通过Hawkes过程的移民-出生表示（参见，例如，[18]），我们知道，对于具有基线强度u和激励函数h的Hawkes过程Nu，我们可以将其分解为u个独立的Hawkes过程之和，每个Hawkes过程具有基线强度1和非激励函数h。然后，我们期望通过中心极限定理类型的参数，当我们将u发送到单位时，Nu将是渐近高斯的。备注5。接下来我们讨论G在（2.5）中的方差函数。一般来说，G在（2.5）中的方差函数是半显式的，我们可以首先通过数值求解和gvia积分方程（2.2）和（2.3）来计算它。在h（t）=αe的特殊情况下-βtα<β时，G的方差函数是显式的。为了看到这一点，我们首先从（2.2）和（2.3）中推断出g（t）=α- βe（α-β） t型-βα - β（2.9）和g（t）=2α（α- β） e2（α-β） t型-α(α + β)(α - β） +2αβtα- βe（α-β） t+ββ- α. （2.10）然后从命题1，我们得到e[Nt]=α（α- β） he（α-β） t型- 1i-βtα- β（2.11）和Var[Nt]=α（α- β） he2（α-β） t型- 1i-α(α - β） he（α-β） t型- 1i-2αβt（α- β） e（α-β） t+βtβ- α.（2.12）设s=t在（2.5）中，我们得到：Var（G（t））=mVar[Nt]+E[Nt]（m- m） =米α(α - β） he2（α-β） t型- 1i-α(α - β） he（α-β） t型- 1i-2αβt（α- β） e（α-β） t+βtβ- α+ （m）- m）α(α - β） he（α-β） t型- 1i-βtα- β. （2.13）备注6。此外，我们能够计算G的协方差。请参见附录中的导数。

对于t≥ s、 Cov（G（t），G（s））=mVar[Ns]+（E[Ns]）+E[Ns（Nt- Ns）]- 东[北]东[北]+ E【Ns】（m- m） =米α(α - β） he2（α-β） t型- 1i-α(α - β） he（α-β） t型- 1i-2αβt（α- β） e（α-β） t+βtβ- α+α(α - β） he（α-β） s- 1i-βsα- β+Me（α-β） s+α（α- β） he（α-β） s- 1i-βsα- β（t- s） +Mhe（β-α） t型- e（β-α） si+Mhe（α-β） t型- e（α-β） si+Mhe2（α-β） t型- e2（α-β） si公司-α(α - β） he（α-β） s- 1i-βsα- βα(α - β） he（α-β） t型- 1i-βtα- β+ （m）- m）α(α - β） he（α-β） s- 1i-βsα- β, （2.14）其中Mi，i∈ 1、2、3、4是常数，m=（2β- α)[-2α(2 + α) + α(2 + β) + α(2 + 2α -β) -2α]2α(β - α） M=α（2+β）2（β- α） M=α（2+2α- β)(2β - α - αβ) - (β - α)(2α + 2)2(β - α） M级=-α(3β + αβ - 2α - α)(β - α).在这种特殊情况下，我们注意到G的方差函数在总体上是非线性的。这与Nu为泊松过程（即h）的情况非常不同≡ 0）其中G成为标准布朗运动。3离散近似的破产概率在本节中，我们重点发展有限期破产概率的渐近估计。在大基线强度极限下，破产概率变为：Psup0≤t型≤T{G（T）- ct}>u！，（3.1）对于有限地平线情况。因为Uut→ u+ct- G（t），（3.2）弱in（D）（[0，∞), R） ，J）在定理2中，有必要研究（3.1）作为大基线强度近似，以获得Uut的有限期破产概率。接下来，让我们考虑初始财富较大的有限期破产概率的精确渐近性。我们依赖于[8]中的结果。设σ（t）为G（t）的标准差函数。让我们考虑一下t∈ [0，T]。我们知道σ（t）=smZtg（s）ds+（m- m） Ztg（s）ds，（3.3），在t中增加，在t=t时达到唯一最大值。我们可以计算σ（t）=σ（t）-2σ（T）mg（T）+（m- m） g（T）（T- t） +o（t- t） ，（3.4）作为t→ T

