Long-time asymptotics for multivariate Hawkes processes with long-range interactions

Dit artikel onderzoekt het langetermijngedrag van meervoudige Hawkes-processen met langafstandsinteracties die als een machtwet afnemen, waarbij de bewijzen technieken combineren uit de theorie van kortafstandsinteracties, $\alpha$-stabiele verdelingen en een Tauberiaanse stelling om toepassingen zoals neurale netwerken beter te modelleren.

De kern

Stel je voor dat je in een enorm, eindeloos dorp woont waar elke inwoner een klok heeft die elke seconde kan rinkelen. Dit is geen gewone klok; hij rinkelt niet alleen op een vast tijdstip, maar reageert op het geluid van andere klokken.

Als je buurman zijn klok laat rinkelen, hoor jij dat en is de kans groter dat jij je eigen klok ook laat rinkelen. Dit is wat wiskundigen een Hawkes-proces noemen: een systeem van gebeurtenissen die zichzelf en elkaar aanwakkeren.

In dit specifieke onderzoek kijkt Nadia Belmabrouk naar een heel speciaal soort dorp: een multivariaat Hawkes-proces met lange-afstandsinteracties. Laten we dit stap voor stap uitleggen met een paar creatieve metaforen.

1. Het Dorp en de Klokken (Het Model)

Stel je voor dat het dorp een oneindige rij huizen is (van links naar rechts).

• De Klokken ($Z_i$): Elke inwoner $i$ heeft een klok.
• De Rinkel-effecten: Als inwoner $j$ rinkelt, kan dat inwoner $i$ inspireren om ook te rinkelen.
• De Afstand: In de meeste eerdere modellen kon je alleen worden beïnvloed door je directe buren (huisnummer $i-1$ en $i+1$). Maar in dit onderzoek is het dorp anders. Hier geldt de wet van de "lange afstand".

2. De Kracht van de Buren (Interactie)

In dit dorp is de kracht waarmee een burenklok je beïnvloedt, afhankelijk van hoe ver ze wonen.

• Als je buren heel dichtbij wonen, is de invloed sterk.
• Als ze verder weg wonen, is de invloed zwakker.
• De Magische Regel: De kracht neemt af volgens een specifieke formule: hoe verder weg, hoe zwakker, maar op een heel specifieke manier (een "machtsregel"). Het is alsof je een fluitje blaast: de geluidsgolven reizen ver, maar worden zachter naarmate ze verder gaan.

Dit is belangrijk voor toepassingen zoals neuronale netwerken (onze hersenen). In je hersenen kunnen neuronen die ver uit elkaar liggen toch met elkaar praten. Dit model probeert die lange verbindingen na te bootsen.

3. Twee Soorten Drukte (De Regimes)

De wiskundige kijkt naar twee situaties, afhankelijk van hoe "luid" het dorp is:

A. De Rustige Situatie (Sub-kritisch)

Stel je voor dat de inwoners soms rinkelen, maar niet te vaak. Als iemand rinkelt, is de kans dat de rest ook rinkelt klein.

• Wat gebeurt er? Na verloop van tijd stabiliseert het dorp. De gemiddelde hoeveelheid rinkels per uur wordt voorspelbaar.
• De conclusie: Het gedrag van het hele dorp kan worden beschreven als een combinatie van de basisdrang om te rinkelen en de invloed van de buren. Het is als een rustige conversatie waar iedereen op zijn beurt spreekt.

B. De Chaotische Situatie (Super-kritisch)

Stel je voor dat de inwoners heel snel op elkaar reageren. Iemand rinkelt, en dat zorgt voor een kettingreactie van honderden andere klokken.

• Wat gebeurt er? Het wordt een explosie van geluid. Het aantal rinkels groeit exponentieel (het verdubbelt steeds sneller).
• Het probleem: De oude wiskundige methoden die voor "dichtbij-buren" werken, vallen hier niet meer. Het is alsof je probeert een storm te voorspellen met een regenscherm; het werkt niet meer.
• De oplossing: De auteur gebruikt een nieuw wiskundig gereedschap genaamd Tauberian theorema's.
  • De Analogie: Stel je voor dat je een heel luid geluid hoort, maar je kunt niet zien wie het maakt. In plaats van te proberen elke individuele stem te tellen, kijkt de wiskundige naar het totale geluidsniveau en de frequentie van de pieken. Met deze "geluidsanalyse" kan ze toch voorspellen hoe snel het lawaai zal groeien, zelfs in dit chaotische systeem.

4. Waarom is dit belangrijk?

Dit onderzoek is niet zomaar abstracte wiskunde. Het helpt ons begrijpen hoe complexe systemen werken die ver uit elkaar liggende delen hebben die toch met elkaar verbonden zijn.

