🔬 physics

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

Ce papier démontre que les processus ponctuels de Hawkes critiques avec des distributions de fécondité à queue lourde peuvent atteindre la stationnarité en loi malgré une activité moyenne infinie, à condition que les exposants de queue de la mémoire et de la fécondité satisfont des conditions spécifiques garantissant la finitude locale de la construction sous-jacente de clusters de Poisson à passé infini.

Auteurs originaux : Didier Sornette

Publié 2026-05-26

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Didier Sornette

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une fête géante et sans fin où les gens continuent d'inviter d'autres personnes. C'est l'histoire des processus de Hawkes, un modèle mathématique utilisé pour décrire comment les événements déclenchent d'autres événements. Pensez-y comme à un mème viral, une chaîne de séismes ou une rumeur se propageant dans une foule.

Voici une explication simple de ce que Didier Sornette a découvert dans cet article, en utilisant des analogies du quotidien.

Le Décor : La Fête Infinie

Imaginez une fête qui a commencé il y a un temps infini (à $-\infty$ ).

Les Hôtes (Immigrants) : De temps en temps, une nouvelle personne arrive de nulle part (un « immigrant »).
Les Invitations (Fertilité) : Lorsqu'une personne arrive, elle possède une certaine « fertilité ». Cela signifie qu'elle peut inviter quelques amis, ou qu'elle peut inviter une foule immense.
La Réaction en Chaîne : Ces amis arrivent, et eux-mêmes invitent leurs propres amis, et ainsi de suite. Cela crée un « groupe » ou un « arbre généalogique » d'événements.

Par le passé, les mathématiciens pensaient que si le nombre moyen de personnes invitées par personne était exactement 1 (le point « critique »), la fête échapperait à tout contrôle. Ils croyaient que le nombre total de personnes deviendrait infini, rendant le système « non stationnaire » (chaotique et instable).

La Grande Question

Sornette se demande : La fête est-elle réellement chaotique, ou est-ce simplement que notre façon de la mesurer est erronée ?

Les anciennes mathématiques disaient : « Si le nombre moyen d'invités est infini, la fête est brisée. »
Sornette dit : « Pas nécessairement. Le fait que la moyenne soit énorme ne signifie pas que la salle est bondée à un moment précis. »

La Nouvelle Découverte : « Frapper la Fenêtre »

Pour comprendre si la fête est stable, Sornette change la question. Au lieu de demander : « Combien de personnes y a-t-il au total ? » (ce qui peut être infini), il demande :

« Si je regarde à travers une petite fenêtre pendant un temps fixe (disons 10 minutes), verrai-je un nombre fini de personnes ? »

Il appelle cela la « Probabilité de Frappement de Fenêtre Fixe ».

Pensez-y comme à regarder une autoroute bondée à travers une petite lucarne. Même si le nombre total de voitures ayant jamais roulé sur cette route est infini, vous pourriez encore ne voir qu'un nombre gérable de voitures passer devant votre lucarne à n'importe quelle minute donnée.

Les Deux Ingrédients : Mémoire et Fertilité

Sornette découvre que le fait que la fête reste « localement finie » (gérable dans la fenêtre) dépend de deux choses :

Fertilité (À quel point les invitations sont folles) :
- Certaines personnes sont normales et invitent 1 ou 2 amis.
- Certaines personnes sont des « super-inviteurs ». Dans cet article, Sornette examine des cas où quelques personnes pourraient inviter des millions d'amis (une distribution à « queue lourde »).
- La Surprise : Étonnamment, avoir ces « super-inviteurs » sauvages et imprévisibles peut en réalité stabiliser le système !
Mémoire (Combien de temps durent les invitations) :
- Mémoire courte : Les personnes n'invitent des amis que immédiatement.
- Mémoire longue : Les personnes peuvent inviter des amis des années plus tard.

Les Résultats : Quand la Fête est-elle Stable ?

Sornette prouve que la fête peut être stable (stationnaire) même si le nombre moyen d'invités est infini, mais uniquement sous des conditions spécifiques :

