5D Library › 高杠杆衍生品清算瀑布、订单簿深度衰竭与协整统计套利 · English

第三章 清算瀑布、分支过程与霍克斯自激点过程

事件引发事件

地震之后有余震,余震之后还有余震。霍克斯 1971 年提出的自激点过程 (Hawkes 1971) 正是为这类「事件引发事件」的现象设计的。设 λ(t)\lambda(t) 为时刻 tt 的事件强度(单位时间内发生事件的期望次数),

λ(t)=μ+∑ti<tαe−β(t−ti).\lambda(t) = \mu + \sum_{t_i < t} \alpha\, e^{-\beta (t – t_i)}.

μ\mu 是外生的基线强度:与过去无关、由外部消息带来的事件。每发生一个事件,强度就跳高 α\alpha,然后以速率 β\beta 衰减。

霍克斯与奥克斯 1974 年给出了它的分支表示 (Hawkes and Oakes 1974):外生事件像「移民」一样以速率 μ\mu 到达,每个事件(不论外生还是被引发的)独立地生出平均 n=α/βn = \alpha/\beta 个「子代」事件,子代再生子代。nn 叫分支比。当 n<1n < 1 时,每个移民引发的家族平均有 1/(1−n)1/(1-n) 个事件,长期平均强度为 μ/(1−n)\mu/(1-n),全部事件中有比例 nn 是被引发的「内生」事件。n=1n = 1 是临界点:每个家族仍然必然熄灭,但平均规模发散(1/(1−n)→∞1/(1-n) \to \infty);当 n>1n > 1(超临界)时,一个家族才有正的概率永不熄灭。

用奥加塔 1981 年的稀疏化算法 (Ogata 1981) 模拟霍克斯过程:在两个事件之间强度只会衰减,所以当前强度就是下一次接受事件之前的上界,用它生成候选时刻,再以 λ(t)/λ‾\lambda(t)/\bar\lambda 的概率接受。四种分支比下,调整 μ\mu 使理论平均强度都等于 1;另外直接模拟分支树,统计家族大小。

推导

# Exponential-kernel Hawkes process by Ogata (1981) thinning; branching n = alpha/beta.
# Theory (n < 1): rate mu/(1-n), cluster mean 1/(1-n), long-window Fano 1/(1-n)^2.
import math, random

def ogata(mu, alpha, beta, T, rng):
    t, excite, ts = 0.0, 0.0, []          # excite = sum of alpha exp(-beta (t - t_i))
    while True:
        lam_bar = mu + excite
        w = rng.expovariate(lam_bar)
        t += w
        if t > T: return ts
        excite *= math.exp(-beta * w)
        if rng.random() * lam_bar <= mu + excite:
            ts.append(t); excite += alpha

def fano(ts, T, width):                   # variance / mean of counts in windows
    k = int(T // width); c = [0] * k
    for t in ts:
        j = int(t // width)
        if j < k: c[j] += 1
    m = sum(c) / k
    return sum((x - m) ** 2 for x in c) / k / m

def cluster_sizes(n, reps, rng):          # Galton-Watson tree, Poisson(n) children
    out = []
    for _ in range(reps):
        size, todo = 1, 1
        while todo and size < 10 ** 6:
            todo -= 1
            k, p, u = 0, math.exp(-n), rng.random()
            c = p
            while u > c:
                k += 1; p *= n / k; c += p
            size += k; todo += k
        out.append(size)
    return out