对于任何t>s，Cov（G（t），G（s））=mE[（Ns）]+E[Ns（Nt- Ns）]- 东[北]东[北]+ E【Ns】（m- m） 。（3.5）我们可以进一步计算thatCovG（t）σ（t），G（s）σ（s）(3.6)= 1 +m（2Cov（NT，λT）- g（T））- （m）- m） g（T）2σ（T）（t- s） +o（t- s） 当t>s，t时- s→ 0和s→ T因此，G（t）的假设A1在[8]中得到满足。对于G（t），假设A2在[8]中微不足道，参见附录中定理2的证明。根据定理3.1。[8] ，我们有PSUP0≤t型≤T{G（T）- ct}>u！~ P▄N/▄Gψu+cTσ（T）, （3.7）如u→ ∞, 其中▄N=mg（T）+（m- m） g（T）和▄G=m（2Cov（NT，λT）-g（T））-（m）-m） g（T），其中prα：=limS→∞E“expsup0≤t型≤S{√2Bα/2（t）- （1+R）tα}！#，（3.8）其中Bα/2是分数布朗运动，赫斯特指数为α/2，0<α≤ 2 andR>0。在我们的设置中，α=1，B1/2是标准的布朗运动。4数值研究在本节中，我们研究了本文理论结果的几个数值例子。对于h（t）=αe-βt，我们可以模拟高斯过程G（t），并数值计算有限期情况下的破产概率。4.1跳跃大小为指数分布此处假设yi遵循强度为λ的i.i.d.指数分布，即p（x）=λe-λx，我们用不同的参数α、β、T、λ、c、u计算破产概率。我们在备注6中再次说明，我们假设α<β，因此G的协方差函数是显式的。0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.50.10.20.30.40.50.60.70.80.91破产概率（a）随着α的增加破产概率。（此处wetakeβ=0.5，λ=1，c=0.3，u=2，T=1。）0110200.5Var300.4T400.50.3500.20.100（b）G（t）的方差作为α和t的函数。（这里我们取β=0.5，λ=1）图1：α变化的破产概率。从图1（a）可以看出，在其他参数固定的情况下，破产概率是α的递增函数。为了解释，我们绘制了G（t）（0）的方差≤ t型≤ T）shownin（2.13），作为α和T的函数。

在图1（b）中，方差随着α的增加而增加。直观地说，随着G（t）方差的增加，G（t）超过某个范围的概率增加。所以破产概率增加了。然后，我们将破产概率绘制为跳跃强度λ的函数。此外，我们还可以从Var（G（t））与λ的关系图中推断出这一点：0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 20.20.30.40.50.60.70.80.91破产概率（a）随着λ的增加，破产概率。（此处wetakeα=0.3，β=0.5，c=0.3，u=2，T=1。）0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2010020030004005006007008001000Var（b）G（t）的方差作为λ的函数。（此处取α=0.3，β=0.5。）图2：λ变化的破产概率。4.2跳跃大小为伽马分布假设跳跃大小yi遵循伽马分布，形状为a，速率为b，即p（x；a，b）=baxa-1e级-bxΓ（a）。