Le Scénario de l'« Inviteur Sauvage » (Variance Infinie) :
Si la « fertilité » est très sauvage (certaines personnes invitent des foules immenses, mais la plupart en invitent peu), et que la « mémoire » du système est suffisamment longue, le système est stable.
- Analogie : Imaginez que quelques personnes sont si chaotiques qu'elles invitent un stade rempli de gens, mais qu'elles le font si rarement que, lorsque vous regardez à travers votre fenêtre de 10 minutes, vous ne voyez généralement qu'une foule normale. La « sauvagerie » empêche en fait le système de rester coincé dans une combustion lente et constante qui finirait par remplir la salle.
- La Règle : Si la mémoire est suffisamment longue par rapport à la sauvagerie des invitations, la « fenêtre » reste finie. Le système est stationnaire en loi (le motif des événements se répète au fil du temps), même si l'intensité moyenne est infinie.
Le Scénario de l'« Inviteur Normal » (Variance Finie) :
Si tout le monde est relativement normal (pas de super-inviteurs) et que la mémoire est courte, la fête n'est pas stable.
- Analogie : Si tout le monde invite exactement un ami, et qu'ils le font rapidement, la réaction en chaîne ne s'éteint jamais. Si vous regardez à travers votre fenêtre, le nombre de personnes continue de croître indéfiniment. Le « passé infini » contribue trop d'ancêtres au moment présent.

La Frontière « Critique »

L'article trace une ligne précise dans le sable.

Si la « mémoire » est trop courte par rapport à la « sauvagerie » des invitations, le système se brise (non stationnaire).
Si la « mémoire » est suffisamment longue, le système tient bon (stationnaire), même avec des moyennes infinies.

Pourquoi Cela Compte (Selon l'Article)

L'article suggère que de nombreux systèmes réels (comme les séismes, les krachs boursiers ou les publications virales sur les réseaux sociaux) pourraient fonctionner juste à cette frontière « critique ».

Auparavant, les scientifiques voyaient d'énormes fluctuations et des moyennes infinies et pensaient : « Ce système est instable et changeant. »
Sornette dit : « Non, il pourrait être parfaitement stable dans son motif, simplement avec une queue très lourde. Le chaos que vous voyez n'est pas un signe de rupture ; c'est la signature d'un système stable et critique avec des fluctuations sauvages. »

En bref : Vous pouvez avoir un système où la « moyenne » est infinie, mais où la « réalité » que vous observez à un moment donné est parfaitement finie et stable, à condition que le système possède le bon mélange de mémoires longues et d'événements sauvages et rares.

Résumé Technique : Processus de Hawkes Critiques avec Fertilités Aléatoires

Énoncé du Problème
L'article aborde une ambiguïté fondamentale dans la théorie des processus ponctuels de Hawkes auto-excitateurs à la criticité (rapport de branchement $n=1$ ). Bien qu'il soit bien établi que l'intensité moyenne stationnaire diverge lorsque $n \to 1$ (spécifiquement $\bar{\lambda} = \nu/(1-n)$ ), conduisant à la conclusion courante selon laquelle les processus de Hawkes critiques sont non stationnaires ou mal définis, cette conclusion repose uniquement sur la finitude du premier moment. L'article examine si un processus de Hawkes critique peut rester stationnaire en loi (c'est-à-dire posséder des distributions invariantes dans le temps pour les comptages sur des fenêtres finies) malgré une activité moyenne infinie. Plus précisément, il s'interroge sur le fait que la superposition des clusters générés par un processus d'immigration débutant à $t=-\infty$ résulte en un processus ponctuel localement fini, ou si le passé infini contribue à un nombre infini d'événements dans toute fenêtre d'observation bornée.

Méthodologie
L'auteur utilise la construction de Poisson-cluster des processus de Hawkes, où chaque immigrant génère un arbre généalogique (cluster) d'événements. L'analyse se concentre sur la probabilité de frappe à fenêtre fixe, notée $H_T(u)$ , définie comme la probabilité qu'un cluster né au temps $-u$ contribue à au moins un événement dans une fenêtre d'observation fixe $[0, T]$ .

L'approche technique centrale implique :

Critère de Finitude Locale : Établir que la construction sur toute la ligne définit un véritable processus ponctuel si et seulement si $\int_0^\infty H_T(u) du < \infty$ pour tout $T$ fini.
Analyse Asymptotique : Déduire le comportement asymptotique de $H_T(u)$ pour $u$ grand sous des hypothèses spécifiques sur les queues de la mémoire $\phi(t) \sim t^{-(1+\theta)}$ et de la distribution de fertilité $P(\kappa > x) \sim x^{-\gamma}$ .
Formalisme des Fonctions Génératrices : Utiliser la théorie des processus de branchement et les fonctions génératrices pour relier la probabilité d'extinction des clusters au noyau de mémoire et à la distribution de fertilité. Cela implique de résoudre des équations intégrales (par exemple, $R(t) - (\phi * R)(t) \approx a(t)$ ) pour déterminer les taux de décroissance des probabilités de survie et de probabilités de frappe.
Classification des Régimes : Distinguer les régimes où l'espérance de durée de vie du cluster est finie, les régimes où la probabilité de frappe est comparable à la probabilité de survie de la durée de vie (mémoire finie/variance finie), et les régimes nécessitant une estimation asymptotique directe de $H_T(u)$ .