rng = random.Random(1971)
T, beta = 20000.0, 1.0
print("   n  | events  rate | Fano(100) sim / limit | cluster mean sim / theory"
      " | P(size>=100)")
for n in (0.0, 0.5, 0.8, 0.95):
    mu = 1.0 - n                          # keeps the theoretical mean rate at 1 per unit
    ts = ogata(mu, n * beta, beta, T, rng)
    cs = cluster_sizes(n, 20000, rng)
    big = sum(c >= 100 for c in cs) / len(cs)
    print(f" {n:4.2f} | {len(ts):6d}  {len(ts) / T:5.3f} |"
          f"    {fano(ts, T, 100.0):6.1f} / {1 / (1 - n) ** 2:5.0f}    |"
          f"     {sum(cs) / len(cs):6.2f} / {1 / (1 - n):6.2f}    |   {big:6.2%}")
#    n  | events  rate | Fano(100) sim / limit | cluster mean sim / theory | P(size>=100)
#  0.00 |  19986  0.999 |       0.9 /     1    |       1.00 /   1.00    |    0.00%
#  0.50 |  20107  1.005 |       4.3 /     4    |       2.00 /   2.00    |    0.00%
#  0.80 |  19776  0.989 |      28.3 /    25    |       4.96 /   5.00    |    0.14%
#  0.95 |  20173  1.009 |     306.2 /   400    |      20.23 /  20.00    |    4.08%

四种分支比下,平均强度都与理论值 1 相符,家族的平均大小与 1/(1−n)1/(1-n) 相符(n=0.95n = 0.95 时理论值 20,模拟 20.2)。但平均数之外的东西变化很大。在长度为 100 的时间窗里,计数的方差与均值之比(法诺因子)从泊松过程的约 1,升到 n=0.8n = 0.8 时的 28 左右,n=0.95n = 0.95 时超过 300(长窗极限为 1/(1−n)2=4001/(1-n)^2 = 400):事件越来越成簇。家族大小的尾部也变厚:n=0.8n = 0.8 时只有 0.14% 的家族达到 100 个事件,n=0.95n = 0.95 时达到 4%。同样的平均强度,接近临界的系统会偶尔爆发出巨大的连锁。

注

与第 20、28 本的关系。 第 20 本用沙堆模型讨论了自组织临界性与幂律,第 28 本讨论了临界慢化与早期预警信号及其局限。本章不重复这些内容,只讨论点过程的分支比如何估计,以及它为什么难以估准。

估计分支比

指数核霍克斯过程的对数似然可以递推计算(小崎 1979 (Ozaki 1979)):

log⁡L=∑ilog⁡(μ+αAi)−μT−αβ∑i(1−e−β(T−ti)),Ai=e−β(ti−ti−1)(1+Ai−1).\log L = \sum_i \log\!\big(\mu + \alpha A_i\big) – \mu T – \frac{\alpha}{\beta}\sum_i \big(1 – e^{-\beta(T – t_i)}\big), \qquad A_i = e^{-\beta(t_i – t_{i-1})}(1 + A_{i-1}).

用标准库中自写的单纯形(Nelder–Mead)搜索最大化似然。先拟合真正的霍克斯数据(n=0.7n = 0.7),再拟合两类完全没有自激的泊松数据:一类强度恒定,另一类强度在 0.5 与 2.0 之间切换。

推导

# Hawkes maximum likelihood (Ozaki 1979 recursion), Nelder-Mead over
# (log mu, logit n, log beta). Fitted to Hawkes data and to Poisson data with no
# self-excitation, constant or switching between rates 0.5 and 2.0.
import math, random

def ogata(mu, alpha, beta, T, rng):
    t, ex, ts = 0.0, 0.0, []
    while True:
        lb = mu + ex; w = rng.expovariate(lb); t += w
        if t > T: return ts
        ex *= math.exp(-beta * w)
        if rng.random() * lb <= mu + ex: ts.append(t); ex += alpha

def switching_poisson(rates, seg, T, rng):
    t, ts = 0.0, []
    while t < T:
        k = int(t // seg); end = (k + 1) * seg
        w = rng.expovariate(rates[k % len(rates)])
        if t + w >= end: t = end; continue  # memoryless: restart at the regime boundary
        t += w
        if t < T: ts.append(t)
    return ts

