🔬 physics

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

本文证明，具有重尾生育率分布的临域 Hawkes 点过程，只要其记忆与生育率尾指数满足确保基础无限过去泊松簇构造局部有限性的特定条件，即便其平均活动度为无穷大，仍可在分布意义下实现平稳性。

原作者： Didier Sornette

发布于 2026-05-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Didier Sornette

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一场巨大且永无止境的派对，人们不断邀请更多人加入。这就是**霍克斯过程（Hawkes processes）**的故事，它是一种用于描述事件如何触发其他事件的数学模型。你可以将其想象成病毒式传播的迷因、一连串的地震，或是谣言在人群中扩散。

以下是迪迪埃·索内特（Didier Sornette）在这篇论文中的发现，用日常类比进行的简明拆解。

设定：无限派对

想象一场始于无限久远之前（ $-\infty$ ）的派对。

主人（移民）： 时不时地，会有新人凭空出现（“移民”）。
邀请（生育力）： 当一个人到来时，他具有一定的“生育力”。这意味着他可能会邀请几个朋友，也可能会邀请一大群人。
连锁反应： 那些朋友到来后，他们又会邀请自己的朋友，如此循环。这就形成了一个事件的“簇”或“家谱树”。

过去，数学家们认为，如果每个人平均邀请的人数恰好是1（即“临界”点），派对就会失控。他们相信总人数将变得无限，导致系统“非平稳”（混乱且不稳定）。

核心问题

索内特问道：这场派对实际上是否混乱，还是仅仅因为我们的测量方式有误？

旧数学说：“如果平均宾客数量是无限的，派对就崩溃了。”
索内特说：“未必。仅仅因为平均值巨大，并不意味着在任何特定时刻房间都会溢出。”

新发现：“击中窗口”

为了判断派对是否稳定，索内特改变了问题。他不再问“总共有多少人？”（这可能无限），而是问：

“如果我透过一个小窗口观察一段固定时间（比如 10 分钟），我会看到有限数量的人吗？”

他将此称为**“固定窗口击中概率”**。

这就像透过一个小窥视孔观察繁忙的高速公路。即使在这条路上行驶过的汽车总数是无限的，但在任何给定的分钟内，你透过窥视孔看到的汽车数量可能仍然是可控的。

两个要素：记忆与生育力

索内特发现，派对是否能保持“局部有限”（即在窗口内可控），取决于两件事：

生育力（邀请有多疯狂）：
- 有些人很正常，只邀请 1 或 2 个朋友。
- 有些人是“超级邀请者”。在本文中，索内特研究了少数人可能邀请数百万朋友的情况（即“重尾”分布）。
- 转折： 令人惊讶的是，拥有这些狂野、不可预测的“超级邀请者”实际上可以稳定系统！
记忆（邀请持续多久）：
- 短记忆： 人们只在当下立即邀请朋友。
- 长记忆： 人们可以在多年后邀请朋友。

结果：派对何时稳定？

索内特证明，即使平均宾客数量是无限的，派对也可以是稳定的（平稳的），但只有在特定条件下：

“狂野邀请者”情景（无限方差）：
如果“生育力”非常狂野（有些人邀请一大群人，但大多数人只邀请少数人），且系统的“记忆”足够长，那么系统是稳定的。
- 类比： 想象有几个人如此混乱，以至于他们邀请了一整个体育场的人，但他们这样做得如此罕见，以至于当你透过 10 分钟的窗口观察时，你通常只看到正常的人群。这种“狂野”实际上阻止了系统陷入一种持续的、缓慢的燃烧，这种燃烧最终会填满房间。
- 规则： 如果记忆相对于邀请的狂野程度足够长，那么“窗口”将保持有限。系统是法律意义上的平稳（事件模式随时间重复），即使平均强度是无限的。
“普通邀请者”情景（有限方差）：
如果每个人相对正常（没有超级邀请者）且记忆较短，那么派对不稳定。
- 类比： 如果每个人都恰好邀请一个朋友，并且他们很快这样做，连锁反应就永远不会停止。如果你透过窗口观察，人数将永远增长。 “无限过去”为当前时刻贡献了太多的祖先。

“临界”边界

这篇论文在沙地上划出了一条精确的界线。

如果相对于邀请的“狂野程度”，“记忆”太短，系统就会崩溃（非平稳）。
如果“记忆”足够长，系统就能维持（平稳），即使平均值是无限的。

为什么这很重要（根据论文）

该论文表明，许多现实世界系统（如地震、股市崩盘或病毒式社交媒体帖子）可能正运行在这个“临界”边缘。

此前，科学家看到巨大的波动和无限平均值，并认为：“这个系统不稳定且正在变化。”
索内特说：“不，它的模式可能完全稳定，只是具有非常重的尾部。你看到的混乱并非崩溃的迹象；它是一个具有狂野波动的稳定临界系统的特征。”

简而言之： 你可以拥有一个系统，其“平均值”是无限的，但你在任何给定时刻观察到的“现实”都是完全有限且稳定的，前提是系统拥有长记忆与狂野、罕见事件的恰当组合。

技术摘要：具有随机生育率的临界 Hawkes 过程

问题陈述
本文探讨了临界状态（分支比 $n=1$ ）下自激 Hawkes 点过程理论中的一个基本模糊性。虽然已知平稳平均强度在 $n \to 1$ 时发散（具体为 $\bar{\lambda} = \nu/(1-n)$ ），从而导致通常的结论认为临界 Hawkes 过程是非平稳的或定义不良的，但这一结论仅依赖于一阶矩的有限性。本文研究了具有无限平均活动的临界 Hawkes 过程是否仍能在分布上保持平稳（即有限窗口计数的分布具有时间不变性）。具体而言，它考察由从 $t=-\infty$ 开始的移民过程生成的簇的叠加是否构成一个局部有限的点过程，或者无限过去是否会在任何有界观测窗口中贡献无限多的事件。