让我们看看破产概率是如何变化的。0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2a00.10.20.30.40.50.60.70.80.9破产概率（a）破产概率随着a的增加而增加。（此处，wetakeα=0.3，β=0.5，b=0.5，c=0.3，u=2，T=1。）0120.54Var0.46T0.50.380.20.100（b）G（t）的方差作为a和t的函数。（这里我们取α=0.3，β=0.5。）图3：破产概率随a的变化。我们可以看到破产概率是a的一个递增函数，这可以用图3（b）中的Var（G（t））来解释，方差随a的增加而增加。5附录5.1命题1证明。根据朱[30]中得到的Nut的矩母函数的结果，我们得到，对于任何θ∈ R和θ<khkL-1.- logkhkL，E[EθNut]=EuRt（FN（s）-1） ds，（5.1），其中函数FN是积分方程FN（t）=eθe[eRth（s）（FN（s））的唯一解-1） ds]。（5.2）我们首先计算Nut的前两个矩。

通过对（5.1）中θ的Nutwi矩生成函数进行微分，我们得到θE[EθNut]=uZtθFN（s）dseuRt（FN（s）-1） ds，（5.3），通过再次对θ进行微分，我们得到θE[EθNut]=uZtθFN（s）dseuRt（FN（s）-1） ds公司+uZtθFN（s）dseuRt（FN（s）-1） ds。（5.4）通过区分（5.2）w.r.t.θ的两侧，我们得到θFN（t）=E1+Zth（s）θFN（t- s） ds公司eθ+Rth（s）（FN（t-s）-1） ds公司. （5.5）通过再次微分w.r.t.θ，我们得到θFN（t）=E“1+Zth（s）θFN（t- s） ds公司eθ+Rth（s）（FN（t-s）-1） ds#（5.6）+EZth（s）θFN（t- s） dseθ+Rth（s）（FN（t-s）-1） ds公司.通过让θ=0 in（5.5），我们得到θFN（t）θ=0=1+Zth（s）θFN（t- s）θ=0ds。这意味着θFN（t）θ=0=g（t），其中（2.3）和（Nut）中定义了gis=θE[EθNut]θ=0=uZtθFN（s）θ=0ds=uZtg（s）ds。通过让θ=0 in（5.6），我们得到θFN（t）θ=0=（g（t））+Zth（s）θFN（t- s）θ=0ds。根据gin（2.2）的定义，我们已经θFN（t）θ=0=g（t）。最后我们得出结论，E[（Nut）]=θE[EθNut]θ=0=uZtθFN（s）θ=0ds+uZtθFN（s）θ=0ds= uZtg ds+uZtg ds.所以我们有var[Nut]=E[（Nut）]- （E【Nut】=uZtg（s）ds。5.2定理2的证明。为了简单起见，我们假设u∈ N、 从u开始的参数∈ N tonon整数值u与Gao和Zhu[12]中的参数相同。通过移民出生表示，我们可以将Nu分解为u独立和同分布（i.i.d）Hawkes过程Ni，i=1，2，u，每个都以霍克斯过程的形式分布，基底强度为1（Ni中的上标1），激发函数为h（·）。为了表示简单，我们使用Ni（·）表示Ni（·）。因此，我们可以将Xu分解为ui.i.d.化合物Hawkes过程的总和，并让我们写出Xu=Pui=1Xit。因此，Xut- umRtg（s）ds√u=√uXi=1退出- mZtg（s）ds.设▄Nit：=Nit-Rtg ds。然后，Nitare i.i.d。

