---
name: estimate_hawkes
kind: function
lang: py
domain: datascience
version: "1.0.0"
purity: pure
signature: "def estimate_hawkes(arrivals: list[int], max_lag: int = 30) -> dict"
description: "Estima parámetros de un proceso Hawkes (alpha, beta, branching_ratio) desde la autocorrelación de arrivals ajustando una exponencial decreciente sobre la ACF."
tags: [estimation, hawkes, stochastic-process, microstructure, timeseries]
uses_functions: []
uses_types: []
returns: []
returns_optional: false
error_type: ""
imports: [numpy, scipy]
params:
  - name: arrivals
    desc: "lista de conteos de eventos por periodo (ej: [0, 1, 3, 2, 0, 1, ...] eventos por tick). Reflect actividad temporal."
  - name: max_lag
    desc: "numero maximo de lags para calcular autocorrelacion (tipico: 30). Mayor = mas precision pero mas ruido."
output: "dict con {alpha, beta, branching_ratio, acf} estimados parametros del proceso Hawkes"
tested: false
tests: []
test_file_path: ""
file_path: "python/functions/datascience/datascience.py"
---

## Ejemplo

```python
arrivals = [0, 1, 3, 2, 0, 1, 4, 2, 1, 0] * 10
result = estimate_hawkes(arrivals, max_lag=10)
# {'alpha': 0.312, 'beta': 0.874, 'branching_ratio': 0.357, 'acf': [...]}
```

## Notas

Ajusta la función `a * exp(-b * lag)` sobre los lags 1..max_lag de la ACF usando `curve_fit` de scipy.
Si el primer lag de la ACF es <= 0.01 (sin autocorrelación), retorna alpha=0, beta=1, branching_ratio=0.
El branching_ratio = alpha/beta; si se acerca a 1, el proceso es explosivo.
Función pura: requiere numpy y scipy instalados.