def loglik(p, ts, T):
    mu, n, beta = math.exp(p[0]), 1 / (1 + math.exp(-p[1])), math.exp(p[2])
    alpha, A, prev, s = n * beta, 0.0, None, 0.0
    for t in ts:
        if prev is not None: A = math.exp(-beta * (t - prev)) * (1 + A)
        s += math.log(mu + alpha * A); prev = t
    comp = mu * T + n * sum(1 - math.exp(-beta * (T - t)) for t in ts)
    return s - comp

def nelder_mead(f, x0, step=0.5, iters=250):
    pts = [list(x0)] + [[x + (step if i == j else 0) for j, x in enumerate(x0)]
                        for i in range(len(x0))]
    vals = [f(p) for p in pts]
    for _ in range(iters):
        order = sorted(range(len(pts)), key=lambda i: vals[i])
        pts = [pts[i] for i in order]; vals = [vals[i] for i in order]
        c = [sum(p[j] for p in pts[:-1]) / (len(pts) - 1) for j in range(len(x0))]
        def at(k): return [c[j] + k * (pts[-1][j] - c[j]) for j in range(len(x0))]
        r = at(-1); fr = f(r)
        if fr < vals[0]:
            e = at(-2); fe = f(e)
            pts[-1], vals[-1] = (e, fe) if fe < fr else (r, fr)
        elif fr < vals[-2]: pts[-1], vals[-1] = r, fr
        else:
            k = at(0.5); fk = f(k)
            if fk < vals[-1]: pts[-1], vals[-1] = k, fk
            else:
                pts = [pts[0]] + [[(a + b) / 2 for a, b in zip(pts[0], p)]
                                  for p in pts[1:]]
                vals = [vals[0]] + [f(p) for p in pts[1:]]
    return pts[0]

def fit(ts, T):
    p = nelder_mead(lambda q: -loglik(q, ts, T), [math.log(len(ts) / T / 2), 0.0, 0.0])
    return math.exp(p[0]), 1 / (1 + math.exp(-p[1])), math.exp(p[2])

def row(label, ts, T):
    mu, n, b = fit(ts, T)
    print(f"{label:38s} | {len(ts):6d} |   {mu:5.3f}  {n:5.2f}  {b:6.3f}")

rng = random.Random(1979)
T = 4000.0
print("data                                   | events | fitted mu     n    beta")
for rep in range(3):
    row(f"Hawkes, mu 0.3, n 0.70, beta 1.0 (#{rep + 1})", ogata(0.3, 0.7, 1.0, T, rng), T)
row("Poisson, constant rate 1.0", switching_poisson((1.0,), T, T, rng), T)
for seg in (400.0, 40.0):
    for rep in range(2):
        row(f"Poisson, 0.5/2.0, regimes of {seg:3.0f} (#{rep + 1})",
            switching_poisson((0.5, 2.0), seg, T, rng), T)
# data                                   | events | fitted mu     n    beta
# Hawkes, mu 0.3, n 0.70, beta 1.0 (#1)  |   4104 |   0.298   0.71   0.946
# Hawkes, mu 0.3, n 0.70, beta 1.0 (#2)  |   3803 |   0.284   0.70   0.997
# Hawkes, mu 0.3, n 0.70, beta 1.0 (#3)  |   4290 |   0.325   0.70   1.052
# Poisson, constant rate 1.0             |   4102 |   1.011   0.02   0.001
# Poisson, 0.5/2.0, regimes of 400 (#1)  |   5062 |   0.099   0.93   0.076
# Poisson, 0.5/2.0, regimes of 400 (#2)  |   4877 |   0.103   0.92   0.074
# Poisson, 0.5/2.0, regimes of  40 (#1)  |   5049 |   0.297   0.77   0.297
# Poisson, 0.5/2.0, regimes of  40 (#2)  |   5006 |   0.308   0.75   0.298

