[论文解读] Uncovering Causality from Multivariate Hawkes Integrated Cumulants

Massil Achab, Emmanuel Bacry+3 more|arXiv (Cornell University)|Jul 21, 2016

Point processes and geometric inequalities参考文献 41被引用 47

一句话总结

该论文提出了一种非参数方法 NPHC，用于在不假设核函数形式的前提下，通过二阶和三阶积分累积量估计多变量点过程的积分霍克斯过程核矩阵。该方法在合成数据、MemeTracker 和金融数据上均表现出比参数方法及现有非参数方法更高的准确性和速度，实现了鲁棒的因果推断。

ABSTRACT

We design a new nonparametric method that allows one to estimate the matrix of integrated kernels of a multivariate Hawkes process. This matrix not only encodes the mutual influences of each nodes of the process, but also disentangles the causality relationships between them. Our approach is the first that leads to an estimation of this matrix without any parametric modeling and estimation of the kernels themselves. A consequence is that it can give an estimation of causality relationships between nodes (or users), based on their activity timestamps (on a social network for instance), without knowing or estimating the shape of the activities lifetime. For that purpose, we introduce a moment matching method that fits the third-order integrated cumulants of the process. We show on numerical experiments that our approach is indeed very robust to the shape of the kernels, and gives appealing results on the MemeTracker database.

研究动机与目标

• 提出一种非参数方法，用于在不假设核函数形状参数形式的前提下，估计多变量霍克斯过程的积分核矩阵。
• 从时间戳事件数据中推断节点之间（如社交网络中的用户或金融市场的资产）的因果关系。
• 克服参数模型的局限性，后者通常假设核函数形状固定（如指数型或幂律型），而这些形状可能无法反映真实世界动态。
• 为现有非参数方法（如期望最大化算法或维纳-霍普夫求解器）提供一种计算高效且鲁棒的替代方案。
• 在多样化数据集（包括 MemeTracker 和高频金融订单簿数据）上验证该方法，证明其与典型事实一致。

提出的方法

• 该方法基于观测事件时间戳的二阶和三阶积分累积量进行矩匹配。
• 其目标是估计积分核矩阵 G，该矩阵编码了每个节点对其他所有节点的总影响随时间的变化。
• 估计过程被形式化为广义矩方法（GMM）问题，通过最小化经验累积量与理论累积量之间的差异来实现。
• 该方法通过聚焦于积分量而非直接估计核函数，避免了对核形状误设的敏感性。
• 在较弱的正则性条件下，理论证明了其一致性，表明随着观测时间 T 增加，估计结果以概率收敛。
• 算法通过凸优化框架实现，可获得快速且稳定的数值解。

实验结果

研究问题

• RQ1 在不假设影响核函数具体参数形式的前提下，能否可靠地推断多变量点过程中的因果关系？
• RQ2 与参数方法及现有非参数方法相比，基于累积量的非参数方法在准确性和计算成本方面表现如何？
• RQ3 当真实核函数形状未知或非指数型时，该方法对模型误设的鲁棒性如何？
• RQ4 该方法能否在真实世界数据（如社交媒体活动和金融订单流）中揭示有意义的因果结构？
• RQ5 该方法是否能有效检测复杂系统中异质交互动态下的内生性和时滞影响？

主要发现

• NPHC 方法在无需对单个核函数形状做参数假设的情况下，实现了对积分核矩阵 G 的一致估计。
• 数值实验表明，NPHC 对多种核函数形状（包括非单调或延迟效应型）均具有鲁棒性。
• 在 MemeTracker 数据集上，NPHC 在准确性和计算效率方面均优于基于 EM 和基于维纳-霍普夫的方法。
• 在金融订单簿数据中，估计出的因果结构与已知的典型事实一致，如短期反馈回路和非对称影响。
• 该方法表现出快速收敛和低方差，且在标准矩条件下的理论一致性已得到证明。
• 通过累积量匹配实现因果推断，避免了基于似然函数或迭代求解器所导致的数值不稳定性和高计算成本。