交易、余震或消息传播常会“成串发生”：一次事件出现后，短时间内更容易冒出下一次。Hawkes 过程就是描述这种自激现象的模型。Poignard 和 Potiron 的关键一步，是把连续时间的 Hawkes 过程改写成基于时间序列的标准线性回归，再用普通最小二乘（OLS，也就是寻找让残差平方和最小的参数）估计模型，而不是把原始事件记录直接塞进线性回归。
这条路线的价值在于，它把一套相对专门的事件流估计问题，接到了成熟的线性回归理论上。作者由此证明了估计量的中央极限定理和方差估计的一致性，并构造了 Wald 检验——用估计值相对误差偏离假设值的程度，判断参数差异是否可信。代价是适用范围有限：模型的自激影响必须能写成“参数乘函数”的若干项之和，论文进一步采用指数函数。
在高频交易时间数据上，作者称 OLS 的样本外交易笔数预测略优于最大似然方法，并据此识别出三类异质交易者：两类高频交易者和一类基本面交易者。具体提升幅度在所给材料中未披露，因此更值得关注的是方法本身：它让 Hawkes 模型不仅能估参数，也能沿用熟悉的统计检验和区间推断工具。