当数据真是霍克斯过程时,估计很好:三次模拟的分支比估计为 0.70 到 0.71。强度恒定的泊松数据估计出 0.02,接近真实的 0。但当基线强度在两个水平之间切换(每段长 400 个时间单位)时,尽管数据中没有任何事件引发事件,拟合出的分支比却高达 0.92 到 0.93,衰减速率只有约 0.07——模型用一个缓慢衰减的「自激」去模仿强度的状态切换。状态切换更快(每段 40)时,拟合的分支比仍有 0.75 到 0.77。

证据

市场离临界有多近? 菲利莫诺夫与索内特 2012 年用指数核霍克斯模型拟合了 1998—2010 年美国标普 500 电子迷你期货的中间价变动,发现内生性显著上升:1998 年约 70% 的价格变动可由外生信息解释,2007 年以后不到 30% (Filimonov and Sornette 2012),即分支比从约 0.3 升到 0.7 以上。哈迪曼、贝尔科与布绍 2013 年对同一市场使用幂律核,发现核的积分在 1998—2011 年间都接近 1、基本不随时间变化,认为市场一直接近临界;他们指出,用短记忆的指数核去拟合一个临界的幂律过程,会得到偏低、而且随时间上升的分支比 (Hardiman et al. 2013)。菲利莫诺夫与索内特 2015 年回应说,异常值、日内季节性、隔夜交易与参数的非平稳会把估计值系统地推向 1,在含有状态切换的泊松混合数据上校准会得到虚假的临界值,所以「市场处于临界」的结论站不住 (Filimonov and Sornette 2015)。综述见巴克里、马斯特罗马泰奥与穆奇 (Bacry et al. 2015)。

争论尚无定论,但程序说明了它的关键:分支比的估计对模型设定极其敏感,核的形状、时间窗、基线是否平稳,都能把同一份数据的估计从 0.3 推到接近 1。任何「分支比为 X,市场即将崩溃」的说法都应先问:基线的变化是否被当成了自激?

作者的推导:清算瀑布的有效分支比

第二章的玩具模型可以用分支的语言重写。设强平价格在当前价格以下的分布密度为 ρ\rho(每 1% 价格区间内的强平名义价值),买盘深度为 dd(每下跌 1% 需要的卖出量)。一个 s%s\% 的初始下跌触发 ρs\rho s 的强平卖单,它们再把价格压低 ρs/d=ns%\rho s/d = ns\%,触发 n2s%n^2 s\%……其中

neff=ρd.n_{\text{eff}} = \frac{\rho}{d}.

若 neff<1n_{\text{eff}} < 1,总跌幅是几何级数 s/(1−neff)s/(1 – n_{\text{eff}});若 neff≥1n_{\text{eff}} \ge 1,级数发散,下跌一直持续到强平价格带的尽头。

先在一条均匀的强平价格带(现价以下 0 到 20%)上核对几何级数;再按第二章「激进」杠杆组合计算强平价格密度在各个价位上的分布,以及不同深度下的 neffn_{\text{eff}}。

推导

作者的推导。

# Author's derivation: effective branching ratio n = rho / d of a liquidation cascade;
# total fall s / (1 - n) if n < 1, otherwise the whole band of liquidation prices.
def cascade(s, rho, d, band=20.0, step=1e-3):
    fall, sold_to = s, 0.0                # sold_to: depth of band already liquidated (%)
    while True:
        reach = min(fall, band)
        new = rho * (reach - sold_to)
        if new <= step * rho: return fall
        sold_to = reach; fall += new / d

print("uniform band of liquidation prices 0-20 % below, shock s = 1 %")
print("   n = rho/d | simulated fall | s / (1 - n) for an endless band")
for n in (0.0, 0.5, 0.8, 0.9, 0.99, 1.0, 1.2):
    sim = cascade(1.0, 100 * n, 100.0)
    th = f"{1 / (1 - n):10.1f} %" if n < 1 else "  diverges"
    print(f"     {n:4.2f}    | {sim:11.1f} %  | {th}")
# Aggressive mix of Chapter 2: entries uniform on 97-103 -> liquidation prices uniform on
# [97, 103] (1 - 1/L) / (1 - m); shares of 2,000 units of notional, m = 0.5 %.
MIX = [(5, .2), (10, .3), (20, .3), (25, .1), (50, .1)]
m, TOT = 0.005, 2000.0