D的随机元素（[0，∞), R） 当E[~Nit]=0且E[（~Nit）]<∞ 对于任何t（这是Hawkes过程的一个众所周知的事实。参见例[31]）。类似地，我们定义▄Xit=Xit- mRtg ds。根据哈恩定理（参见[29]中的定理7.2.1），我们得到u→ ∞,√uXi=1退出- mZtg（s）ds=> G、 （5.7）弱in（D）（[0，∞), R） ，J），其中G是一个平均零几乎可以肯定的连续高斯过程，协方差函数为▄x，前提是满足以下条件：对于每0<T<∞, 在[0，T]上存在连续的非减量实值函数g和f，其数α>1/2，β>1，使得eXu-Xs≤ （g（u）- g（s））α，（5.8）andEXu-XtXt-Xs≤ （f（u）- f（s））β，（5.9）对于所有0≤ s≤ t型≤ u≤ 带u的T- s<1。首先，请注意Xu-Xs= E“徐- Xs型- mZusg（τ）dτ#≤ 2小时徐- Xs型i+2mZusg（τ）dτ. （5.10）使用塔楼物业，Eh徐- Xs型i=EhEh徐- Xs型Nii=EENuXi=Ns+1YiN= E风险值NuXi=Ns+1Yi+ENuXi=Ns+1YiN= E[Nu- Ns]Var（Y）+E[（Nu- Ns）]（E[Y]=E[努- Ns]Var（Y）+Var（Nu- Ns）+（E（Nu- Ns））（E[Y]）≤1.- khkL（u- s）Var（Y）+“（1- khkL）（u- s）+1.- khkL（u- s）#（E[Y]）≤ C（u- s） 。

（5.11）（5.11）中的第一个不等式成立，因为参见- Ns]=Zusg（τ）dτ≤ g级(∞)（u）- s） =1- khkL（u- s） ，Var[Nu- Ns]=Zusg（τ）dτ≤ g级(∞)（u）- s） =（1）- khkL）（u- s） 。我们推断，对于某些常数k和α=1，g（x）=kx满足（5.8）。类似地，通过使用（5.11），我们可以显示Xu-XtXt-Xs= E徐- Xt公司- mZutg（τ）dτ·Xt公司- Xs型- mZtsg（τ）dτ≤ E徐- Xt公司+ 2.mZutg（τ）dτ·Xt公司- Xs型+ 2.mZtsg（τ）dτ≤ 4Eh徐- Xt公司Xt公司- Xs型i+C（u- s） ，我们也可以计算出徐- Xt公司Xt公司- Xs型i=Eh（Nu- Nt）Var（Y）+（Nu- Nt）（E[Y]）·（Nt- Ns）Var（Y）+（Nt- Ns）（E[Y]）i=Eh（Nu- Nt）（Nt- Ns）（Var（Y））i+Eh（Nu- Nt）（Nt- Ns）（E[Y]）i+Eh（Nu- Nt）（Nt- Ns）（E[Y]）Var（Y）i+Eh（Nu- Nt）（Nt- Ns）（E[Y]）Var（Y）i≤ CEh（Nu- Nt）（Nt- Ns）i≤ C（u- s） 。最后两个不等式成立，因为（Nu- Nt）≤ （Nu- Nt）和（Nt）- Ns）≤（Nt-Ns）。同样，我们可以从[12]定理1的证明中得出结论，Eh（Nu-Nt）（Nt-Ns）i≤ C（u- s） 。请注意，Ci，i∈ 以上1、2、3、4、5均为常数。因此，对于某些常数k和β=2，我们推断（5.9）满足f（x）=k。因此，我们验证了（5.7）。最后，让我们确定任意t的高斯极限G（t）的方差和协方差函数≥ s、 Cov（Xt，Xs）=E[XtXs]- E[Xt]E[Xs]=E[（Xt- Xs）Xs]+E[（Xs）]- mE[Nt]E[Ns]=mE[（Nt- Ns）Ns]+E[（Xs）]- mE[Nt]E[Ns]=mE[（Nt- Ns）Ns]+E[Ns]（m- m） +E[（Ns）]米- mE[Nt]E[Ns]=mCov（Nt，Ns）+E[Ns]（m- m） 。

