fn_registry/python/functions/datascience/estimate_hawkes.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

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

Ejemplo

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.