• Neuroscience: Het helpt begrijpen hoe een groep neuronen in je hersenen samenwerkt, zelfs als ze niet direct naast elkaar zitten.
• Beurzen: Het kan helpen bij het modelleren van hoe een koersdaling in Azië direct invloed heeft op beurzen in Europa en Amerika (lange-afstands-effecten).
• Aardbevingen: Het verklaart hoe een aardbeving op de ene plek spanning kan opbouwen op een plek die honderden kilometers verder weg ligt.

Samenvatting in één zin

Dit paper laat zien hoe we wiskundig kunnen voorspellen wat er gebeurt in een systeem van onderling verbonden delen (zoals hersencellen), zelfs als die delen ver uit elkaar liggen en elkaar op een heel specifieke, langzaam afnemende manier beïnvloeden, en hoe we dat gedrag kunnen beschrijven als het systeem uit de hand loopt.

Het is een brug tussen de wiskunde van "dichtbij" en de realiteit van "ver weg", met als doel het gedrag van complexe netwerken beter te begrijpen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Long-time asymptotics for multivariate Hawkes processes with long-range interactions" van Nadia Belmabrouk, in het Nederlands.

1. Probleemstelling en Context

Het artikel onderzoekt het langetermijngedrag (asymptotiek voor $t \to \infty$) van multivariate Hawkes-processen met lange-afstand-interacties.

• Hawkes-processen: Dit zijn stochastische processen die gebruikt worden om sequenties van discrete gebeurtenissen te modelleren waarbij de kans op een nieuwe gebeurtenis wordt beïnvloed door eerdere gebeurtenissen (zelf-excitatie). Ze worden veel toegepast in seismologie, neurowetenschappen, genetica en sociale interacties.
• Multivariate setting: In plaats van één proces, wordt een systeem van interactende deeltjes (of neuronen) beschouwd, geïndiceerd door $i \in \mathbb{Z}$. De activiteit van deeltje $i$ hangt af van zijn eigen geschiedenis én de geschiedenis van andere deeltjes $j$.
• Het nieuwe aspect (Lange-afstand-interactie): In eerdere werken (zoals [3]) werden vaak alleen interacties tussen directe buren (nearest-neighbor) of kortdurende interacties gemodelleerd. Belmabrouk introduceert een model waarbij de interactiestrkte $\phi_{ji}$ afneemt als een machtsfunctie van de afstand tussen de deeltjes:
  $$\phi_{ji}(t) \propto \frac{\phi(t)}{|i-j|^{1+\alpha}}$$
  Hierbij is $\alpha > 0$. Dit model is realistischer voor systemen zoals neurale netwerken waar lange-afstand-verbindingen voorkomen.
• De uitdaging: De aanwezigheid van deze lange-afstand-interacties maakt de wiskundige analyse complexer, vooral in het superkritische regime (waar de totale excitatie $> 1$ is), omdat standaard technieken uit de literatie niet direct toepasbaar zijn.

2. Methodologie

De auteur combineert technieken uit verschillende gebieden om de asymptotisch gedrag te analyseren:

1. Modeldefinitie:
   Het proces $Z^i_t$ wordt gedefinieerd via een stochastische intensiteit $\lambda^i_t$:
   $$\lambda^i_t = \mu_i + \sum_{j \neq i} \frac{c(\alpha)}{|i-j|^{1+\alpha}} \int_0^t \phi(t-s) dZ^j_s$$
   Waarbij $\mu_i$ de basisintensiteit is en $\phi$ de responsfunctie.

2. Regimes:
   Het gedrag wordt onderzocht in twee regimes, gebaseerd op de integraal $I = \int_0^\infty \phi(t) dt$:

   • Subkritisch regime ($I < 1$): Het systeem is stabiel.
   • Superkritisch regime ($I > 1$): Het systeem groeit exponentieel.

3. Wiskundige Hulpmiddelen:

   • $\alpha$-stabiele wetten: Omdat de interacties een machtswet volgen, spelen $\alpha$-stabiele verdelingen een centrale rol in de analyse van de matrix $A_\alpha$ (die de ruimtelijke interacties beschrijft). De auteur gebruikt limietstellingen voor partiële sommen van variabelen met een machtswet-distributie.
   • Tauberian theorema's: Vooral in het superkritische regime worden deze stellingen gebruikt om het gedrag van de Laplace-getransformeerden terug te vertalen naar het gedrag in de tijdruimte.
   • Laplace-transformatie: Gebruikt om de convolutievergelijkingen voor de verwachte waarden $m^i_t = \mathbb{E}[Z^i_t]$ op te lossen.