（5.12）5.3（3.6）Cov中结果的推导G（t）σ（t），G（s）σ（s）=Cov（G（t），G（s））σ（t）σ（s）=mVar【Ns】+E【Ns】（m- m） +E[Ns（Nt- Ns）]- E【Ns】（E【Nt】- E[Ns]）σ（s）σ（t）=Var[G（s）]+mE[Ns（Nt）- Ns）]- E【Ns】（E【Nt】- E[Ns]]σ（s）+σ（s）（σ（t）-σ（s））=σ（s）+mE[NsRtsλτdτ]- mE[Ns]E[Rtsλτdτ]σ（s）+σ（s）（σ（t）-σ（s））=σ（s）+mE[Nsλs]（t- s）-mE[Ns]E[λs]（t- s） +o（t- s） σ（s）+σ（s）（σ（t）-σ（s））=σ（s）+mCov（Ns，λs）（t- s） +o（t- s） σ（s）+σ（s）（σ（t）-σ（s））=1+mCov（Ns，λs）σ（s）（t- s） +o（t- s） 1+σ（t）-σ（s）σ（s）=1+mCov（Ns，λs）σ（s）（t- s） +o（t- s）1.-σ（t）-σ（s）σ（s）+o（t-s）= 1.-σ（t）-σ（s）σ（s）- 1.mCov（Ns，λs）σ（s）（t- s）-σ（t）-σ（s）σ（s）+o（t-s） =1+m（2Cov（NT，λT）- g（T））- （m）- m） g（T）2σ（T）（t- s） +o（t- s） 当t>s，t时- s→ 0和s→ T5.4注释5和6中结果的推导为了计算Cov（Nt，Ns），我们有：Cov（Nt，Ns）=E【NsNt】- E[Ns]E[Nt]=E[（Ns）]+E[Ns（Nt- Ns）]- E[Ns]E[Nt]和E[Ns（Nt- Ns）]=ENsZtsλτdτ. （5.13）此处λτ=1+Rτh（τ- s） dNs=1+Zτ，因此（5.13）可以写成：E[Ns（Nt- Ns）]=ENsZts（1+Zτ）dτ= （t- s） E[Ns]+ZtsE[ZτNs]dτ。（5.14）在h（t）=αe的特殊情况下-βt，Zτ是马尔可夫的，我们可以得到显式公式。我们有dZ=-βZdt+αdNt，soNt=Zt- Zα+βαZtZudu。在（5.14）中，ZtsE[ZτNs]dτ=ZtsEZτZs公司- Zα+ZτβαZsZududτ=ZtsαE[ZτZs]-ZαE[Zτ]+EZτβαZsZududτ=ZtsαE[ZτZs]-ZαE[Zτ]+βαZsE[ZτZu]dudτ。（5.15）这里E[ZτZs]=E[E[Zτ| Zs]Zs]，s<τ。还有：dE[Zτ]=-βE[Zτ]dτ+α（1+E[Zτ]）dτ和de[Zτ]dτ=（α- β） E[Zτ]+α。求解它，我们得到：E[Zτ]=αα- βe（α-β)τ-αα - β. （5.16）此外，我们有（β-α） τE[Zτ| Zs]=E（β-α） sZs+Zτsαe（β-α） udu=e（β-α） sZs+αβ- αhe（β-α)τ- e（β-α） siandE[Zτ| Zs]=e（β-α） （s）-τ） Zs+αβ- αh1- e（β-α） （s）-τ） i.因此我们有：E[ZτZs]=E（β-α） （s）-τ） E[Zs]+αβ- αh1- e（β-α） （s）-τ） iE[Zs]。

（5.17）接下来，我们需要使用微型生成器计算出E【Zs】，如下所示：Af（z）=-βzf（z）+（1+z）[f（z+α）-f（z）]，（5.18）让f（z）=z，那么我们有a（z）=-βz（z）+（1+z）（z+α）- z= -2βz+（1+z）（2αz+α）=2（α- β） z+（2α+α）z+α，因此，我们有E[zτ]=z+zτE[A（Zs）]ds=z+zτ2(α - β） E[Zs]+（2α+α）E[Zs]+α.通过微分，我们得到：dE[Zτ]dτ=2（α- β） E[Zτ]+（2α+α）E[Zτ]+α。求解它，我们得到[Zτ]=-α（2α+α）e（β-α)τ(β - α)+α(2 + β)2(β - α)+α(2 + 2α -β)2(β - α） e2（α-β)τ.

