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 为时刻 的事件强度(单位时间内发生事件的期望次数),
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 ,然后以速率 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 到达,每个事件(不论外生还是被引发的)独立地生出平均 个「子代」事件,子代再生子代。 叫分支比。当 时,每个移民引发的家族平均有 个事件,长期平均强度为 ,全部事件中有比例 是被引发的「内生」事件。 是临界点:每个家族仍然必然熄灭,但平均规模发散();当 (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 的概率接受。四种分支比下,调整 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 相符( 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 时的 28 左右, 时超过 300(长窗极限为 ):事件越来越成簇。家族大小的尾部也变厚: 时只有 0.14% 的家族达到 100 个事件, 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)):
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(),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 (每 1% 价格区间内的强平名义价值),买盘深度为 (每下跌 1% 需要的卖出量)。一个 的初始下跌触发 的强平卖单,它们再把价格压低 ,触发 ……其中
若 ,总跌幅是几何级数 ;若 ,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 。
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几何级数与模拟完全一致: 时跌幅加倍, 时放大 10 倍。 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%; 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 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 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 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 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 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 描述事件引发事件的程度: 时平均强度为 ,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 ,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
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).