def rho(x):                               # notional with liquidation price in [x - 1, x)
    out = 0.0
    for L, w in MIX:
        lo = 97 * (1 - 1 / L) / (1 - m); hi = min(103 * (1 - 1 / L) / (1 - m), 100)
        if hi <= lo: continue
        ov = max(0.0, min(hi, x) - max(lo, x - 1))
        out += TOT * w * ov / (103 * (1 - 1 / L) / (1 - m) - lo)
    return out

print("price level | rho (units per 1 %) | n_eff at depth d = 400 | d = 200 | d = 100")
for x in range(100, 76, -2):
    r = rho(x)
    print(f"  {x:5d}     |       {r:6.0f}        |        {r / 400:5.2f}"
          f"           |  {r / 200:5.2f}  |  {r / 100:5.2f}")
# uniform band of liquidation prices 0-20 % below, shock s = 1 %
#    n = rho/d | simulated fall | s / (1 - n) for an endless band
#      0.00    |         1.0 %  |        1.0 %
#      0.50    |         2.0 %  |        2.0 %
#      0.80    |         5.0 %  |        5.0 %
#      0.90    |        10.0 %  |       10.0 %
#      0.99    |        20.8 %  |      100.0 %
#      1.00    |        21.0 %  |   diverges
#      1.20    |        25.0 %  |   diverges
# price level | rho (units per 1 %) | n_eff at depth d = 400 | d = 200 | d = 100
#     100     |           47        |         0.12           |   0.23  |   0.47
#      98     |          173        |         0.43           |   0.87  |   1.73
#      96     |          155        |         0.39           |   0.77  |   1.55
#      94     |          137        |         0.34           |   0.69  |   1.37
#      92     |          111        |         0.28           |   0.55  |   1.11
#      90     |          111        |         0.28           |   0.55  |   1.11
#      88     |           29        |         0.07           |   0.14  |   0.29
#      86     |            0        |         0.00           |   0.00  |   0.00
#      84     |            0        |         0.00           |   0.00  |   0.00
#      82     |           83        |         0.21           |   0.41  |   0.83
#      80     |           83        |         0.21           |   0.41  |   0.83
#      78     |            1        |         0.00           |   0.00  |   0.01
左:激进杠杆组合下,有效分支比随价位的分布;10 倍到 50 倍杠杆的强平价挤在 88 到 100 之间,5 倍杠杆在 78 到 83 之间,中间是一段空档。深度为 100 时,现价以下大部分区域的有效分支比超过 1。右:2% 与 5% 的初始冲击在不同深度下造成的最终跌幅;深度低于约 200 时跌幅急剧增大。

几何级数与模拟完全一致:n=0.5n = 0.5 时跌幅加倍,0.90.9 时放大 10 倍。n=0.99n = 0.99 时,无限长的价格带理论上会放大 100 倍,但强平价格带只有 20%,跌幅停在 20.8%;n≥1n \ge 1 时一路跌穿整个价格带。在激进组合中,强平价最密集的区间在 97 到 98 附近(每 1% 约 173 单位),深度为 200 时有效分支比最高约 0.87,深度为 100 时高达 1.73。这解释了第二章的结果:深度 100、冲击 2% 时,瀑布一直烧到 83 附近才停下,因为 83 到 88 之间没有任何强平价格(10 倍与 5 倍杠杆之间的空档),空档充当了「防火带」;而 5% 的冲击把价格直接推过了空档,烧到了 5 倍杠杆的仓位,最终跌幅 23.3%。