（5.19）通过将（5.16）和（5.19）替换回（5.17），我们得到：E[ZτZs]=-α(2α + α)(β - α） e[（β-α） s+2（α-β)τ]+α(2 + β)2(β - α） e（β-α） （s+τ）+α（2+2α-β)2(β - α） e（β-α） （s）-τ)-α(β - α） e（α-β)τ+α(β - α） e（β-α） （s）-2τ)-α(β - α） e（β-α） （s）-τ)+α(β - α).（5.20）代入（5.15），我们得到：E[ZτNs]=αE[ZτZs]-ZαE[Zτ]+βαZsE[ZτZu]du=Me（β-α） s+Me（β-α） τ+Me（α-β） τ+Me2（α-β） τ，（5.21），其中Mi，i∈ 1、2、3、4是常数，m=（2β- α)[-2α(2 + α) + α(2 + β) + α(2 + 2α -β) -2α]2α(β - α） M=α（2+β）2（β- α） M=α（2+2α- β)(2β - α - αβ) - (β - α)(2α + 2)2(β - α） M级=-α(3β + αβ - 2α - α)(β - α).因此，我们有：ZtsE[ZτNs]dτ=Me（α-β） s（t）- s） +Mhe（β-α） t型- e（β-α） si+Mhe（α-β） t型- e（α-β） si+Mhe2（α-β） t型- e2（α-β） 是的。（5.22）根据（5.14），我们有- Ns）]=Me（α-β） s+α（α- β） he（α-β） s- 1i-βsα- β（t- s） +Mhe（β-α） t型- e（β-α） si+Mhe（α-β） t型- e（α-β） si+Mhe2（α-β） t型- e2（α-β） 是的。（5.23）因此，我们可以计算Cov（G（t），G（s）），如下所示：Cov（G（t），G（s））=Cov（Xt，Xs）=mE[（Ns）]+E[Ns（Nt- Ns）]- 东[北]东[北]+ E【Ns】（m- m） =米Var[Ns]+（E[Ns]）+E[Ns（Nt- Ns）]- 东[北]东[北]+ E【Ns】（m- m） 。（5.24）通过将（2.11）、（2.12）和（5.23）代入（5.24），我们最终获得了G.Cov（G（t），G（s））=m的协方差α(α - β） he2（α-β） t型- 1i-α(α - β） he（α-β） t型- 1i-2αβt（α- β） e（α-β） t+βtβ- α+α(α - β） he（α-β） s- 1i-βsα- β+Me（α-β） s+α（α- β） he（α-β） s- 1i-βsα- β（t- s） +Mhe（β-α） t型- e（β-α） si+Mhe（α-β） t型- e（α-β） si+Mhe2（α-β） t型- e2（α-β） si公司-α(α - β） he（α-β） s- 1i-βsα- βα(α - β） he（α-β） t型- 1i-βtα- β+ （m）- m）α(α - β） he（α-β） s- 1i-βsα- β. （5.25）在（5.24）中，设置s=t，我们得到G的方差：Var（G（t））=mα(α - β） he2（α-β） t型- 1i-α(α - β） he（α-β） t型- 1i-2αβt（α- β） e（α-β） t+βtβ- α+ （m）- m）α(α - β） he（α-β） t型- 1i-βtα- β. （5.26）致谢Youngsoo Seol感谢东亚大学研究基金的支持。参考文献【1】Bacry，E.，Mastromatteo，I.，和Muzy，J.F.（2015）。

Hawkes流程融资。市场微观结构和流动性，1，1-59。[2] B–auerle，N.（2004）。最优再保险和股息支付政策的近似值。数学《金融》，14，99-113。[3] Blundell，C.、Beck，J.和Heller，K.A.（2012年）。用霍克斯过程模拟往复关系。神经信息处理系统的进展。26002608【4】比林斯利，P.（1999）。概率测度的收敛性，第2版。Wiley–跨科学，纽约。[5] 克雷恩，R.和D.索内特。(2008). 通过测量社会系统的响应函数来揭示鲁棒动态类。过程。纳特。Acad。Sci。美国，105，15649。[6] 克拉姆，H。关于风险的数学理论。斯堪迪亚禧年卷，（1930）斯德哥尔摩。重印于：MartinLof，A.（Ed.）Cramer，H.（1994）作品集。柏林斯普林格。[7] D,ebicki，K.（2002年）。高斯积分过程的破产概率。