Causal Discovery in Hawkes Processes by Minimum Description Length
利用最小描述长度发现 Hawkes 过程中的因果网络AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究时间点过程的 Granger 网络，并明确面向高频数据及金融债券应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用最小描述长度发现 Hawkes 过程中的因果网络
- 研究问题
- 如何从多维 Hawkes 时间点过程中学习 Granger 因果影响网络，并在不同数据规模下评估网络发现效果及金融数据应用？
- 方法与思路
- 作者把网络学习表述为模型选择，采用最小描述长度原则，并提出蒙特卡洛推断算法，在合成数据与 G7 债券价格数据上比较。
- 材料陈述的贡献
- 摘要称合成实验中方法相较基准具有网络发现优势，且债券数据结果符合专家知识；未报告具体指标或优势幅度。
- 阅读关注点
- 读全文时应核对 Hawkes 模型设定、描述长度准则与蒙特卡洛计算、网络恢复指标，以及债券数据如何转换为事件过程。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；Granger 网络描述预测依赖，摘要未建立干预意义上的因果识别。
原文摘要
Hawkes processes are a special class of temporal point processes which exhibit a natural notion of causality, as occurrence of events in the past may increase the probability of events in the future. Discovery of the underlying influence network among the dimensions of multi-dimensional temporal processes is of high importance in disciplines where a high-frequency data is to model, e.g. in financial data or in seismological data. This paper approaches the problem of learning Granger-causal network in multi-dimensional Hawkes processes. We formulate this problem as a model selection task in which we follow the minimum description length (MDL) principle. Moreover, we propose a general algorithm for MDL-based inference using a Monte-Carlo method and we use it for our causal discovery problem. We compare our algorithm with the state-of-the-art baseline methods on synthetic and real-world financial data. The synthetic experiments demonstrate superiority of our method incausal graph discovery compared to the baseline methods with respect to the size of the data. The results of experiments with the G-7 bonds price data are consistent with the experts knowledge.