注

这是类比,不是同一个量。 霍克斯过程的分支比是时间上的:一个事件在未来平均引发多少事件。这里的 neffn_{\text{eff}} 是价格上的:一单位下跌通过强平平均引发多少下跌。二者的数学结构(几何级数、临界值为 1)相同,但 neffn_{\text{eff}} 随价位变化,而且依赖于深度在强平期间不补充这一强假设。现实中,深度会随恐慌撤走(使 neffn_{\text{eff}} 更大),也会因抄底者进场而补充(使它更小)。

假说 · 尚未验证

有效分支比的局部性(尚未确立)。 作者的假说是:清算瀑布的规模不由全市场平均杠杆决定,而由现价以下局部的 neffn_{\text{eff}} 剖面决定;强平价之间的空档起防火带作用。可证伪的预测:在有按价位分档的强平价数据的市场中,冲击后的跌幅应在跌到 neffn_{\text{eff}} 剖面的空档处时明显减速;如果跌幅的停止位置与剖面空档没有关系,假说就是错的。

本章小结

霍克斯过程用分支比 nn 描述事件引发事件的程度:n<1n < 1 时平均强度为 μ/(1−n)\mu/(1-n),接近 1 时事件高度成簇、偶有巨大连锁。分支比可以用递推似然估计,但对模型设定极其敏感:没有自激、只有基线切换的数据也能拟合出 0.92 的分支比,这正是关于「市场是否处于临界」的争论的核心。作者把清算瀑布写成价格上的有效分支比 neff=ρ/dn_{\text{eff}} = \rho/d,它由杠杆分布与深度共同决定,并且是局部的。下一章转向交易的另一面:均值回复。

参考文献

Bacry, Emmanuel, Iacopo Mastromatteo, and Jean-François Muzy. 2015. “Hawkes Processes in Finance.” Market Microstructure and Liquidity 1 (1): 1550005. https://doi.org/10.1142/S2382626615500057.
Filimonov, Vladimir, and Didier Sornette. 2012. “Quantifying Reflexivity in Financial Markets: Toward a Prediction of Flash Crashes.” Physical Review E 85 (5): 056108. https://doi.org/10.1103/PhysRevE.85.056108.
Filimonov, Vladimir, and Didier Sornette. 2015. “Apparent Criticality and Calibration Issues in the Hawkes Self-Excited Point Process Model: Application to High-Frequency Financial Data.” Quantitative Finance 15 (8): 1293–314. https://doi.org/10.1080/14697688.2015.1032544.
Hardiman, Stephen J., Nicolas Bercot, and Jean-Philippe Bouchaud. 2013. “Critical Reflexivity in Financial Markets: A Hawkes Process Analysis.” European Physical Journal B 86: 442. https://doi.org/10.1140/epjb/e2013-40107-3.
Hawkes, Alan G. 1971. “Spectra of Some Self-Exciting and Mutually Exciting Point Processes.” Biometrika 58 (1): 83–90. https://doi.org/10.1093/biomet/58.1.83.
Hawkes, Alan G., and David Oakes. 1974. “A Cluster Process Representation of a Self-Exciting Process.” Journal of Applied Probability 11 (3): 493–503.
Ogata, Yosihiko. 1981. “On Lewis’ Simulation Method for Point Processes.” IEEE Transactions on Information Theory 27 (1): 23–31. https://doi.org/10.1109/TIT.1981.1056305.
Ozaki, T. 1979. “Maximum Likelihood Estimation of Hawkes’ Self-Exciting Point Processes.” Annals of the Institute of Statistical Mathematics 31 (1): 145–55. https://doi.org/10.1007/BF02480272.

Fan, Y. (2026). Liquidation Cascades, Order-Book Depth Depletion and Cointegrated Statistical Arbitrage: Ornstein-Uhlenbeck Processes and Kalman-Filter Dynamic Hedging [高杠杆衍生品清算瀑布、订单簿深度衰竭与协整统计套利] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23796776 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).