随机过程。应用程序。，98, 151-174.[8] D,ebicki，K.、Hashorva，E.、Ji L.和Z.Tan。(2014). 聚集高斯过程的有限时间破产概率。马尔可夫过程。相关字段，20435-450。[9] Dieker，A.B.（2005年）。有限视界上高斯过程的极值。随机过程。应用程序。，115, 207-248.[10] Embrechts P，Schmidli H.（1994）。一般保险风险模型的破产估计。高级应用程序。概率。，26(2), 404-422.[11] Gao，X.和Zhu，L.（2018）。具有大初始强度的马尔可夫Hawkes过程的大偏差及其应用。伯努利，242875-2905。[12] Gao，X.和Zhu，L.（2018）。平稳HawkesProcess的函数中心极限定理及其在有限服务器队列中的应用。排队系统，60，161-206。[13] Gao，X.Zhou，X.和Zhu，L.（2018）。Hawkes过程的变换分析及其在暗池交易中的应用。《定量金融》，2265-282。[14] Grandell，J.（1977年）。破产概率的一类近似。

斯堪的纳维亚。精算师。J、 ，37-52。[15] Gusto，G.和Schbath，S.（2005年）。FADO：一种统计方法，使用霍克斯模型检测母题出现之间的有利或无效距离。统计应用程序。Genet。摩尔生物量。，4(1).[16] Harrison，J.M.（1977年）。复合资产的破产问题。随机过程。应用程序。，5, 67-79.[17] 霍克斯，A.G.（1971）。一些自激和互激点过程的谱。Biometrika 58，83-90。[18] Hawkes，A.G.（1971年）。一些相互激励的点过程的点谱。J、 罗伊。统计学家。Soc。序列号。B统计方法。，第438-443页。[19] Iglehart，D.L.（1969年）。集体风险理论中的差异近似。J、 应用程序。问题。，6, 285-292.[20] Johnson，D.H.（1996年）。单神经元放电的点过程模型。J、 计算机。神经症。，3(4), 275-299.[21]Karabash，D.和Zhu，L.（2015）。标记霍克斯过程的极限定理及其在风险模型中的应用。随机模型，31433-451。【22】伦德伯格（Lundberg，F）（1903年）。近似framst–allning av sannolikhetsfunktionen。Aterf¨ors¨akring av kollektivrisker。阿卡德。Afhandling。乌普萨拉Almqvist och Wiksell。【23】Ogata，Y.（1988年）。地震发生的统计模型和点过程的残差分析。J、 美国。《统计协会》，83（401），9-27。【24】Pernice，V.、Staude B.、Carndanobile，S.和S.Rotter。(2012). 结构如何决定神经网络中的相关性。PLoS计算机。生物学。，85:031916.[25]Reynaud Bouret，P.和Schbath，S.（2010）。霍克斯过程的自适应估计；应用于基因组分析。安。统计员。，38(5), 2781-2822.[26]Reynaud Bouret，P.、Rivoirard，V.和Tuleau Malot，C.（2013）。通过霍克斯过程推断神经科学中的功能连接性。在第一届IEEE全球信号和信息处理会议上。[27]Schmidli，H.（1994）。具有借贷和投资可能性的风险过程的差异近似值。

Comm.Stat.Stoch公司。型号，10365-388。[28]Stabile，G.和G.L.Torrisi。(2010). 具有非平稳霍克斯到达的风险过程。Methodol。计算机。应用程序。问题，12, 415-429.[29]Whitt，W.（2002年）。随机过程限制：介绍随机过程限制及其在队列中的应用。施普林格科学与商业媒体。[30]Zhu，L.（2013）。霍克斯过程的中度偏差。统计和概率。信件，83885-890。[31]Zhu，L.（2013）。非线性Hawkes过程的中心极限定理。J、 应用程序。问题。，50 760-771.[32]Zhu，L.（2013）。具有非平稳到达和次指数索赔的风险过程的破产概率。保险数学。经济体。，53(3), 544-550.[33]Zhu，L.（2014）。具有Hawkes跳跃的Cox-Ingersoll-Ross过程的极限定理。J、 应用程序。问题。，51 699-712.