方法论
作者采用了 Hawkes 过程的泊松簇构造，其中每个移民生成一个事件的谱系树（簇）。分析聚焦于固定窗口击中概率，记为 $H_T(u)$ ，定义为在时间 $-u$ 出生的簇对固定观测窗口 $[0, T]$ 贡献至少一个事件的概率。

核心技术方法包括：

局部有限性判据：确立全直线构造定义一个真实点过程的充要条件是，对于任意有限 $T$ ， $\int_0^\infty H_T(u) du < \infty$ 。
渐近分析：在特定的记忆核尾部假设 $\phi(t) \sim t^{-(1+\theta)}$ 和生育率分布尾部假设 $P(\kappa > x) \sim x^{-\gamma}$ 下，推导大 $u$ 时 $H_T(u)$ 的渐近行为。
生成函数形式体系：利用分支过程理论和生成函数，将簇的灭绝概率与记忆核及生育率分布联系起来。这涉及求解积分方程（例如 $R(t) - (\phi * R)(t) \approx a(t)$ ）以确定生存概率和击中概率的衰减速率。
机制分类：区分簇寿命均值有限的机制、击中概率与寿命生存概率相当（有限记忆/有限方差）的机制，以及需要直接对 $H_T(u)$ 进行渐近估计的机制。

主要贡献与结果
本文推导了具有重尾生育率和记忆核的临界 Hawkes 过程在分布上平稳的精确条件。结果由生育率尾部指数 $\gamma$ （其中 $P(\kappa > x) \sim x^{-\gamma}$ ）与记忆尾部指数 $\theta$ （其中 $\phi(t) \sim t^{-(1+\theta)}$ ）之间的相互作用总结。

通过有限平均寿命的充分条件：
本文证明，如果期望簇寿命 $E[L]$ 有限，则该过程在分布上是平稳的。这发生在 $1 < \gamma < 2$ 且 $\theta > \gamma$ 时。在此机制下，条件 $\int H_T(u) du < \infty$ 得到满足，因为 $H_T(u)$ 被簇生存概率 $Q(u)$ 所界定，而 $Q(u)$ 衰减得足够快（ $Q(u) \sim u^{-p}$ ，其中 $p>1$ ）。
有限记忆/有限方差机制中的非平稳性：
对于具有有限生育率方差（ $\gamma \ge 2$ ）和有限记忆（ $\theta \ge 2$ ）的机制，本文证明了非平稳性。在此情况下，击中概率 $H_T(u)$ 渐近地与簇生存概率 $Q(u) \sim u^{-1}$ 相当。由于 $\int u^{-1} du$ 发散，局部有限性条件失效，因此该过程在分布上不是平稳的。
宽泛生育率波动的稳定作用（无限方差）：
最重要的发现是，宽泛的生育率波动（特别是 $1 < \gamma < 2$ ）可以在平均寿命无限的情况下，使分布上的临界动力学稳定下来。
- 通过直接分析 $H_T(u)$ 而非依赖寿命尾部，本文确立了一个更尖锐的平稳性阈值： $\theta > \gamma - 1$ 。
- 在中间机制 $\gamma - 1 < \theta \le \gamma$ 中，平均簇寿命是无限的（ $E[L] = \infty$ ），但固定窗口击中概率衰减得足够快（ $H_T(u) \sim u^{-(1+\theta)/\gamma}$ ），以确保 $\int H_T(u) du < \infty$ 。
- 因此，该过程保持局部有限且在分布上平稳，产生具有不变有限窗口分布的样本路径，尽管其平均强度是无限的。
分类总结：
- 在分布上平稳（已证明）： $1 < \gamma < 2$ 且 $\theta > \gamma$ 。
- 在分布上平稳（启发式/渐近）： $1 < \gamma < 2$ 且 $\gamma - 1 < \theta \le \gamma$ 。
- 非平稳（已证明）： $\gamma \ge 2$ 且 $\theta \ge 2$ 。
- 非平稳（启发式）： $\gamma > 2$ 且 $0 < \theta < 2$ ，以及 $1 < \gamma < 2$ 且 $0 < \theta \le \gamma - 1$ 。

意义与主张
本文声称解决了平均强度发散与过程本身存在性之间的逻辑鸿沟。它表明，临界 Hawkes 过程是非平稳的这一标准结论并非普遍有效。相反，分布上的平稳性由无限过去泊松簇构造的局部有限性控制，而非由平均强度的有限性控制。

作者认为，宽泛的生育率波动可以“稳定”临界 Hawkes 动力学。这意味着在地震活动（ETAS 模型）、金融市场或神经元雪崩等系统中观察到的超线性波动、发散的样本平均值或巨大的内源性级联，并不一定表明底层分布的非平稳性。相反，这些特征可能是平稳重尾临界机制的可观测表现。本文提供了数学判据（ $\theta > \gamma - 1$ ）来区分真正的非平稳性与具有无限均值的平稳临界性，为解释自然和社会系统中的近临界校准提供了一个更精细的框架。