3. Belangrijkste Resultaten

A. Subkritisch Regime ($I < 1$)

• Resultaat: Het proces convergeert naar een stationaire verdeling. De verwachte waarde van het proces, genormaliseerd door de tijd $t$, convergeert naar een constante die afhangt van de basisintensiteiten $\mu_j$ en een matrix $Q^I_\alpha$ die de ruimtelijke correlaties weergeeft.
• Formule:
  $$\mathbb{E}\left[ \left| \frac{Z^i_t}{t} - \sum_{j \in \mathbb{Z}} Q^I_\alpha(i, j)\mu_j \right| \right] \to 0 \quad \text{als } t \to \infty$$
• Bijdrage: Dit resultaat generaliseert eerdere werken (zoals [3]) naar het geval van lange-afstand-interacties. De bewijsvoering is grotendeels een aanpassing van bestaande methoden, maar vereist zorgvuldige behandeling van de $\alpha$-stabiele eigenschappen van de interactiematrix.

B. Superkritisch Regime ($I > 1$)

Dit is het meest innovatieve deel van het artikel.

• Probleem: In eerdere werken werd vaak aangenomen dat $\phi$ sub-polynomiaal is. Hier wordt aangenomen dat $\phi$ sub-exponentieel is (of specifiek $\phi(t) \leq C e^{\kappa t}$). De standaard technieken uit [3] (die leunen op Lemma 26) falen in dit nieuwe kader.
• Oplossing: De auteur gebruikt Tauberian theorema's in plaats van de oude methoden.
• Resultaat: Het proces groeit exponentieel. De verwachte waarde $Z^i_t$ gedraagt zich asymptotisch als:
  $$\mathbb{E}[Z^i_t] \sim \frac{\bar{\mu}}{\theta^2 \bar{m}} e^{\theta t}$$
  Waarbij:
  • $\theta > 0$ de unieke oplossing is van $L_\phi(\theta) = 1$ (waarbij $L_\phi$ de Laplace-getransformeerde is).
  • $\bar{\mu}$ de ruimtelijke gemiddelde basisintensiteit is.
  • $\bar{m} = \int_0^\infty t \phi(t) e^{-\theta t} dt$.
• Conclusie: Ondanks de complexe lange-afstand-interacties, volgt het systeem in het superkritische regime een uniforme exponentiële groei, bepaald door de spectrale eigenschappen van de responsfunctie en de ruimtelijke gemiddelden.

4. Technische Bijdragen en Bewijsstrategie

1. Aanpassing van Lemmata: De auteur past Lemmata uit [3] (specifiek Lemma 27 en Lemma 16) aan voor het lange-afstand-kader.
   • Lemma 3.1: Bewijst eigenschappen van de macht van de interactiematrix $A_\alpha^n$. Het toont aan dat de som van de kwadraten van de matrixelementen naar 0 gaat en dat de matrix toegepast op een begrensde rij $\mu$ convergeert naar het ruimtelijk gemiddelde $\bar{\mu}$. Dit vereist een diepgaande analyse van $\alpha$-stabiele verdelingen en hun convergentie.
2. Gebruik van Tauberian Stellingen: In plaats van te vertrouwen op centrale limietstellingen (zoals in [3]), gebruikt de auteur Tauberian stellingen om het gedrag van de Laplace-getransformeerde $y^i_p$ bij $p \to 0$ te koppelen aan het gedrag van $m^i_t$ bij $t \to \infty$.
3. Martingale Analyse: Om de fluctuaties rondom de verwachte waarde te beheersen, wordt een martingale $M^i_t$ geïntroduceerd. De auteur bewijst dat de afwijking $U^i_t = Z^i_t - m^i_t$ verwaarloosbaar is ten opzichte van de exponentiële groei $e^{\theta t}$.

5. Significatie en Toepassingsgebied

• Theoretische Vooruitgang: Het artikel vult een gat in de literatuur door Hawkes-processen met lange-afstand-interacties (long-range dependence) rigoureus te analyseren, zowel in sub- als superkritische regimes. Het toont aan dat de "lange staart" van de interactie de fundamentele asymptotische schaal (exponentiële groei in het superkritische geval) niet verandert, maar wel de precieze constanten beïnvloedt.
• Realistische Modellen: Het model is direct toepasbaar op systemen waar lange-afstand-verbindingen cruciaal zijn, zoals:
  • Neurowetenschappen: Modelleren van neurale netwerken waar neuronen niet alleen met directe buren communiceren, maar ook via lange-afstand-projecties.
  • Financiële Markten: Orderboeken waar transacties op grote tijdschalen en over grote afstanden invloed kunnen hebben.
• Methodologische Innovatie: De verschuiving van centrale limietstellingen naar Tauberian theorema's en $\alpha$-stabiele analyse biedt een nieuw gereedschapskist voor de analyse van complexe, niet-lokale stochastische systemen.

Samenvattend biedt dit artikel een robuust wiskundig kader om het langetermijngedrag van complexe, interactieve systemen met machtswet-afnemende interacties te begrijpen, met specifieke nadruk op de overgang naar exponentiële groei in superkritische situaties.