition de Profitabilité : Ils démontrent que pour que la compagnie reste solvable à long terme, la prime doit satisfaire $p > \frac{a_0}{1 - \sum a_i}$.
• Probabilité de Ruine : En utilisant le PGD, ils approximent la probabilité de ruine (surplus négatif) pour un temps fini $n$ par $e^{-n \inf R(x)}$. Cela quantifie le risque résiduel même lorsque la prime est supérieure au seuil de profitabilité moyen.
• Simulations Numériques : Des simulations de Monte Carlo (100 000 trajectoires) confirment les résultats théoriques, montrant une tendance à la baisse du surplus si $p$ est trop faible et une croissance stable si $p$ dépasse le seuil critique.

4. Signification et Perspectives

Signification Scientifique
Cet article comble un vide important dans la littérature sur les processus ponctuels en temps discret. Il fournit une fondation théorique rigoureuse pour l'analyse des grandes déviations dans un cadre auto-excitant discret, un domaine où les outils classiques du temps continu ne s'appliquent pas directement. L'utilisation du théorème de Bryc contourne les difficultés liées à la différentiabilité de la fonction génératrice de moments, offrant une méthode robuste pour ce type de processus dépendant de l'historique.

Applications Pratiques
La capacité à estimer les probabilités de grands écarts (comme la ruine d'une assurance ou des pics de trafic dans les réseaux) est cruciale pour la gestion des risques. Le modèle proposé permet de mieux calibrer les primes d'assurance ou les ressources de sécurité en tenant compte de l'effet d'agglomération (clustering) des événements.

Travaux Futurs
Les auteurs suggèrent deux directions principales pour des recherches ultérieures :

1. Trouver une expression explicite de la fonction de taux $R(x)$ pour des calculs de probabilités d'événements rares plus précis.
2. Étendre le modèle pour inclure non seulement l'auto-excitation, mais aussi l'excitation mutuelle et l'inhibition, afin de capturer des dynamiques plus complexes dans les systèmes interactifs.

En conclusion, ce travail établit un cadre analytique complet pour le processus de Hawkes en temps discret, reliant la théorie des grandes déviations à des applications concrètes en finance et en gestion des risques.