Contributions et Résultats Clés
L'article dérive des conditions précises pour la stationnarité en loi des processus de Hawkes critiques avec des fertilités et des noyaux de mémoire à queues lourdes. Les résultats sont résumés par l'interaction entre l'exposant de queue de fertilité $\gamma$ (où $P(\kappa > x) \sim x^{-\gamma}$ ) et l'exposant de queue de mémoire $\theta$ (où $\phi(t) \sim t^{-(1+\theta)}$ ).

Condition Suffisante via une Durée de Vie Moyenne Finie :
L'article démontre que si la durée de vie moyenne du cluster $E[L]$ est finie, le processus est stationnaire en loi. Cela se produit lorsque $1 < \gamma < 2$ et $\theta > \gamma$ . Dans ce régime, la condition $\int H_T(u) du < \infty$ est satisfaite car $H_T(u)$ est bornée par la probabilité de survie du cluster $Q(u)$ , qui décroît suffisamment vite ( $Q(u) \sim u^{-p}$ avec $p>1$ ).
Non-Stationnarité dans les Régimes à Mémoire Finie/Variances Finies :
Pour les régimes avec une variance de fertilité finie ( $\gamma \ge 2$ ) et une mémoire finie ( $\theta \ge 2$ ), l'article prouve la non-stationnarité. Ici, la probabilité de frappe $H_T(u)$ est asymptotiquement comparable à la probabilité de survie du cluster $Q(u) \sim u^{-1}$ . Puisque $\int u^{-1} du$ diverge, la condition de finitude locale échoue, et le processus n'est pas stationnaire en loi.
Stabilisation par des Fluctuations de Fertilité Étendues (Variance Infinie) :
La découverte la plus significative est que des fluctuations de fertilité étendues (spécifiquement $1 < \gamma < 2$ ) peuvent stabiliser la dynamique critique en loi même lorsque la durée de vie moyenne est infinie.
- En analysant directement $H_T(u)$ plutôt que de se fier à la queue de la durée de vie, l'article établit un seuil plus précis pour la stationnarité : $\theta > \gamma - 1$ .
- Dans le régime intermédiaire où $\gamma - 1 < \theta \le \gamma$ , la durée de vie moyenne du cluster est infinie ( $E[L] = \infty$ ), pourtant la probabilité de frappe à fenêtre fixe décroît suffisamment vite ( $H_T(u) \sim u^{-(1+\theta)/\gamma}$ ) pour assurer $\int H_T(u) du < \infty$ .
- Par conséquent, le processus reste localement fini et stationnaire en loi, produisant des trajectoires avec des distributions invariantes sur des fenêtres finies malgré une intensité moyenne infinie.
Résumé de la Classification :
- Stationnaire en Loi (Prouvé) : $1 < \gamma < 2$ et $\theta > \gamma$ .
- Stationnaire en Loi (Heuristique/Asymptotique) : $1 < \gamma < 2$ et $\gamma - 1 < \theta \le \gamma$ .
- Non Stationnaire (Prouvé) : $\gamma \ge 2$ et $\theta \ge 2$ .
- Non Stationnaire (Heuristique) : $\gamma > 2$ avec $0 < \theta < 2$ , et $1 < \gamma < 2$ avec $0 < \theta \le \gamma - 1$ .

Signification et Revendications
L'article revendique résoudre le fossé logique entre la divergence de l'intensité moyenne et l'existence du processus lui-même. Il démontre que la conclusion standard — selon laquelle les processus de Hawkes critiques sont non stationnaires — n'est pas généralement valable. Au lieu de cela, la stationnarité en loi est contrôlée par la finitude locale de la construction Poisson-cluster sur le passé infini, et non par la finitude de l'intensité moyenne.

L'auteur soutient que des fluctuations de fertilité étendues peuvent « stabiliser » la dynamique critique de Hawkes. Cela implique que les observations empiriques de fluctuations superlinéaires, de moyennes d'échantillons divergentes, ou de grandes cascades endogènes dans des systèmes tels que la sismicité (modèles ETAS), les marchés financiers ou les avalanches neuronales n'indiquent pas nécessairement une non-stationnarité de la loi sous-jacente. Plutôt, ces signatures peuvent être les manifestations observables d'un régime critique stationnaire à queues lourdes. L'article fournit les critères mathématiques ( $\theta > \gamma - 1$ ) pour distinguer entre une véritable non-stationnarité et une criticité stationnaire avec une moyenne infinie, offrant un cadre raffiné pour interpréter les calibrations près de la criticité dans les systèmes naturels et sociaux.